שאדי רוסטאמי, SVP של הנדסה ב- Amplitude – סדרת ראיונות

שאדי היא SVP של הנדסה ב- Amplitude, מובילת ניתוחים דיגיטליים. היא מנהיגה טכנולוגית נלהבת ומנוסה, ואדריכלית בעלת ניסיון בבנייה וניהול צוותי הנדסה מומחים. לפני Amplitude, היא הייתה VP של הנדסה ב- Palo Alto Networks. היא חידשה וסיפקה מספר קווי מוצרים ושירותים המתמחים במערכות מבוזרות, ענן, נתונים גדולים, למידת מכונה ואבטחה.

Amplitude נבנית על טכנולוגיות למידת מכונה מודרניות ו- AI יוצרות, המאפשרות לצוותי מוצרים לבנות מוצרים חכמים יותר, ללמוד מהר יותר וליצור את החוויות הדיגיטליות הטובות ביותר עבור לקוחותיהם.

מה היה הדבר שמשך אותך למדעי המחשב והנדסה?

גדלתי באיראן ובתחילה עקבתי אחר נתיב בית ספר תיכון שיאפשר קריירה ברפואה, שהיה הנתיב שאבי רצה שאקח והנתיב שאחי עשה. כעבור כשנה וחצי, החלטתי שזה לא הנתיב בשבילי. במקום זאת, עקבתי אחר הנדסה והפכתי לילדה הראשונה באיראן שהלכה לאולימפיאדת האינפורמטיקה (IOI) וזכתה במדליית ארד, תחרות שנתית לתלמידי בית ספר תיכון מרחבי העולם המתחרים במתמטיקה, פיזיקה, אינפורמטיקה וכימיה. זה הוביל אותי ללמוד הנדסה באוניברסיטת Sharif University of Technology באיראן ולאחר מכן לקבל דוקטורט בהנדסת מחשבים באוניברסיטת קולומביה הבריטית בקנדה. לאחר מכן, עבדתי עבור חברות הזנק במשך מספר שנים ולאחר מכן ביליתי עשור ב- Palo Alto Networks, ולבסוף הפכתי ל-VP אחראית על פיתוח, QA, DevOps ו- data science. לפני חמש שנים, עברתי ל- Amplitude כ- SVP של הנדסה.

האם תוכל לדון בפילוסופיה המרכזית של Amplitude, ש-AI אמור לסייע לבני אדם בשיפור עבודתם ולא להחליף אותם?

AI משנה במהירות כמעט כל תעשייה, ועם השינוי מגיעות שאלות על כיצד חברות ישתמשו בטכנולוגיה. אנו מאמינים בצורה חזקה בהשגת AI נכון. האמונה הזו הובילה אותנו לפתח את פילוסופיית AI המרוכזת בלקוח, העומדת על חמישה עקרונות ראשיים: (1) פיתוח שיתופי ושותפות מחשבה, (2) ניהול נתונים והגנה על נתוני משתמש, (3) שקיפות, (4) פרטיות, אבטחה וציות לרגולציה, ו- (5) בחירת לקוח ושליטה. אנו יודעים שעקרונות אלו הם מפתח כאשר חברות ממשיכות לאמץ ולבחון AI ולבסוף הופכות להיות מונחות נתונים. למטרותינו, זה אומר בניית כלים AI שעוזרים לאנשים להגיע לתובנות מהר יותר. כאשר מנוצלים כראוי, התובנות האלו מובילות להחלטות מהירות יותר, טובות יותר, שמניעות תוצאות תחתונות. השימוש ב- AI ככלי למילוי התבונה והיצירתיות האנושית היא היכן שאני רואה את AI הוא השפעה הגדולה ביותר.

האם תוכל להסביר את המושג ‘דמוקרטיה של נתונים’ בהקשר של סביבת עסקים AI-נהוגה של היום?

