Adam Asquini, Direktur Manajemen Informasi dan Analitik Data di KPMG – Seri Wawancara

Adam Asquini adalah Direktur Manajemen Informasi dan Analitik Data di KPMG di Edmonton. Ia bertanggung jawab untuk memimpin proyek data dan analitik lanjutan untuk klien KPMG di prairies. Adam sangat bersemangat untuk membangun dan mengembangkan tim yang berkinerja tinggi untuk memberikan hasil terbaik bagi klien dan memungkinkan pengalaman kerja yang menarik bagi timnya. Sebelumnya, ia bekerja di AltaML sebagai Wakil Presiden Solusi Pelanggan, Pemerintah Alberta sebagai Manajer Program, dan di Angkatan Bersenjata Kanada sebagai Perwira Sinyal. Mengikuti jalur karir yang tidak biasa ke AI, Adam adalah seorang penggemar besar dalam memanfaatkan keanekaragaman dan pengalaman tim lintas fungsional dan juga percaya bahwa siapa saja dapat bergabung dengan komunitas AI yang terus berkembang.

Kami duduk untuk wawancara dengan Adam di konferensi tahunan 2023 Upper Bound tentang AI yang diadakan di Edmonton, AB dan diselenggarakan oleh Amii (Alberta Machine Intelligence Institute).

Anda memiliki jalur karir yang tidak biasa, bisakah Anda membahas bagaimana Anda memasuki AI?

Saya memulai karir saya di Angkatan Bersenjata Kanada sebagai perwira sinyal, perwira sinyal bertanggung jawab untuk sistem telekomunikasi IT yang membantu orang berkomunikasi. Jadi, sebenarnya, banyak radio satelit. Ada beberapa data di sana, tetapi sebagian besar adalah teknologi infrastruktur inti yang kami tangani, yang awalnya memulai saya di teknologi. Saya belajar teknik kimia di universitas, semuanya dipicu oleh rasa ingin tahu dan keinginan saya untuk belajar. Itu dimulai dari sana dan mempelajari teknologi, mengembangkan diri, dan mengembangkan keterampilan sangat penting bagi saya.

Setelah 14 tahun di militer, melakukan berbagai pekerjaan sinyal, mulai dari bekerja di pangkalan dan mendukung layanan IT dan telekomunikasi di lapangan, mengatur markas dan berkomunikasi dengan unit garis depan, mendukung operasi domestik seperti kebakaran hutan dan banjir, saya pindah ke pemerintah provinsi Alberta. Saya bekerja di manajemen program, melihat beberapa inisiatif teknologi lintas pemerintah. Pada saat itu, pemerintah sedang mengonsolidasikan IT, kami bekerja dengan berbagai kementerian pemerintah untuk menggabungkan layanan mereka dan mengonsolidasikan hal-hal, saya melakukan banyak pekerjaan di sana serta dalam manajemen investasi. Dan benar-benar, dalam melakukan pekerjaan itu, saya mulai melihat beberapa organisasi memanfaatkan data dan analitik.

Itu benar-benar membangkitkan rasa ingin tahu saya dan selalu ingin tahu dan lapar untuk belajar, saya mulai terlibat dalam beberapa proyek di sana atau hanya melakukan studi mandiri, hal-hal seperti Coursera atau alat pelatihan lainnya untuk mempelajari sedikit lebih banyak. Saya melakukan banyak membaca, meneliti beberapa vendor dan platform yang menyediakan alat-alat tersebut. Saya benar-benar tertarik dengan data dan analitik dan melalui rasa ingin tahu alami dan keinginan saya untuk belajar lebih banyak, saya mulai terlibat lebih dalam hal ini seiring waktu.

Di luar Coursera, apakah ada podcast atau buku tertentu yang Anda rekomendasikan?

