Shadi Rostami, SVP for ingeniørarbeid i Amplitude – Intervju-serie

Shadi er SVP for ingeniørarbeid i den digitale analyselederen Amplitude. Hun er en lidenskapelig, erfaren teknologileder og arkitekt med erfaring i å bygge og lede høyt kompetente ingeniørteam. Før Amplitude, var hun VP for ingeniørarbeid i Palo Alto Networks (PANW ). Hun har innovert og levert flere produktlinjer og tjenester som spesialiserer seg på distribuerte systemer, skytjenester, stor data, maskinlæring og sikkerhet.

Amplitude er bygget på moderne maskinlæring og generativ AI-teknologi som muliggjør at produktteam kan bygge smartere, lære raskere og skape de beste digitale erfaringer for sine kunder.

Hva var det som først tiltalte deg til datavitenskap og ingeniørarbeid?

Jeg vokste opp i Iran og fulgte opprinnelig en videregående skolevei som ville muliggjøre en karriere i medisin, som var den vei min far ville at jeg skulle følge og den min bror gjorde. Et år og ett halvt inn, bestemte jeg meg for at det ikke var veien for meg. Isteden fulgte jeg ingeniørarbeid og ble den første jenta i Iran som gikk til Informatic Olympiad (IOI) og vant bronsemedaljen, en årlig konkurranse for videregående skoleelever over hele verden som konkurrerer i matematikk, fysikk, informatikk og kjemi. Dette ledet meg til å følge ingeniørarbeid ved Sharif University of Technology i Iran og senere få min doktorgrad i datateknikk ved University of British Columbia i Canada. Etter det arbeidet jeg for startup-selskaper i noen år og tilbrakte så et tiår i Palo Alto Networks, hvor jeg til slutt ble VP med ansvar for utvikling, kvalitetssikring, DevOps og datavitenskap. For fem år siden flyttet jeg til Amplitude som SVP for ingeniørarbeid.

Kan du diskutere Amplitudes kjerneproduktfilosofi om at AI skal hjelpe mennesker med å forbedre sitt arbeid, ikke erstatte dem?

AI forvandler raskt nesten alle industrier, og med denne forvandlingen kommer spørsmål om hvordan selskaper vil bruke teknologien. Vi er sterkt overbevist om å gjøre AI riktig. Denne overbevisningen ledet oss til å utvikle vår kundesentriske AI-filosofi, som bygger på fem hovedprinsipper: (1) samarbeidende utvikling og tenkning, (2) datastyring og brukerdatavern, (3) gjennomsiktighet, (4) personvern, sikkerhet og retningslinjer, og (5) kundevalg og kontroll. Vi vet at disse prinsippene er nøkkel når selskaper fortsetter å adoptere og teste AI og til slutt blir sannt data-drevne. For våre formål betyr dette å bygge AI-verktøy som hjelper mennesker å komme til innsikt raskere. Når AI brukes riktig, leder disse innsiktene til raskere, bedre beslutninger som driver resultater. Å bruke AI som et verktøy for å komplementere menneskelig intelligens og kreativitet er der jeg ser AI har sin største innvirkning.

Kan du forklare konseptet “data-demokrati” i sammenheng med dagens AI-drevne forretningsmiljø?

“Data-demokrati drives av kunnskapen om at team fungerer bedre, raskere og mer effektivt når de kan få tilgang til riktige datainnsikt på riktig tid. I dagens raskt fremadskridende AI-drevne miljø, kan team ikke tillate å vente dager eller uker for datahenting. For å motvirke dette, må selskaper gi sine team mulighet til å utnytte data på en selvbetjent måte. Dette betyr ikke datakaos uten parametre. Til slutt, dårlig data leder til dårlig AI. Men med riktige verktøy og prosesser på plass, kan bedrifter balansere data-demokratisering med datastyring, og muliggjøre bedre forretningsresultater.”

Hva er de viktigste endringene i organisasjonskulturen som du mener er essensielle for å muliggjøre sannt data-demokrati i AI-alderen?

Å etablere sannt data-demokrati innenfor din organisasjon starter med to grunnleggende kulturendringer: å gi riktige, mest tilgjengelige verktøy og å gjennomføre organisasjonsomfattende innsats rundt datakompetanse. Dette betyr å adoptere selvbetjente verktøy som tillater ikke-tekniske teammedlemmer, som markedsførings- eller kundesuksess-team, å ikke bare få tilgang til data, men også analysere og ta handling på det. Jeg tror selvbetjent dataanalyse kan og bør drive samarbeid over team, inspirere nysgjerrighet og utforsking, skalerer datakompetanse og legger vekt på handling og innvirkning. Det er også viktig å bruke felles innsats mellom det sentrale datateamet og linje-forretnings-team for å gjennomføre kontinuerlig datastyring for å sikre at datakvaliteten ikke forringes over tid.

