Adam Asquini, Dyrektor Zarządzania Informacją i Analizy Danych w KPMG – Seria Wywiadów

Adam Asquini jest Dyrektorem Zarządzania Informacją i Analizy Danych w KPMG w Edmonton. Jest odpowiedzialny za kierowanie projektami danych i zaawansowanej analityki dla klientów KPMG na prairiach. Adam jest pasjonatem budowania i rozwoju wysoko wydajnych zespołów, aby dostarczyć najlepsze możliwe wyniki dla klientów i umożliwić angażujące doświadczenie pracy dla swoich zespołów. Pracował wcześniej w AltaML jako Wiceprezes ds. Rozwiązań dla Klientów, w Rządzie Alberty jako Menedżer Programu i w Kanadyjskich Siłach Zbrojnych jako Oficer Sygnałowy. Mając niekonwencjonalną ścieżkę kariery w dziedzinie AI, Adam jest wielkim zwolennikiem wykorzystania różnorodności i doświadczenia zespołów wielofunkcyjnych i również wierzy, że każdy może dołączyć do rosnącej społeczności AI.

Usiedliśmy do rozmowy z Adamem na corocznej konferencji Upper Bound 2023 na temat AI, która odbywa się w Edmonton, AB i jest organizowana przez Amii (Alberta Machine Intelligence Institute).

Masz niekonwencjonalną ścieżkę kariery, mogłbyś opowiedzieć, jak trafiłeś do AI?

Zacząłem swoją karierę w Kanadyjskich Siłach Zbrojnych jako oficer sygnałowy, oficerowie sygnałowi są odpowiedzialni za systemy teleinformatyczne, które pomagają ludziom komunikować się. Tak więc, to była naprawdę rdzeń infrastruktury technologicznej, która mnie zainteresowała. Studiowałem inżynierię chemiczną na uniwersytecie, co było napędzane moją własną ciekawością i chęcią uczenia się. To wszystko zaczęło się tam i później rozwinęło się w kierunku technologii.

Po 14 latach w wojsku, wykonując różne role związane z sygnałami, wszystko od pracy na bazie i wspierania usług IT i telekomunikacyjnych w terenie, ustawiania kwater głównych i komunikacji z jednostkami na pierwszej linii, wspierania operacji wewnętrznych, takich jak pożary lasów i powodzie, przeniosłem się do rządu prowincjonalnego Alberty. Byłem odpowiedzialny za zarządzanie programem, patrzyłem na niektóre inicjatywy technologiczne na poziomie całego rządu. W tym czasie rząd centralizował IT, pracowaliśmy z różnymi ministerstwami, aby połączyć ich usługi i skonsolidować rzeczy, wykonałem tam wiele pracy, a także w zarządzaniu inwestycjami. I naprawdę, wykonując tę pracę, zacząłem widzieć, jak niektóre organizacje wykorzystują dane i analitykę.

To naprawdę zainteresowało mnie i zawsze będąc ciekawym i głodnym wiedzy, zacząłem się tym zajmować, biorąc udział w projektach lub po prostu ucząc się samemu, używając narzędzi takich jak Coursera. Przeczytałem wiele i zbadałem niektóre z dostawców i platform, które dostarczają te narzędzia. Naprawdę zacząłem interesować się danymi i analityką, a dzięki mojej naturalnej ciekawości i chęci uczenia się, zacząłem coraz bardziej angażować się w to.

Poza Courserą, są konkretnie polecane przez Ciebie podcasty lub książki?

Obserwuję wielu różnych osób na LinkedIn, ale kilka osób, które przychodzą mi na myśl, to Emerj. Dan Faggella jest osobą stojącą za tym. Przynosi on wiele myśli przewodniej. Na pewno obserwuję niektóre z głównych źródeł, takich jak HBR i Forbes. Ktoś, kogo znam, Andreas Welch, który pracuje w SAP, publikuje wiele treści na temat AI i adopcji AI, więc obserwuję go. Myślę, że jeśli chodzi o podcasty, było kilka, które słuchałem, a także książki. Bardzo dobra książka, którą niedawno przeczytałem, to Infonomics autorstwa Douga Laney. Jest on byłym pracownikiem Gartner i MIT, a to jest naprawdę dobra książka, która wyjaśnia ramy monetizacji danych. Staram się po prostu zanurzyć się w jak najwięcej rzeczy, aby nauczyć się więcej.