Saya mengikuti banyak pengikut di LinkedIn, tetapi beberapa yang terlintas di pikiran saya seperti Emerj. Dan Faggella adalah orang di baliknya. Ia membawa banyak kepemimpinan pemikiran ke dalamnya. Saya pasti mengikuti beberapa yang mainstream seperti HBR dan Forbes. Seorang kontak saya bernama Andreas Welch yang bekerja di SAP, ia merilis banyak konten sekitar AI dan adopsi AI, jadi saya telah mengikuti dia. Saya pikir sejauh ini, ada beberapa podcast yang saya dengarkan dan juga buku. Sebuah buku yang sangat bagus yang saya baca baru-baru ini adalah Infonomics oleh Doug Laney. Ia adalah mantan Gartner dan MIT, dan itu adalah buku yang sangat bagus untuk menjelaskan kerangka kerja monitisasi untuk data. Saya mencoba untuk membenamkan diri saya ke dalam sebanyak mungkin hal untuk belajar.

Bagaimana pengalaman militer Anda telah membantu Anda dalam peran Anda saat ini?

Dalam beberapa cara. Saya pikir beberapa keterampilan inti yang saya pelajari melalui karir militer saya, yaitu pendekatan yang terstruktur untuk perencanaan, yang sangat baik. Manajemen waktu dan prioritas. Dalam lingkungan militer, itu benar-benar memaksa Anda untuk belajar apa yang paling penting dan bekerja dengan kecepatan tertentu, menilai trade-off dan memahami bagaimana menghasilkan rencana tindakan yang dapat dilakukan dan yang akan membuat Anda maju. Saya menemukan bahwa dalam lanskap teknologi yang cepat seperti AI di mana hal-hal bergerak sangat cepat, memiliki pendekatan terstruktur untuk memahami apa yang penting, apa yang tidak penting, di mana Anda ingin fokus, telah menjadi keterampilan yang baik.

Yang lainnya adalah sekitar kepemimpinan dan kerja tim. Anda bekerja dengan organisasi besar. Di lapangan, tim-tim sedang disusun dan disusun kembali sepanjang waktu untuk mendapatkan kelompok terbaik bersama untuk menyelesaikan misi, memiliki keterampilan interpersonal yang kuat, keterampilan kepemimpinan, keterampilan komunikasi adalah keterampilan yang sangat ditekankan dalam pelatihan di militer, saya pikir mereka sangat bermanfaat juga.

Anda adalah wakil presiden solusi pelanggan di AltaML selama lebih dari dua tahun, apa itu AltaML dan apa beberapa proyek menarik yang Anda kerjakan?

AltaML adalah perusahaan kecerdasan buatan terapan dan pembelajaran mesin. Ini berbasis di Alberta, kantor pusatnya di Edmonton, kantor besar di Calgary dan juga satu di Toronto. Apa yang mereka lakukan adalah bekerja dengan bisnis lain untuk mengembangkan solusi perangkat lunak dan produk yang memiliki AI di intinya, itu adalah bisnis-ke-bisnis. Bagian organisasi yang saya kerjakan adalah sisi layanan, kami bekerja dengan perusahaan minyak dan gas, lembaga keuangan. Kami bekerja di banyak vertikal industri yang berbeda. Saya bekerja dengan mereka untuk mendefinisikan masalah bisnis yang relevan dan dapat membuat dampak untuk diselesaikan dengan AI, dan kemudian bekerja dengan mereka untuk membawa data mereka bersama, membangun model AI, menggunakannya dan bekerja melalui sisi manajemen perubahan sehingga mereka dapat dioperasikan dan digunakan, benar-benar membantu organisasi-organisasi tersebut memecahkan masalah dengan membangun solusi AI terapan.

Peran saya adalah wakil presiden solusi pelanggan. Ketika saya memulai, saya berada dalam peran manajer proyek yang memimpin beberapa keterlibatan AI, kemudian saya naik seiring waktu, dan peran wakil presiden solusi pelanggan bertanggung jawab untuk fungsi pengiriman, manajemen sumber daya untuk proyek dan manajemen akun aktif, banyak aspek klien yang menghadap ke sisi kerja itu jatuh ke tim saya.

