Adam Asquini, direktør for informasjonsforvaltning og dataanalyse hos KPMG – Intervju-serie

Adam Asquini er direktør for informasjonsforvaltning og dataanalyse hos KPMG i Edmonton. Han er ansvarlig for å lede data- og avanserte analytiske prosjekter for KPMG-kunder i prærien. Adam er lidenskapelig opptatt av å bygge og utvikle høytytende lag for å levere de beste mulige resultater for kunder og å muliggjøre en engasjerende arbeidserfaring for sine lag. Han har tidligere arbeidet hos AltaML som visepresident for kundeløsninger, den albertiske regjeringen som programleder og i den canadiske hæren som signaloffiser. Etter å ha fulgt en ikke-tradisjonell karrierevei inn i AI, er Adam en stor tilhenger av å utnytte mangfold og erfaring fra tverrfaglige lag og tror også at alle kan bli en del av den voksende AI-samfunnet.

Vi satte oss ned for intervjuet med Adam under den årlige 2023 Upper Bound-konferansen om AI som holdes i Edmonton, AB og vertskapet av Amii (Alberta Machine Intelligence Institute).

Du har en ikke-tradisjonell karrierevei, kan du diskutere hvordan du kom inn i AI?

Jeg startet min karriere i den canadiske hæren som signaloffiser, signaloffiserer er ansvarlige for IT-telekommunikasjonssystemer som hjelper mennesker å kommunisere. Så virkelig, mye radio og satellitter. Det var litt data der, men det var mye av de grunnleggende infrastrukturteknologiene som vi var ansvarlige for, som først startet meg inn i teknologi. Jeg hadde studert kjemisk ingeniør i universitetet av alle ting, rett fra starten drevet av min egen nysgjerrighet og lyst til å lære. Det startet der og dykket inn i teknologi, oppgradering og selvutvikling var virkelig viktig for meg.

Etter 14 år i hæren og gjort en rekke forskjellige signaljobber, alt fra å arbeide på en base og støtte IT- og telekommunikasjonstjenester ute på feltet, opprette hovedkvarter og kommunisere med frontlinjeenheter, støtte innenlandske operasjoner som skogbranner og flom, gikk jeg over til den albertiske provinsregjeringen. Jeg var i programledelse og så på noen tverrregjerings teknologiinitiativer. På den tiden sentraliserte regjeringen IT, vi arbeidet med forskjellige regjeringsministerier for å bringe deres tjenester sammen og konsolidere ting, jeg gjorde mye arbeid der, samt i investeringsforvaltning. Og virkelig, i å gjøre det arbeidet, startet jeg å se noen av organisasjonene utnytte data og analyser.

Det virket virkelig på min nysgjerrighet og alltid å være sulten på å lære, jeg startet faktisk å engasjere meg i noen prosjekter der eller bare gjøre selvstudie, ting som Coursera eller andre treningsverktøy for å lære litt mer. Jeg gjorde mye lesing, forskning på noen av leverandørene og plattformene som tilbød disse verktøyene. Jeg ble virkelig interessert i data og analyser og gjennom min egen naturlige nysgjerrighet og lyst til å lære mer, startet å bli mer og mer involvert i dette over tid.

Utenom Coursera, er det spesifikke podcaster eller bøker som du ville anbefale?

Jeg følger mange forskjellige følgere på LinkedIn, men noen som kommer til mente er Emerj. Dan Faggella er personen bak det. Han bringer mye tankeledelse til det. Jeg følger også noen av de mest vanlige som HBR og Forbes. En kontakt av mine heter Andreas Welch som arbeider i SAP, han utgir mye innhold rundt AI og AI-adopteringsprosesser, så jeg har fulgt ham. Jeg tror som podcaster, det har vært noen jeg har lyttet til og så bøker også. En virkelig god bok jeg nylig har lest, heter Infonomics av Doug Laney. Han er tidligere Gartner og MIT, og det er en virkelig god bok for å forklare en monetiseringsramme for data. Jeg prøver bare å dykke inn i så mange ting som mulig, pluss koblet til prosjektarbeid for å lære mer.