Jak Twoje doświadczenie wojskowe pomogło Ci w Twojej obecnej roli?

Na kilka sposobów. Myślę, że niektóre z podstawowych umiejętności, które nauczyłem się w swojej karierze wojskowej, to bardzo strukturalne podejście do planowania, co jest naprawdę dobre. Zarządzanie czasem i priorytetami. W środowisku wojskowym naprawdę zmusza to do nauki, co jest najważniejsze, i do pracy w pewnym tempie, oceny wymiennych kosztów i zrozumienia, jak najlepiej podjąć działanie, które jest wykonalne i które pomoże w poruszaniu się do przodu. Znajduję, że w szybko zmieniającym się krajobrazie technologicznym, takim jak AI, gdzie wszystko porusza się tak szybko, umiejętność przetwarzania dużej ilości informacji i posiadania strukturalnego podejścia do zrozumienia, co jest ważne, a co nie, gdzie chcesz się skoncentrować, jest naprawdę dobrą umiejętnością.

Inna duża rzecz to przywództwo i współpraca w zespole. Pracujesz z dużą organizacją. W terenie zespoły są organizowane i reorganizowane cały czas, aby uzyskać najlepszą grupę, aby ukończyć misję, posiadanie naprawdę silnych umiejętności międzyludzkich, przywódczych i komunikacyjnych jest wszystkim, co jest naprawdę ważne w szkoleniu wojskowym, myślę, że to wszystko naprawdę pomogło mi w mojej obecnej roli.

Byłeś wiceprezesem ds. rozwiązań dla klientów w AltaML przez ponad dwa lata, co to jest AltaML i jakie interesujące projekty wykonałeś?

AltaML to firma zajmująca się sztuczną inteligencją i maszynowym uczeniem się. Ma siedzibę w Edmonton, duży oddział w Calgary i także jeden w Toronto. To, co robią, to współpraca z innymi firmami w celu opracowania oprogramowania i produktów, które mają AI w swoim rdzeniu, jest to biznes-to-biznes. Część organizacji, w której pracowałem, była po stronie usług, pracowaliśmy z firmami z branży naftowej i gazowej, finansowej. Pracowałem w wielu różnych branżach. Pracowałem z nimi, aby zdefiniować problemy biznesowe, które były istotne i mogłyby mieć wpływ na rozwiązanie za pomocą AI, a następnie pracowałem z nimi, aby połączyć ich dane, zbudować modele AI, wdrożyć je i pracować nad zmianą w organizacji, aby mogły być operacyjne i używane, naprawdę pomagając tym organizacjom rozwiązać problemy poprzez budowanie rozwiązań AI.

Rola była wiceprezesem ds. rozwiązań dla klientów. Kiedy zacząłem, byłem w roli menedżera projektu, prowadziłem kilka projektów AI, potem awansowałem i rola wiceprezesa ds. rozwiązań dla klientów była odpowiedzialna za funkcję dostarczania, zarządzanie zasobami dla projektów i aktywne zarządzanie kontem, wiele aspektów tej pracy należało do mojego zespołu.

Jeśli chodzi o projekty, było ich wiele, powiedziałbym, że w jednej czy drugiej formie, albo jako menedżer projektu, coach lub zasób zapewniający jakość, dziesiątki projektów AI, nad którymi pracowałem przez ponad dwa i pół roku, jeden z moich ulubionych to projekt pożarowy. Pracowałem z gubernatorem Alberty. Mieli oni trudności w dniach, kiedy istniało średnie ryzyko pożarowe, aby zrozumieć, czy pożar jest prawdopodobny w określonej okolicy. Kiedy byli niepewni, ich praktyka planowania polegała na planowaniu wszystkich dostępnych zasobów, w tym kontraktowania dodatkowych zasobów, ciężkiego sprzętu, takiego jak buldożery lub samoloty, helikoptery, co oczywiście jest bardzo drogie.

Celem projektu AI było przewidzenie dla danego regionu, jaki jest prawdopodobieństwo pożaru w tym regionie na następny dzień, aby pomóc im w podejmowaniu decyzji o optymalnym przydziale zasobów dla procesu, który nazywali pre-suppression, czyli proaktywnym planowaniem i przydziałem zasobów.