Sejauh proyek-proyek, ada banyak, saya akan mengatakan dalam satu atau lain cara, baik sebagai manajer proyek tangan, pelatih atau sumber daya jaminan kualitas, puluhan proyek AI yang saya kerjakan selama dua setengah tahun, salah satu favorit saya adalah proyek kebakaran hutan. Saya bekerja dengan gubernur Alberta. Mereka kesulitan pada hari-hari ketika ada risiko kebakaran sedang, untuk memahami apakah kebakaran kemungkinan akan terjadi di area tertentu. Ketika mereka tidak yakin, praktik penjadwalan mereka adalah menjadwalkan sumber daya apa pun yang tersedia, dan itu termasuk mengontrak sumber daya tambahan, peralatan berat seperti buldozer atau pesawat, helikopter, yang tentu saja sangat mahal.

Tujuan proyek AI adalah untuk memprediksi untuk wilayah tertentu apa kemungkinan kebakaran akan terjadi untuk wilayah tersebut untuk hari berikutnya, untuk membantu mereka membuat keputusan sekitar alokasi sumber daya optimal untuk proses yang mereka sebut pra-penindakan, yang benar-benar pengalokasian sumber daya proaktif dan penjadwalan.

Itu benar-benar keren untuk melihat bahwa dalam beberapa skenario, Anda bisa mengurangi sumber daya atau hanya fokus mereka pada waktu-waktu tertentu. Itu akan menyelamatkan banyak uang tetapi tidak benar-benar memperkenalkan banyak risiko material untuk melewatkan kebakaran, jutaan dolar potensi penghematan. Pekerjaan itu masih berlanjut. Bahkan hari ini, mereka sekarang melihat untuk memperluas jendela waktu sedikit, membuat zona lebih kecil dan lebih rinci untuk mengoptimalkan sumber daya. Tetapi melihat bagaimana musim kebakaran yang kita miliki sejauh ini di Alberta, setiap intelijen yang dapat Anda berikan sebelumnya tentang di mana risikonya dan dapat mengoptimalkan sumber daya atau setidaknya mengalokasikan sumber daya ke tempat yang tepat sangat berdampak, itu sangat menyenangkan.

Saya juga melakukan beberapa pekerjaan dalam pemrosesan klaim. Sebagai penyedia asuransi menerima ribuan klaim yang masuk, yang dapat disetujui secara otomatis, yang memerlukan tinjauan manusia, atau bahkan tim mana klaim harus diteruskan untuk mendapatkan tingkat tinjauan yang tepat. Jenis pekerjaan itu juga sangat penting dan dapat menyelamatkan organisasi banyak upaya dan uang dalam cara mereka melakukan bisnis,

Anda saat ini adalah direktur manajemen informasi dan analitik data di KPMG. Apa yang dimaksud dengan peran ini?

Saya bekerja dengan bisnis untuk memandu mereka melalui perjalanan memecahkan masalah ini melalui, dalam hal ini, kemampuan data dan analitik yang lebih luas. Kami bekerja pada semua hal mulai dari strategi data di awal dan membantu organisasi mengatur data dari sistem yang berbeda, menggabungkannya, pelaporan dan analitik serta AI dan ML. Ini sedikit peran yang lebih luas daripada peran saya sebelumnya, tetapi itu juga sangat menyenangkan bagi saya. Itu memicu semangat saya untuk belajar dan mengembangkan diri.