Hvordan har din militære erfaring fordelt deg i din nåværende rolle?

På flere måter. Jeg tror noen av de flotte kjerneferdighetene jeg lærte gjennom min militære karriere, en meget strukturert tilnærming til planlegging, som er virkelig bra. Tidsstyring og prioritering. I en militær miljø, tvinger det deg til å lære hva som er det viktigste og å arbeide i en bestemt takt, vurdere kompromisser og forstå hvordan du best kan komme frem til en handlingsplan som er gjennomførbar og som vil få deg til å gå fremover. Jeg finner i en raskt utviklende teknologilandskap som AI hvor ting bare beveger seg så raskt, å kunne prosessere mye informasjon og ha en strukturert tilnærming for å forstå hva som er viktig, hva som ikke er viktig, hvor du vil fokusere har vært en god ferdighet.

Den andre store er rundt ledelse og samarbeid. Du arbeider med en stor organisasjon. Ute på feltet, lag blir organisert og reorganisert hele tiden for å få det beste laget sammen for å fullføre en misjon, å ha virkelig sterke mellompersonlige ferdigheter, ledelsesferdigheter, kommunikasjonsferdigheter er alle ferdigheter som virkelig blir fremhevet i treningen i hæren, jeg tror de har virkelig utnyttet noen av disse også.

Du var visepresident for kundeløsninger hos AltaML i over to år, hva er AltaML og hva var noen interessante prosjekter du arbeidet på?

AltaML er et applied artificial intelligence machine learning-selskap. Det er basert i Alberta, hovedkontoret er i Edmonton, et stort kontor i Calgary og også ett i Toronto. Hva de gjør, er de arbeider med andre bedrifter for å utvikle programvareløsninger og produkter som har AI i kjernen, det er en forretnings-til-forretnings-tilnærming. Delen av organisasjonen jeg arbeidet i, var tjenestesiden, vi arbeidet med olje- og gasselskaper, finansielle institusjoner. Vi arbeidet over mange forskjellige bransjer. Jeg arbeidet med dem for å definere forretningsproblemer som var relevante og kunne ha en innvirkning å løse med AI, og så arbeidet dem gjennom prosessen med å bringe deres data sammen, bygge AI-modeller, deployere dem og arbeide gjennom endringsledelsesiden også, så de kunne bli operasjonelle og brukes, virkelig hjelpe disse organisasjonene løse problemer gjennom å bygge applied AI-løsninger.

Rollen var visepresident for kundeløsninger. Da jeg startet, var jeg i en prosjektlederrolle og ledet noen AI-engasjementer, jeg flyttet så oppover i tid og visepresidentrollen for kundeløsninger var ansvarlig for leveringsfunksjonen, ressursforvaltning for prosjekter og aktiv kundehåndtering, mye av den kundeorienterte delen av dette arbeidet falt inn under mitt lag.

Så langt prosjekter er bekymret, var det mange, jeg ville si på en måte, enten som en hånd-til-hånd-prosjektleder, en coach eller en kvalitetsikringsressurs, dusinvis av AI-prosjekter som jeg ville ha arbeidet på over de to og en halv årene, ett av mine favorittprosjekter var et skogbrannprosjekt. Jeg arbeidet med guvernøren i Alberta. De hadde problemer på dager hvor det var en moderat brannrisiko, å forstå om en brann sannsynligvis ville oppstå i et bestemt område. Når de var usikre, var deres planleggingspraksis å planlegge alle ressurser de hadde tilgjengelig, og det ville inkludere å inngå kontrakter med ekstra ressurser, tungt utstyr som bulldosere eller fly og helikoptre, som selvfølgelig er dyrt.

Formålet med AI-prosjektet var å forutsi for et gitt område hva sannsynligheten for en brann ville være for det området for den neste dagen, for å hjelpe dem med å ta beslutninger om den optimale ressursallokeringen for en prosess de kalte forhåndssuppressjon, som virkelig er den proaktive planleggingen og allokeringen av ressurser.