Było to naprawdę fajne, aby móc zobaczyć, że w pewnych scenariuszach można było zmniejszyć zasoby lub po prostu je zoptymalizować w pewnych momentach dnia. To mogłoby zaoszczędzić wiele pieniędzy, nie wprowadzając dużego ryzyka pominięcia pożaru, miliony dolarów oszczędności. Ta praca nadal trwa. Nawet teraz szukają sposobów na rozszerzenie tego okna czasowego, robienie stref mniejszych i bardziej szczegółowych, aby lepiej zoptymalizować zasoby. Ale patrząc na to, jak wygląda sezon pożarowy w Albercie, jak dotąd, każda inteligencja, którą można dostarczyć z wyprzedzeniem, na temat gdzie są ryzyka i możliwości zoptymalizowania zasobów lub ich przesunięcia w odpowiednie miejsca, jest naprawdę istotna praca, była naprawdę przyjemna.

Wykonałem także niektóre prace w przetwarzaniu roszczeń. Na przykład, gdy dostawca ubezpieczeń otrzymuje tysiące roszczeń, które z nich można automatycznie zatwierdzić, które wymagają przeglądu przez człowieka, lub do którego zespołu roszczenie powinno być przekazane do uzyskania odpowiedniego poziomu przeglądu. Ten rodzaj pracy jest również naprawdę ważny i może zaoszczędzić organizacjom wiele wysiłku i pieniędzy w tym, jak prowadzą swoje interesy.

Jesteś obecnie dyrektorem zarządzania informacją i danych analitycznych w KPMG. Co dokładnie obejmuje ta rola?

Pracuję z firmami, aby poprowadzić je przez proces rozwiązywania tych problemów za pomocą szerszego zakresu możliwości danych i analityki. Pracujemy nad wszystkim, od strategii danych na początku i pomocy organizacjom w organizowaniu danych z różnych systemów, łączeniu ich, raportowaniu i analityce, a także AI i ML. To jest nieco szersza rola niż moja poprzednia, ale to również naprawdę ekscytujące dla mnie. Pali moją pasję do uczenia się i rozwoju.

Jako dyrektor, zwykle pracuję z seniorami po stronie klienta, aby pomóc im w radzeniu sobie z tą podróżą, dać im poczucie, co to będzie wymagało, jak wyglądają te projekty, jak mogą się przygotować. Duży nacisk na adopcję, zwłaszcza w przypadku zaawansowanych systemów analitycznych, które są nowe i czasami mają negatywne konotacje ze strony siły roboczej, więc naprawdę pracuję z nimi nad tym, jak najlepiej wdrożyć te rozwiązania, a także nad procesami, które będą im potrzebne, strukturami, które będą im potrzebne. To jest duża część roli. Wewnętrznie, prowadzę zaangażowanie i prowadzę zespoły projektowe, pomagam uzyskać odpowiednie priorytety dla zespołu projektowego i kieruję pracą, a także synchronizuję różne zespoły, które pracują nad tymi projektami.

W niedawnym wywiadzie z Calgary Herald, mówiłeś o tym, że jest wiele przykładów adopcji AI w Albercie. W jakich branżach widzisz to najczęściej?

Widzę adopcję AI w wielu różnych branżach w Albercie. Na pewno energia ma wiele z nich, widziałem przypadki, w których organizacje wykorzystują sztuczną inteligencję, aby pomóc zoptymalizować inspekcje konserwacyjne i bezpieczeństwa w rurociągach, gdzie powinny lub mogłyby wystąpić wykopy. Widziałem także wiele w łańcuchu dostaw. Duże organizacje, które wykonują połączenia i przejęcia, mają swoje dane rozproszone wszędzie. Czasami naprawdę mają trudności z znalezieniem elementów w swoich materiałach, więc możliwość wykorzystania tych modeli językowych, które teraz widzimy, do zorganizowania danych, strukturyzowania ich w sposób, w jaki mogą być analizowane, widzę znaczną pracę w konsolidacji umów dostaw. To może dotyczyć wielu branż, nie tylko energii, ale widzę to także w innych.