Sebagai direktur, saya biasanya bekerja dengan pemimpin senior di sisi klien untuk membantu memberi nasihat kepada mereka melalui perjalanan, mendapatkan gambaran tentang apa yang akan diperlukan, apa proyek-proyek itu terlihat seperti, bagaimana mereka dapat mempersiapkan diri. Fokus besar pada adopsi juga, terutama dengan sistem analitik lanjutan yang baru dan yang kadang-kadang datang dengan konotasi negatif dari sisi tenaga kerja, jadi benar-benar bekerja dengan mereka tentang bagaimana mengimplementasikan solusi-solusi ini serta hal-hal seperti proses yang mereka butuhkan, struktur yang mereka butuhkan. Itu adalah bagian besar dari peran. Secara internal, memimpin keterlibatan dan memimpin tim proyek, membantu mendapatkan prioritas yang tepat untuk tim proyek dan memandu pekerjaan serta sinkronisasi tim yang berbeda yang bekerja pada proyek-proyek ini.

Dalam sebuah wawancara baru-baru ini dengan Calgary Herald, Anda berbicara tentang bagaimana ada adopsi AI yang cukup besar di Alberta. Di industri mana Anda melihat hal ini paling banyak?

Saya telah melihat adopsi di berbagai industri yang berbeda di Alberta. Tentu saja, energi memiliki banyak, jadi saya telah melihat kasus penggunaan di mana organisasi menggunakan kecerdasan buatan untuk membantu mengoptimalkan inspeksi perawatan dan keamanan di pipa, di mana harus atau bisa digali? Karena galian sangat mahal untuk dilakukan jika ada kebocoran yang dicurigai. Saya juga telah melihat banyak dalam rantai pasokan. Ketika organisasi besar melakukan merger dan akuisisi, data mereka semua berantakan. Terkadang, mereka benar-benar kesulitan menemukan item dalam master material mereka, jadi dapat menggunakan model bahasa yang kita lihat muncul sekarang untuk mengatur data, membangunnya dengan cara yang dapat dianalisis. Kami telah melihat pekerjaan signifikan dalam konsolidasi kontrak pasokan dengan hanya dapat mencari dan menanyakan informasi dengan lebih baik. Itu dapat melintasi beberapa industri, tidak hanya di energi tetapi saya melihatnya diterapkan di sana.

Keamanan adalah yang besar, jadi menggunakan pemrosesan gambar atau bahkan model bahasa untuk menemukan jenis briefing keamanan atau inspeksi keamanan yang paling relevan yang harus terjadi di situs tertentu. Dalam layanan keuangan, banyak pekerjaan pada pengalaman pelanggan perbankan yang dipersonalisasi, memberikan saran terbaik dan menemukan solusi yang disesuaikan untuk orang-orang yang berada dalam skenario keuangan yang berbeda adalah fokus yang sangat penting dan kami telah melihat banyak pekerjaan di sana. Dan kemudian asuransi. Seperti yang saya sebutkan sebelumnya, banyak dari ini adalah triase dan pemrosesan klaim. Satu lagi yang saya sarankan juga adalah kehutanan dan pengelolaan lahan alami, melihat sedikit peningkatan dalam menggunakan citra satelit untuk mendeteksi perubahan lahan, dapat mengelola perjanjian lahan dan menggunakan teknik pemrosesan gambar untuk dapat mengidentifikasi hal-hal yang seharusnya atau tidak seharusnya ada, atau hal-hal yang telah berubah seiring waktu.

Itu benar-benar menyenangkan dan kami melihat organisasi yang berbeda berada pada tahap kematangan yang berbeda. Beberapa baru saja memulai atau bereksperimen, yang lain lebih jauh dan sepenuhnya mengadopsi, tetapi sebagian besar organisasi mengakui bahwa jika mereka tidak memulai atau jika mereka tidak bergerak maju dalam hal ini, mereka akan ketinggalan dan itu akan menciptakan kerugian kompetitif yang signifikan bagi mereka, jadi minatnya sangat tinggi di seluruh papan. Tentu saja, dengan kemampuan AI generatif, itu menghasilkan banyak minat juga.

Berbicara tentang AI generatif, bagaimana Anda melihat teknologi ini mengubah masa depan?