Det var virkelig kult å se at i visse scenarioer, kunne man trekke ned ressurser eller bare redusere nivået eller fokusere dem på bestemte tider av dagen. Det ville spare mye penger, men ikke introdusere mye materiel risiko for å gå glipp av en brann, millioner av dollars i sparingpotensiale. Det arbeidet har fortsatt også i dag. De ser nå på å utvide tidsvinduet litt og gjøre sonene mindre og mer detaljerte for å bedre optimalisere ressurser eller å reallokere ressurser til riktige steder er virkelig innvirkende arbeid, det var virkelig gøy.

Jeg gjorde også litt arbeid med kravbehandling også. Som en forsikringsleverandør ville få tusenvis av krav som kom inn, hvilke kunne automatisk godkjennes, hvilke ville kreve en menneskelig gjennomgang, eller hvilket lag et krav skulle bli sendt til for å få riktig nivå av gjennomgang. Den type arbeid er også virkelig viktig og kan spare organisasjoner mye innsats og mye penger i hvordan de driver sin forretning,

Du er nå direktør for informasjonsforvaltning og dataanalyse hos KPMG. Hva innebærer denne rollen eksakt?

Jeg arbeider med bedrifter for å guide dem gjennom reisen med å løse disse problemene gjennom, i dette tilfelle, en bredere sett av data- og analytiske kapasiteter. Vi arbeider med alt fra datastrategi oppover og hjelper organisasjoner å organisere data fra forskjellige systemer, bringe det sammen, rapportering og analyser samt AI og ML. Det er litt en bredere rolle enn min tidligere, men det er også virkelig spennende for meg. Det driver min lidenskap for å lære og selvutvikle.

Som direktør, arbeider jeg vanligvis med seniorledere på kundesiden for å hjelpe dem å forstå hva det kommer til å ta, hva disse prosjektene ligner, hvordan de kan forberede seg. En stor fokus på adopsjon også, spesielt med de avanserte analytiske systemene som er nye og som noen ganger kommer med en negativ konnotasjon fra en arbeidsstyrke, så virkelig arbeide med dem på hvordan de best kan implementere disse løsningene samt ting som prosessene de kommer til å trenge, strukturene de kommer til å trenge. Det er en stor del av rollen. Internally, leder jeg engasjementet og prosjektteamene, hjelper med å få riktig prioritering for prosjektteamet og guide arbeidet samt synkronisering av forskjellige lag som arbeider på disse prosjektene.

I et nylig intervju med Calgary Herald, snakket du om hvordan det har vært en del AI-adopteringsprosesser i Alberta. I hvilke bransjer ser du dette mest?

Jeg har sett adopsjon over mange forskjellige bransjer i Alberta. Selvfølgelig har energi mye av det, så jeg har sett brukstilfeller hvor organisasjoner bruker kunstig intelligens for å hjelpe med å optimalisere vedlikehold og sikkerhetsinspeksjoner i rørledninger, hvor bør eller kan gravinger skje? Fordi gravinger er meget dyre å gjøre hvis det er en mistanke om en lekkasje. Jeg har også sett mye i leverandørkjeden. Når store organisasjoner gjør fusjoner og oppkjøp, er deres data overalt. Noen ganger har de virkelig problemer med å finne elementer i deres materiale, så å kunne bruke disse språkmodellene som vi ser nå, for å organisere data, strukturere den på en måte som kan analyseres. Vi har sett betydelig arbeid i konsolidasjon av leverandørkontrakter ved å bare kunne bedre søke og spørre og finne informasjon. Den ene kan spenne over flere bransjer, ikke bare i energi, men jeg ser det også i andre.