“דמוקרטיה של נתונים נהוגה על ידי הידיעה שצוותים פועלים טוב יותר, מהר יותר ויעיל יותר כאשר הם יכולים לגשת לתובנות נתונים נכונות בזמן הנכון. בסביבה AI-נהוגה המתקדמת במהירות של היום, צוותים לא יכולים להרשות לעצמם לחכות ימים או שבועות לנתונים. כדי למתן זאת, חברות חייבות לאפשר לצוותים שלהן לנצל נתונים בדרך עצמאית. עכשיו, זה לא אומר כאוס נתונים עם אף פרמטרים. בסוף היום, נתונים גרועים מובילים ל- AI גרוע. אבל עם הכלים והתהליכים הנכונים, עסקים יכולים לאזן דמוקרטיזציה של נתונים עם ניהול נתונים, מה שמאפשר תוצאות עסקיות טובות יותר.”

מהן השינויים המרכזיים בתרבות הארגונית שאתה מאמין שהם חיוניים עבור אפשרות ‘דמוקרטיה של נתונים’ אמיתית בעידן AI?

הקמת דמוקרטיה אמיתית של נתונים בתוך הארגון שלך מתחילה עם שני שינויים תרבותיים מוסדיים: אספקת הכלים הנכונים והנגישים ביותר, וביצוע מאמצים ארגוניים רחבים סביב הבנת נתונים. זה אומר אימוץ כלים עצמאיים שמאפשרים לחברי צוות לא-טכניים, כגון צוותי שיווק או הצלחת לקוחות, לא רק לגשת לנתונים, אלא גם לנתח ולנקוט פעולה עליהם. אני מאמין שניתוח נתונים עצמאי יכול וצריך להניע שיתוף פעולה בין צוותים, לעורר סקרנות וחקירה, להרחיב הבנת נתונים, ולשים דגש על פעולה והשפעה. גם, חשוב להשקיע מאמצים משותפים בין צוות הנתונים המרכזי לבין צוותי עסקים לבצע ניהול נתונים רציף, כדי לוודא שאיכות הנתונים לא תדרדר עם הזמן.

בניסיונך, מהן האתגרים המשמעותיים ביותר שארגונים פוגשים בהשגת דמוקרטיה של נתונים, וכיצד הם יכולים להתגבר על מכשולים אלו?

בעבר, חברות ניסו לרכז נתונים בתוך צוות מומחים אחד, והותירו את שאר הארגון תלוי בצוות הזה לספק ניתוח ותובנות מפתח שעשויות להיות קריטיות לפעולות יומיומיות וקבלת החלטות. בעוד שדמוקרטיזציה של גישה לנתונים היא קריטית לפתרון חנק הזה, היא יכולה גם להיות אתגרית. כאשר אני מדברת עם מנהיגי נתונים על הפעלה עצמאית, ברור שיש ספקטרום. בקצה האחד, יש כלים עם הגדרה נמוכה עבור צוותים לא-טכניים וצוותי עסקים. בסופו של דבר, כלים אלו לא נותנים את עומק ורוחב התשובות שצוותים אלו צריכים. בקצה השני, יש כלים טכניים יותר עבור צוותים טכניים יותר. הם גמישים יותר במונחי ניתוח, אבל הם איטיים, וכנראה רק מעט אנשים יכולים אפילו להשתמש בהם. אנו מתייחסים לכלים אלו כ- “שורת נתונים”… אתה תמיד מחכה לתשובות. צוותים זקוקים לפתרון באמצע. חשבו על פתרונות מחוץ לקופסה שעודדים, ולא מעכבים, חקירה וניסוי. עם הכלים והחינוך הצוותי הנכונים, חברות יכולות לגשר בקלות יותר על הפער של דמוקרטיזציה של נתונים.

כמה חיונית היא הבנת נתונים בתהליך הדמוקרטיזציה של נתונים, ומהם הצעדים שחברות צריכות לנקוט כדי לשפר אותה בין עובדיהן?

יצירת סביבת דמוקרטיה של נתונים ברחבי הצוותים שלך היא אתגר תרבותי הדורש חינוך ואימוץ ברמה הארגונית. בניסיונותיי עם הוראת תהליכי נתונים לחברים לא-טכניים, הדרך הטובה ביותר לפתח מיומנויות אלו היא דרך שילוב של אימון ולמידה מעשית. אני ממליץ על פיתוח תוכנית אימון מקיפה כדי לוודא שעובדים מרגישים בטוחים ובטוחים בתובנות שהם שול