I din erfaring, hva er de største utfordringene organisasjoner møter i å oppnå data-demokratisering, og hvordan kan de overvinne disse hindringene?

I fortiden har selskaper prøvd å sentralisere data innenfor ett team av eksperter, og lått resten av organisasjonen være avhengig av dette teamet for å levere analyse og nøkkelinnsikt som kan være kritisk for deres dag-til-dag-operasjoner og beslutninger. Mens det å demokratisere data-tilgang er kritisk for å løse denne flaskenhalen, kan det også være utfordrende. Når jeg snakker med dataledere om å operasjonalisere selvbetjening, er det klart at det finnes et spekter. På den ene siden har du lavt oppsett-verktøy for ikke-tekniske og linje-forretnings-team. Til slutt, disse verktøyene gir ikke dybden og bredden av svar som disse teamene trenger. På den andre siden har du mer tekniske verktøy for mer tekniske team. De er mye mer fleksible i terms av analyse, men de er langsomme, og sannsynligvis kan bare noen få personer bruke dem. Vi omtaler disse verktøyene som å skape en “data-brødlinje” … du venter alltid på svar. Team trenger en løsning i midten. Tenk utenfor boksen-løsninger som oppmuntrer, ikke hemmer, utforsking og eksperimentering. Med riktige verktøy og team-utdanning, kan selskaper mer lett brokke data-demokratiseringsgapet.

Hvor kritisk er datakompetanse i prosessen med data-demokratisering, og hva skal selskaper gjøre for å forbedre den blant sine ansatte?

Å fremme en kultur av data-demokrati over team er en kulturell utfordring som krever utdanning og selskapsomfattende godkjenning. I mine erfaringer med å undervise data-prosesser til ikke-tekniske medlemmer, er den beste måten å utvikle disse ferdighetene gjennom en kombinasjon av utdanning og praktisk læring. Jeg anbefaler å utvikle et omfattende utdanningsprogram for å sikre at ansatte føler seg komfortable og trygge i innsiktene de trekker fra sine data. Sørg for at du bruker et verktøy som ikke forhindrer ikke-tekniske brukere: for eksempel, ethvert verktøy som krever kunnskap om SQL ville marginalisere folk uten programmeringskompetanse. Deretter gir du muligheter for ansatte å dykke inn og starte å leke med data. Til slutt, implementer et verktøy som fremmer utforsking og samarbeid. Jo mindre folk arbeider i siloer, jo mer kan de kaste ideer av og til hverandre, og føre til mer opplysende innsikt. Hvis du er en data-profesjonell som underviser en ikke-teknisk team-medlem, husk at du har brukt år på å lære hvordan du får og bruker data, så du tenker annerledes om det enn en vanlig bruker. Vær åpen for å undervise andre i stedet for å gjøre alt selv. Ellers vil du aldri ha noen fritid til å gjøre noe annet enn å svare på folks spørsmål.

Med den raske utviklingen av data-verktøy og generativ AI-teknologi, hvordan bør selskaper tilpasse sine strategier for å holde seg foran i data-styring og -utnyttelse?

Datastyring er en av de største utfordringene selskaper fortsatt møter, og det er noe hver organisasjon må løse for å muliggjøre meningsfull AI- og data-erfaringer. AI er bare så god som dataen som driver det, og ren data leder til mer innvirkende innsikt, lykkeligere brukere og forretningsvekst. På denne måten må selskaper være proaktive om data-rydding og taksonomi, og det finnes muligheter til å bruke generativ AI for å håndtere AI-styring og -kvalitet. For eksempel, i Amplitude, lanserte vi vårt AI-drevne Data Assistant-produkt i fjor, som tilbyr intelligente anbefalinger og automatisering for å gjøre datastyring enkelt og hjelpe brukere å ta kontroll over datakvalitetsinnsats.

Hvordan muliggjør Amplitude at bedrifter bedre forstår kunde-reisen?

Å bygge flotte digitale produkter og erfaringer er vanskelig, spesielt i dagens konkurranse-landskap. I dag vet mange selskaper fortsatt ikke hvem de bygger for eller hva deres kunder ønsker. Amplitude hjelper bedrifter å svare på spørsmål som “Hva elsker våre kunder? Hvor blir de fast? Hva holder dem komme tilbake?” gjennom kvantitative og kvalitative data-innsikt. Vår plattform hjelper bedrifter å bedre forstå den ende-til-ende kunde-reisen ved å fremme data som hjelper å drive kunde-erwerbings-, moneterings- og retentive-syklusen. I dag bruker over 2 700 kunder, inkludert bedriftsmerker som Atlassian (TEAM ), NBC Universal og Under Armour (UAA ), Amplitude for å bygge bedre produkter.

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