Sikkerhet er en stor en. Bruke enten bildebehandling eller selv språkmodellene for å finne den mest relevante type sikkerhetsoppsummering eller sikkerhetsinspeksjon som bør skje på en bestemt lokasjon. I finansielle tjenester, mye arbeid på å personliggjøre erfaringen for en bankkunde, gi den beste mulige rådgivningen og finne tilpassede løsninger for mennesker som er i forskjellige finansielle situasjoner er en veldig viktig fokus og vi har sett mye arbeid der. Og så forsikring. Som jeg nevnte tidligere, mye av denne triasjen og kravbehandlingen. En til jeg ville foreslå også er skogbruk og naturressursforvaltning, ser en del oppsving i å bruke satellittbilder for å detektere endringer i land, å forvalte avtaler om land og å bruke disse bildebehandlings-teknikkene for å identifisere ting som bør eller ikke bør være der, eller ting som har endret seg over tid.

Det er virkelig spennende og vi ser at forskjellige organisasjoner er på forskjellige stadier av deres modenhetsnivå. Noen er bare begynt eller eksperimenterer, andre er lengre fremme og fullt adoptert, men de fleste organisasjonene anerkjenner at hvis de ikke starter eller hvis de ikke beveger seg fremover på dette, vil de bli latt tilbake og det vil skape en stor konkurranse-ulempe for dem, så interessen er virkelig høy over hele linjen. Og med generative AI-kapasiteter genererer det mye interesse også.

Snakker om generativ AI, hvordan ser du på denne teknologiens fremtid?

Jeg er meget spennende for det. Jeg ser potensialet. Jeg tror også det er viktig å ha riktige kontroller på plass for generativ AI, jeg tror virkelig det er mange brukstilfeller der denne kan bli brukt for å gjøre store produktivitetsgevinster eller effisiensgevinster for bedrifter. Noen av det, som i brukstilfellet jeg nevnte med leverandørkjeden, det var å utnytte noen av disse teknikkene før ChatGPT ble offentliggjort. Så langt jeg ser det, en av de andre cool trendene jeg ser, er at mer og mer av denne teknologien blir integrert i mainstream forretningsapplikasjoner nå. Microsoft (MSFT ) har annonsert sin Copilot-verktøy som skal integreres med dine Microsoft Office-applikasjoner, jeg så i noen av deres materiale ting som å skrive en oppsummering og bare promotere ordbehandleren med “Kan du gjøre denne paragrafen kortere?” Og det gjør det bare for deg.

Når disse generative AI-teknologiene blir integrert rett inn i mainstream forretningsapplikasjoner, vil det tvinge bedrifter til å tenke på hvordan og når de adopterer dem, hvordan de kontrollerer dem, hvordan de kan overvåke kvalitetssikring på produktene de produserer. Når det er en hel selvstendig separat kapasitet, er det litt enklere å spille det sakte eller ignorere det, men å se denne teknologien bli integrert i mainstream forretningsapplikasjoner og plattformer, vil virkelig drive denne diskusjonen fremover.

Jeg er også håpefull at med dette og fokuset nå på ansvarlig bruk av denne teknologien, at det hjelper organisasjoner å legge vekt på ansvarlig AI, å sette riktige prosesser, riktige styring på plass for å sikre at deres AI-løsninger blir bygget effektivt, risikoen blir håndtert gjennom hele livssyklusen, at det er oppfølgingskontroller og at du kan stole på utgangene av dem. Jeg er håpefull at denne hypen nå på generativ AI faktisk driver denne diskusjonen med disse kapasitetene fremover.

Kan du diskutere hvordan ansvarlig AI og reduksjon av AI-forvrengning er virkelig viktig for deg.

Absolutt. Jeg tror det må være for en rekke grunner. De fleste menneskene som bygger disse systemene, vil ha stolthet i arbeidet de gjør og de vil ikke at systemene deres skal ha det, så det vil være en intern behov for å ha dette for å holde arbeidsstyrken engasjert og glad og beskyttet. Juridisk, det er eksempler der ute hvor organisasjoner har møtt juridiske eller regulatoriske utfordringer for forvrengningen i deres AI. Det er en klassisk casestudie av en organisasjon som brukte AI i rekruttering. Datamengden var overveiende forvrengt mot menn over kvinner, så deres AI diskriminerte mot kvinner.

Det var et AI-verktøy av Amazon.