Bezpieczeństwo jest jednym z najważniejszych. Używanie przetwarzania obrazu lub nawet modeli językowych, aby znaleźć najbardziej istotne rodzaje briefingu bezpieczeństwa lub inspekcji, które powinny wystąpić w określonym miejscu. W usługach finansowych wiele pracy nad personalizacją doświadczenia dla klienta bankowego, dostarczaniem najlepszych możliwych porad i znajdowaniem dostosowanych rozwiązań dla ludzi w różnych sytuacjach finansowych jest naprawdę istotne. A także ubezpieczenia. Jak wcześniej wspomniałem, wiele z tego dotyczy trybu i przetwarzania roszczeń.

Jeszcze jeden, który mogę wymienić, to leśnictwo i zarządzanie ziemią. Widzę pewne zainteresowanie wykorzystaniem obrazów satelitarnych do wykrywania zmian na ziemi, możliwości zarządzania umowami na ziemię i wykorzystania tych technik przetwarzania obrazu, aby zidentyfikować rzeczy, które powinny lub nie powinny być tam, lub rzeczy, które uległy zmianie w czasie.

To jest naprawdę ekscytujące i widzimy, że różne organizacje są na różnych etapach swojej dojrzałości. Niektóre są albo dopiero zaczynają, albo eksperymentują, inne są dalej i w pełni przyjmują, ale większość organizacji uznaje, że jeśli nie zaczną lub nie będą poruszać się w tym kierunku, zostaną pozostawione w tyle, a to stworzy im znaczną niekorzystną konkurencję, więc zainteresowanie jest naprawdę wysokie.

Mówiąc o generatywnej AI, jak widzisz przyszłość tej technologii?

Jestem bardzo podekscytowany. Widzę potencjał. Uważam również, że jest ważne, aby mieć odpowiednie kontrolę nad generatywną AI, naprawdę uważam, że są tam wiele przypadków użycia, które mogą przynieść duże zyski produktywności lub wydajności dla firm. Niektóre z nich, takie jak ten przypadek w łańcuchu dostaw, wykorzystywały niektóre z tych technik nawet przed ogłoszeniem ChatGPT. Jeśli chodzi o to, gdzie widzę, że to wszystko idzie, jeden z innych fajnych trendów, które widzę, to coraz więcej tej technologii jest wbudowywane w główne aplikacje biznesowe. Microsoft (MSFT ) ogłosił swój narzędzie Copilot, które zostanie zintegrowane z aplikacjami Microsoft Office, widziałem w niektórych materiałach rzeczy takie jak pisanie notatki i po prostu wprowadzanie do procesora słowa, “Czy mogę to skrócić?” I po prostu to robi.

Gdy te technologie generatywnej AI są wbudowywane w główne aplikacje biznesowe, będzie to naprawdę ważne, ponieważ będzie to zmuszało firmy do myślenia o tym, jak i kiedy je przyjmować, jak je kontrolować, jak mogą monitorować jakość zapewnianych produktów. Kiedy jest to oddzielna, samodzielna możliwość, łatwiej jest to zwolnić lub zignorować, ale widząc, że ta technologia jest wbudowywana w główne aplikacje biznesowe i platformy, naprawdę będzie napędzać tę dyskusję do przodu.

Także mam nadzieję, że to i nacisk na odpowiedzialne wykorzystanie tej technologii teraz pomoże organizacjom położyć nacisk na odpowiedzialne AI, umieścić odpowiednie procesy, zarządzanie w miejscu, aby naprawdę upewnić się, że ich rozwiązania AI są skutecznie budowane, ryzyko jest zarządzane w całym cyklu życia, że istnieją kontrole i że mogą ufać wynikom. Mam nadzieję, że ten hype wokół generatywnej AI teraz pomoże napędzić tę dyskusję z tymi możliwościami do przodu.

Czy możesz omówić, dlaczego odpowiedzialne AI i zmniejszanie biasu w AI jest dla Ciebie naprawdę ważne?

Zdecydowanie. Myślę, że musi to być dla wielu powodów. Większość ludzi, którzy budują te systemy, będzie miała dumę z pracy, którą wykonują, i nie chcą, aby ich systemy miały ten problem, więc będzie to wewnętrzna potrzeba, aby to mieć, aby utrzymać zaangażowanie i szczęśliwość swojej siły roboczej. Prawnie, są przykłady, w których organizacje spotkały się z wyzwaniami prawnymi lub regulacyjnymi z powodu biasu w ich AI. Jest klasyczny przypadek, w którym organizacja wykorzystywała AI w rekrutacji. Zestaw danych był nadmiernie ukierunkowany na mężczyzn niż kobiety, więc ich AI dyskryminowała kobiety.

