Dr. Rich Sonnenblick, Chief Data Scientist, Planview – Intervju-serie

Dr. Rich Sonnenblick, Planviews sjef for datavitenskap, har mange års erfaring med å arbeide med noen av de største legemiddel- og bioteknologiselskapene i verden. Gjennom denne dyptgående studien og anvendelsen, har han utarbeidet innholdsrike prioriterings- og porteføljegjennomgangsprosesser, poengsystemer og finansielle vurderings- og prognosemetoder for å forbedre både produktprognoser og porteføljeanalyse. Dr. Sonnenblick har en Ph.D. og MS fra Carnegie Mellon University i ingeniørvitenskap og offentlig politikk og en BA i fysikk fra University of California, Santa Cruz.

Planviews plattform for sammenkoblet arbeid er designet for å forbedre tid til marked og forutsigbarhet, forbedre effisiens for å maksimere kapasitet, og støtte leveringen av strategiske initiativer rettet mot å oppnå optimale forretningsresultater.

Du har hatt en omfattende karriere med overgang fra ledelseskonsulting til å lede datavitenskapsinitiativer. Hva inspirerte deg til å gjøre denne endringen, og hvordan har din reise formet din tilnærming til å bruke AI i forretning i dag?

Ledelseskonsulting ga meg en bred oversikt over forretningsineffisienser og uutnyttede muligheter, der det er et tydelig gap mellom strategisk rådgivning og handlingable insikt. Datavitenskap broer dette gapet, og omgjør rå data til strategiske aktiva som har kraften til å informere beslutningstaking i sanntid. Min reise har lært meg å se på AI som en forbedrer som kan finpusse prosesser, akselerere beslutningstaking og låse opp kreativitet på måter som forsterker menneskelig ekspertise.

Hos Planview, har du ledet integreringen av avanserte AI-løsninger over ulike forretningsfunksjoner. Kan du dele hvordan din rolle som sjef for datavitenskap har påvirket selskapets AI-strategi og de største utfordringene du har møtt på veien?

Hos Planview, er AI integrert i vår plattform som et verktøy for å låse opp insikt og forbedre beslutningstaking. Jeg har fokusert på å bruke AI til å optimalisere ressursforvaltning, prosjektplanlegging og operasjonell effisiens. Vår Copilot AI-assistent tilbyr på jobben-trening for brukere på alle ferdighetsnivå, automatiserer hyppige og tidskrevende oppgaver som rapportgenerering, og utnytter beste praksis for å foreslå produktive handlingsplaner, og gir teamene mulighet til å fattige informerte beslutninger raskt.

Hvordan kan AI hjelpe selskaper med å identifisere ineffisienser innen team og forbedre ressursallokering?

AI utmerker seg ved å identifisere mønster i data som er for komplekse til å bli raskt gjenkjent av mennesker. Den kan høydeppe underutnyttede ressurser, identifisere flaskenakker og forutsi arbeidsbelastningsubalanser. For eksempel, ved å analysere porteføljemål, prosjekt-tidsplaner og team-ytelsesmetrikker, kan AI foreslå å reassignere oppgaver eller omfordele ressurser over porteføljer for å skape maksimalt innvirkning uten å legge til ekstra ressurser.

Hva er noen vanlige ineffisienser i ressursforvaltning som AI er spesielt effektivt til å håndtere?

AI er spesielt dyktig til å høydeppe av-strategi og lavt-performende initiativer, og vi har bygget disse kritiske ferdighetene inn i Planview Copilot. Ettersom Copilot utvikler seg, blir den bedre til å høydeppe og foreslå mottiltak. Den kan også flagge avfall i prosesser, som redundante oppgaver eller eksessive overleveringer, og foreslå optimaliseringer.

Hvorfor er avfall en betydelig utfordring for programvareutviklingsteam, og på hvilke måter kan AI redusere det?

Avfall i programvareutvikling stammer ofte fra ineffisienser som dårlig prioritering, overdrivende feilsøking eller misjusterte teaminsats. AI kan redusere avfall ved å fungere som en kodeassistent, automatisere repetitive oppgaver og tilby prediktive insikt i prosjekt-tidsplaner og potensielle risikoer. For eksempel, kan den analysere tidligere prosjekter for å identifisere mønster som fører til forsinkelser, og hjelpe teamene til å unngå disse fallgruvene.