Ting som det har allerede skjedd og har potensialet til å fortsette å skje hvis du ikke har riktige kontroller på plass, å ha en virkelig fokus på dette, vil være kritisk for de fleste organisasjoner. Og så reputasjonsrisikoen for organisasjoner. Hvis du får det galt, kan det ha en enorm innvirkning på din forretning.

Du er også en stor tilhenger av å utnytte mangfold og erfaring fra tverrfaglige lag. Hvorfor er mangfold så viktig i din mening?

Right now, de typene problemer som løses med AI, er så komplekse, fra et forretningsperspektiv, fra dataene som ligger under, ingen enkelt person eller enkelt rolle kan løse alle disse problemene alene. Å ha et godt tverrfaglig lag med forskjellige perspektiver og ferdigheter er virkelig viktig, for å kunne ha mennesker som er sterke i ett område, å utnytte deres styrke. Så langt mangfoldet kommer inn, en annen stor driver av å ha et diversifisert lag, er at i de fleste tilfeller, slutbrukeren av disse systemene, vil være en diversifisert gruppe mennesker, og å ikke ha disse perspektivene med i laget ditt når du bygger dem, setter deg opp for å gjøre feil nedover veien eller å gå glipp av ting, Ting som jeg kanskje ikke tenker på, som noen andre kan, og de bringer det perspektivet frem. Det er lettere å løse problemer og justere for det i utviklingscyklen enn det er etter en utgivelse.

Jeg tror også sterkt på at å ha et annet perspektiv, er der du får den beste dialogen, du får virkelig gode spørsmål som kommer fra mennesker som ser på noe fra en annen vinkel. Det tvinger samtalen om hvordan du best kan nærme deg noe. Det får deg til å snu på noen av de steinene du kanskje ikke ville ha snudd på hvis den personen ikke var der, å ha et diversifisert lag av mennesker som ser på et problem, muliggjør deg å få det beste mulige resultat og den beste mulige løsning.

Hva tror du vil være den neste store gjennombruddet i AI?

I den generative AI-linsen, tror jeg at når vi ser mer av denne teknologien bli integrert i mainstream-applikasjoner, og det skjer allerede, det vil være enormt for adopsjonen av teknologien fordi det vil være rett der på systemene folk allerede bruker. Det vil være virkelig, virkelig viktig, og det kan åpne døren til noen av de andre brukstilfellene når folk blir mer kjent med hva det kan gjøre, hva begrensningene er, hvordan det kan optimalt brukes, og det kan bare utløse folks tenkning og “ok, nå har jeg en bedre forståelse av hvilke problemer dette vil løse. Vi har dette problemet. Dette ville være kjempefint å løse”, og det kan åpne opp noen nye dører.

Jeg er også håpefull at den regulære politikk-gjennombruddet kommer i nær fremtid også. Jeg vet at det er mye bevegelse på lovgivningsnivå og regulatorisk nivå, men hva jeg er håpefull for, er at enkeltbedrifter også figurerer ut for seg selv eller får råd om hvordan de må tenke på det og hva er noen av de interne kontrollene de bør sette på plass nå.

Love og regler tar lang tid. Bedrifter kan drive mye forandring ved å ta på seg noen av disse kontrollene internt og tenke gjennom det. Det er et precedens for dette, åpenbart med revisjoner og ting som det, noe som KPMG er virkelig sterke i. Men å tenke på hva disse kontrollene kan være, hvordan vi kan kontrollere det, hvordan vi kan teste utgangene? Hvordan vi kan sikre at vi reduserer hallusinasjoner? Hva er noen av de ekstra stegene etter at modellen har produsert sin utgang som vi kan ta for å minimere noen potensiell skade eller risiko? Disse er de riktige typene spørsmål og jeg er håpefull at noen av hypen nå, igjen, er et gjennombrudd på hvordan vi tenker på dette og hvordan vi bygger de riktige strukturer, prosesser og lag på den ansvarlige AI-siden. Takk for det flotte intervjuet, lesere som ønsker å lære mer, bør besøke KPMG.