To był narzędzie AI od Amazon.

Rzeczy takie już się zdarzyły i mogą nadal się zdarzać, jeśli nie będziemy mieć odpowiednich kontroli w miejscu, mając prawdziwy nacisk na to, będzie krytyczny dla większości organizacji. A także ryzyko reputacyjne dla organizacji. Jeśli to pójdzie nie tak, może to mieć ogromny wpływ na ich firmę, więc jest to naprawdę ważne.

Jesteś także wielkim zwolennikiem wykorzystania różnorodności i doświadczenia zespołów wielofunkcyjnych. Dlaczego różnorodność jest tak ważna Twoim zdaniem?

Teraz rodzaj problemów, które są rozwiązywane za pomocą AI, jest tak złożony, z perspektywy biznesowej, z danymi, które leżą pod spodem, żadna osoba ani rola nie może rozwiązać wszystkich tych problemów samodzielnie. Posiadanie dobrego zespołu wielofunkcyjnego z różnymi perspektywami i zestawem umiejętności jest naprawdę ważne, aby mieć ludzi, którzy są silni w jednej dziedzinie, aby wykorzystać ich siłę. Jeśli chodzi o różnorodność, to jest naprawdę duży czynnik, który napędza to. W większości przypadków końcowy użytkownik tych systemów będzie grupą ludzi o różnorodnym składzie, a nie mając tych perspektyw w zespole, który je buduje, naprawdę naraża na popełnienie błędów w przyszłości lub pominięcie pewnych rzeczy, rzeczy, o których ja bym nie pomyślał, ale ktoś inny mógłby, i przynieść tę perspektywę do przodu.

Wierzę również, że posiadanie różnych perspektyw jest tam, gdzie pojawia się najlepszy dialog, gdzie pojawiają się naprawdę dobre pytania od ludzi, którzy patrzą na coś z innej perspektywy. To zmusza do rozmowy o tym, jak najlepiej podejść do czegoś. To sprawia, że obracasz niektóre z tych kamieni, które byś nie obrócił, gdyby ta osoba nie była tam, posiadanie zróżnicowanego zespołu ludzi, którzy patrzą na problem, naprawdę umożliwia uzyskanie najlepszego możliwego wyniku i najlepszego rozwiązania.

Co Twoim zdaniem będzie następnym dużym przełomem w AI?

W tym kontekście generatywnej AI, myślę, że gdy zobaczymy więcej tej technologii wbudowanej w główne aplikacje, to będzie naprawdę ogromne dla adopcji tej technologii, ponieważ będzie to tam, gdzie ludzie już pracują. To będzie naprawdę ważne, i to może otworzyć drzwi do niektórych innych przypadków użycia, ponieważ ludzie staną się bardziej zaznajomieni z tym, co to może zrobić, jakie są jego ograniczenia, jak można je optymalnie wykorzystać, i to może po prostu zmusić ludzi do myślenia, “Teraz mam lepsze zrozumienie rodzaju problemów, które to rozwiązuje, mamy ten problem, byłoby naprawdę fajnie rozwiązać, i może to otworzy nowe drzwi”.

Także mam nadzieję, że przełom, który nastąpi wkrótce, to polityka regulacyjna. Wiem, że jest wiele ruchu na poziomie tworzenia prawa i regulacji, ale co mam nadzieję, to że poszczególne firmy również samodzielnie rozwiążą, jak muszą myśleć o tym, i jakie wewnętrzne kontrolę powinny wprowadzić. Prawo i regulacje zajmują dużo czasu. Firmy mogą napędzać wiele zmian, wprowadzając niektóre z tych kontroli wewnętrznie i myśląc o tym, co mogą zrobić, aby kontrolować, jak mogą przetestować wyniki, jak mogą upewnić się, że redukują halucynacje? Jakie są dodatkowe kroki, które mogą podjąć po tym, jak model wygenerował swój wynik, aby zminimalizować potencjalną szkodę lub ryzyko? Te są właściwe pytania, i mam nadzieję, że niektóre z tego hype’u teraz jest przełomem w tym, jak myślimy o tym i jak budujemy odpowiednie struktury, procesy i zespoły po stronie odpowiedzialnego AI.

Dziękuję za wspaniały wywiad, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić KPMG.