Er det spesifikke AI-modeller eller verktøy som er spesielt godt egnet til å optimalisere programvareutviklingslivssyklusen?

For å optimalisere programvareutviklingslivssyklusen, ser vi etter forbedret effisiens og justering. Planview Copilot i Viz identifiserer flaskenakker og hinder for flyt-hastighet, og gir handlingable insikt tilpasset en organisasjons data. Team kan bruke vanlig språk til å tolke flyt-metrikker, identifisere systemiske leveringsforsinkelser og motta detaljerte anbefalinger. Denne optimaliseringen er nøkkel til å øke produktivitet, og til slutt strømlinjelevering.

Hvordan skaper underliggende datarelasjoner ekstra verdi når du deployer AI som en arbeidsassistent?

Ved å kartlegge relasjoner mellom datapunkter – enten i prosjekt-tidsplaner, ressursutnyttelse eller teamkommunikasjon – kan AI fremheve insikt som går ut over det åpenbare. For eksempel, ved å koble sammenholdstrender i statusoppdateringer til prosjektresultater, kan ledere forutse hindringer før teamet presenterer dem for ledelsen, og gi dem nok tid til å gjøre proaktive justeringer.

Hva skal mindre organisasjoner gjøre for å adoptere AI på en rimelig måte uten å kompromittere med innvirkning?

Mindre organisasjoner bør starte med tilgjengelige generative AI-verktøy som fungerer som innganger til mer avanserte løsninger. Verktøy som summerer dokumenter, assisterer med markedsføringsinnhold eller assisterer med kodegenerering, er kostnadseffektive måter for disse organisasjonene til å starte sin AI-adopteringsprosess uten omfattende investering. Starte med et horisontalt AI-tilbud som er anvendelig på en rekke brukstilfeller, vil være en bedre verdi enn å investere i spesialiserte applikasjoner som bøyer generativ AI til svært spesifikke jobber-å-gjøres. Dette gjør at organisasjonen kan identifisere høyest-impakt-brukstilfeller spesifikke for deres organisasjon, i stedet for å overinvestere i flere tilbud.

Hva rolle spiller prediktiv analyse i å forbedre prosjektresultater?

Prediktiv analyse hjelper team til å forutse potensielle hindringer og resultater basert på historiske data og nåværende trender. AI-agenter kan forutsi sannsynligheten for prosjektforsinkelser eller ressursmangler, og gi produktlederne mulighet til å justere planene proaktivt. Denne forutsigbarheten minimerer risiko og maksimerer effisiens, og gjør at organisasjonene kan nå sine strategiske mål raskere.

Ser fremover, hvordan forestiller du deg at AI vil transformere forretningsoperasjoner over de neste ti årene, og hvilke fremvoksende AI-trender er du mest begeistret for deres potensielle innvirkning på industrier?

AI vil fortsette å transformere forretningsoperasjoner i de kommende ti årene. Den vil fremme nye roller, forbedre prediktive evner og strømlinjeinnovasjon.

LLM-native utviklere, eksperter i å integrere AI-samarbeid, vil bli normen og vil erstatte utviklere som ikke adopterer AI i sin dag-til-dag-tasks. Generativ AI vil fortsette å utviske grensene med prediktiv AI, og berike algoritmer med syntetiske scenarier for strategisk beslutningstaking basert på eksterne og interne faktorer. I bioteknologi vil genAI skape intrikate pasientprofiler for å avdekke nye behandlinger, mens i cybersikkerhet vil AI simulere nye trusler for prediktive modeller til å motvirke. Fremvoksende trender som adaptiv inferens og mindre, mer effektive AI-modeller, vil håndtere beregningsutfordringer i de kommende årene. De vil sikre raskere, mer målrettede løsninger.

Fra strategisk planlegging til proaktiv sikkerhet, vil AI-integrasjonen gi bedrifter mulighet til å justere med smidighet, å avdekke resilient strategi og operasjonell eksellens i en stadig mer dynamisk verden.

Takk for det flotte intervjuet, lesere som ønsker å lære mer, bør besøke Planview.