Saya sangat bersemangat untuk itu. Saya melihat potensi. Saya juga pikir itu penting untuk memiliki kontrol yang tepat di tempat untuk AI generatif, saya benar-benar pikir ada banyak kasus penggunaan di mana ini bisa diterapkan untuk membuat keuntungan produktivitas atau efisiensi besar untuk bisnis. Beberapa dari itu seperti dalam kasus yang saya sebutkan sebelumnya dengan rantai pasokan, itu menggunakan beberapa teknik bahkan sebelum ChatGPT diumumkan secara publik. Sejauh saya melihat ke mana ini akan pergi, salah satu tren keren lainnya yang saya lihat adalah lebih dan lebih teknologi ini dibangun ke dalam aplikasi bisnis mainstream saat ini. Microsoft (MSFT ) telah mengumumkan alat Copilot yang akan diintegrasikan dengan aplikasi Microsoft Office Anda, saya melihat di beberapa materi mereka hal-hal seperti menulis catatan briefing dan hanya mempromosikan pengolah kata dengan, “Bisakah Anda membuat paragraf ini lebih singkat?” Dan itu hanya melakukannya untuk Anda.

Ketika teknologi AI generatif ini dibangun langsung ke dalam aplikasi bisnis mainstream, itu akan memaksa bisnis untuk memikirkan bagaimana dan kapan mereka mengadopsinya, bagaimana mereka mengontrolnya, bagaimana mereka dapat memantau jaminan kualitas produk yang mereka hasilkan. Ketika itu adalah kemampuan yang berdiri sendiri terpisah, itu sedikit lebih mudah untuk memperlambat atau mengabaikannya, tetapi melihat ini dibangun ke dalam aplikasi bisnis mainstream dan platform benar-benar akan mendorong diskusi itu ke depan.

Saya juga berharap bahwa dengan ini dan penekanan saat ini pada penggunaan AI yang bertanggung jawab, bahwa itu akan membantu organisasi menempatkan penekanan pada AI yang bertanggung jawab, membangun proses yang tepat, tata kelola yang tepat untuk memastikan bahwa solusi AI mereka dibangun secara efektif, risiko dikelola sepanjang seluruh siklus hidup, bahwa ada pemeriksaan lanjutan dan Anda tahu, dapat dipercaya keluarannya. Saya berharap bahwa hype ini sekarang tentang AI generatif benar-benar akan mendorong diskusi itu ke depan dengan kemampuan-kemampuan itu.

Bisakah Anda membahas bagaimana AI yang bertanggung jawab dan mengurangi bias AI benar-benar penting bagi Anda?

Tentu. Saya pikir itu harus untuk beberapa alasan. Sebagian besar orang yang membangun sistem ini akan memiliki kebanggaan dalam pekerjaan yang mereka lakukan dan mereka tidak ingin sistem mereka memiliki itu, jadi akan ada kebutuhan internal untuk memiliki ini untuk menjaga tenaga kerja mereka terlibat dan bahagia dan dilindungi. Secara hukum, ada contoh di luar sana di mana organisasi telah menghadapi tantangan hukum atau tantangan regulasi untuk bias dalam AI mereka. Ada studi kasus klasik tentang organisasi yang menggunakan AI dalam perekrutan. Set data itu sangat berat sebelah kepada pria daripada wanita sehingga AI mereka didiskriminasikan terhadap wanita.

Itu adalah alat AI oleh Amazon.

Hal-hal seperti itu sudah terjadi dan memiliki potensi untuk terus terjadi jika Anda tidak memiliki kontrol yang tepat di tempat, memiliki fokus nyata pada ini akan sangat kritis bagi sebagian besar organisasi. Dan kemudian risiko reputasi bagi organisasi. Jika Anda salah, itu bisa memiliki dampak besar pada bisnis Anda.

Anda juga adalah seorang penggemar besar dalam memanfaatkan keanekaragaman dan pengalaman tim lintas fungsional. Mengapa keanekaragaman sangat penting menurut Anda?

Saat ini, jenis masalah yang diselesaikan dengan AI sangat kompleks, dari perspektif bisnis, dari data yang mendasarinya, tidak ada satu orang atau satu peran yang dapat menyelesaikan semua masalah ini sendiri. Memiliki tim lintas fungsional yang baik dengan perspektif dan keterampilan yang berbeda sangat penting, untuk dapat memiliki orang yang kuat dalam satu area benar-benar memanfaatkan kekuatan mereka. Sejauh keanekaragaman datang, driver besar lainnya dari memiliki tim yang beragam adalah bahwa dalam sebagian besar kasus, pengguna akhir dari sistem ini akan menjadi kelompok orang yang beragam, dan tidak memiliki perspektif tersebut dibawa ke dalam tim Anda saat membangunnya benar-benar menempatkan Anda untuk membuat kesalahan di jalur atau melewatkan hal-hal, Hal-hal yang saya mungkin tidak pikirkan bahwa orang lain mungkin dan mereka membawa perspektif itu ke depan. Itu lebih mudah untuk memecahkan masalah dan menyesuaikan untuk itu dalam siklus pengembangan daripada setelah rilis.

Saya juga hanya percaya kuat bahwa memiliki perspektif yang berbeda adalah di mana Anda mendapatkan dialog terbaik, Anda mendapatkan pertanyaan yang sangat baik yang datang dari orang-orang yang melihat sesuatu dari lensa yang berbeda. Itu memaksa percakapan tentang bagaimana mendekati sesuatu. Itu membuat Anda membalik beberapa batu yang mungkin tidak Anda balik jika orang itu tidak ada, memiliki kelompok orang yang beragam yang melihat masalah benar-benar memungkinkan Anda untuk mendapatkan hasil terbaik dan solusi terbaik.

Apa yang Anda pikir akan menjadi terobosan besar berikutnya dalam AI?

Dalam lensa AI generatif, saya pikir ketika kita akan melihat lebih banyak teknologi ini dibangun ke dalam aplikasi mainstream, dan itu sudah dimulai, Itu akan sangat besar untuk adopsi teknologi karena itu akan ada di sistem yang orang sudah gunakan. Itu akan sangat, sangat penting, dan itu mungkin akan membuka pintu untuk beberapa kasus penggunaan lainnya karena orang menjadi lebih familiar dengan apa yang bisa dilakukan, apa batasannya, bagaimana menggunakannya secara optimal, dan itu mungkin akan memicu pemikiran orang, dan, oke, sekarang saya memiliki gambaran yang lebih baik tentang jenis masalah yang akan diselesaikan, kita memiliki masalah ini. Ini akan sangat keren untuk diselesaikan dan mungkin akan membuka beberapa pintu baru.

Saya juga berharap bahwa kebijakan regulasi adalah terobosan yang akan datang di masa depan juga. Saya tahu bahwa ada banyak gerakan di tingkat pembuatan hukum dan regulasi, tetapi apa yang saya harapkan adalah bahwa bisnis individual juga menemukan untuk diri mereka sendiri atau mendapatkan saran tentang bagaimana mereka perlu memikirkan tentang hal itu dan apa yang beberapa kontrol internal yang mereka harus tempatkan. Hukum dan regulasi membutuhkan waktu lama. Bisnis dapat mengemudi banyak perubahan dengan mengadopsi beberapa kontrol itu secara internal dan memikirkan tentang apa itu, bagaimana kita mengontrolnya, bagaimana kita memastikan bahwa kita mengurangi halusinasi? Apa beberapa langkah tambahan setelah model telah menghasilkan outputnya yang kita dapat ambil untuk meminimalkan potensi kerugian atau risiko? Itu adalah pertanyaan yang tepat dan saya berharap beberapa hype sekarang adalah terobosan tentang bagaimana kita memikirkan tentang ini dan bagaimana kita membangun struktur, proses, dan tim yang tepat di sisi AI yang bertanggung jawab.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut harus mengunjungi KPMG.