Jay Allardyce, Dyrektor Generalny, Data & Analytics w insightsoftware – Seria wywiadów

Jay Allardyce jest Dyrektorem Generalnym, Data & Analytics w insightsoftware. Jest to executive z 23+ lat doświadczenia w firmach B2B, takich jak Google (GOOGL ), Uptake, GE i HP. Jest również współzałożycielem GenAI.Works, który prowadzi największą społeczność sztucznej inteligencji na LinkedIn.

insightsoftware jest globalnym dostawcą rozwiązań oprogramowania finansowego i operacyjnego. Firma oferuje narzędzia, które wspierają planowanie finansowe i analizę (FP&A), rachunkowość i operacje. Produkty są zaprojektowane, aby poprawić dostępność danych i pomóc organizacjom w podejmowaniu decyzji w odpowiednim czasie.

Podkreśliłeś pilność wdrożenia sztucznej inteligencji w firmach w odpowiedzi na rosnące oczekiwania klientów. Jakie są kluczowe kroki, które firmy powinny podjąć, aby uniknąć pułapki „AI FOMO” i wdrożenia ogólnych rozwiązań sztucznej inteligencji?

Klienci dają firmom wyraźny sygnał, że chcą zwiększonych możliwości sztucznej inteligencji w używanych przez siebie narzędziach. W odpowiedzi, firmy spieszą się, aby spełnić te wymagania i utrzymać tempo z konkurentami, co tworzy chaotyczny cykl dla wszystkich stron. I tak, końcowym wynikiem jest AI FOMO, który może popchnąć firmę do pośpiesznego innowacji w celu zadośćuczynienia prostej deklaracji, „mamy sztuczną inteligencję!”

Największa rada, jaką mam dla firm, aby uniknąć tej pułapki, to poświęcenie czasu na zrozumienie, jakie bóle głowy klienci chcą rozwiązać za pomocą sztucznej inteligencji. Czy jest jakiś problem z procesem, który jest zbyt ręczny? Czy jest jakiś powtarzający się zadanie, które wymaga automatyzacji? Czy są jakieś obliczenia, które mogą być łatwo wykonane przez maszynę?

Gdy firmy mają ten niezbędny kontekst, mogą zacząć wdrażać rozwiązania ze szczerym zamiarem. Będą mogli oferować klientom narzędzia sztucznej inteligencji, które rozwiązują problem, zamiast tych, które tylko dodają do zamieszania istniejących problemów.

Wiele firm spieszy się z wdrożeniem sztucznej inteligencji, nie rozumiejąc w pełni jej przypadków użycia. Jak firmy mogą zidentyfikować odpowiednie rozwiązania sztucznej inteligencji dostosowane do ich specyficznych potrzeb, zamiast polegać na ogólnych wdrożeniach?

Po stronie klienta ważne jest utrzymanie stałej komunikacji, aby lepiej zrozumieć, jakie przypadki użycia są najpilniejsze. Rady klientów mogą zapewnić pomocne rozwiązanie. Ale poza klientami, ważne jest również dla zespołów, aby spojrzeć wewnętrznie i zrozumieć, jak dodanie nowych narzędzi sztucznej inteligencji wpłynie na wewnętrzną funkcjonalność. Dla każdego nowego narzędzia, które jest wprowadzane do klienta, wewnętrzne zespoły danych są skonfrontowane z górą nowych zmiennych i nowych danych, które są tworzone.

Podczas gdy wszyscy chcemy dodać nowe możliwości i pokazać je klientom, żadne wdrożenie sztucznej inteligencji nie będzie udane bez wsparcia wewnętrznych zespołów danych i naukowców zaangażowanych w ich rozwój. Wyrównaj wewnętrznie, aby zrozumieć przepustowość, a następnie spójrz na zewnątrz, aby zdecydować, które żądania klientów mogą być obsłużone z odpowiednim wsparciem za nimi.

Pomogłeś firmom z listy Fortune 1000 w przyjęciu podejścia opartego na danych. Co oznacza dla firmy być „opartym na danych”, i jakie są najczęstsze pułapki, na które firmy napotykają podczas tej transformacji?

Aby firma była „oparta na danych”, firmy muszą nauczyć się efektywnie wykorzystywać dane. Prawdziwy zespół oparty na danych może wykonać poprawnie decyzje oparte na danych, co obejmuje używanie informacji do wspierania i podejmowania decyzji biznesowych. Zamiast polegać wyłącznie na intuicji lub osobistym doświadczeniu, decydenci zbierają i analizują istotne dane, aby prowadzić swoje strategie. Podejmowanie decyzji opartych na danych może pomóc firmom wyprowadzić bardziej przemyślane, obiektywne spostrzeżenia, co w szybko zmieniającym się rynku może oznaczać różnicę między strategiczną decyzją a impulsywną.

Typową pułapką w osiągnięciu tego jest nieskuteczne zarządzanie danymi, co prowadzi do „przeładowania danymi”, gdzie zespoły są obciążone dużą ilością danych i nie są w stanie nic z nimi zrobić. Podczas gdy firmy próbują skupić swoje wysiłki na najważniejszych danych, posiadanie zbyt dużej ilości danych może prowadzić do opóźnień i nieefektywności, jeśli nie są one właściwie zarządzane.

Biorąc pod uwagę Twoje doświadczenie w pracy z technologiami IoT i przemysłowymi, jak widzisz przyszłość sztucznej inteligencji i IoT w branżach takich jak energia, transport i ciężka budowa?

Gdy IoT pojawiło się na scenie, było przekonanie, że pozwoli na większą łączność, aby poprawić podejmowanie decyzji. W zamian, ta łączność odblokowała nowy świat wartości ekonomicznej, i rzeczywiście tak było, i nadal jest, w przypadku sektora przemysłowego.

Problem polegał na tym, że zbyt wielu skupiło się na „inteligentnych rurach”, używając IoT do połączenia, ekstrakcji i komunikacji z rozproszonymi urządzeniami, i mniej na wynik. Trzeba określić dokładny problem do rozwiązania, teraz, gdy jesteś połączony z powiedzmy 400 ciężkimi maszynami budowlanymi lub 40 należącymi do sieci elektroenergetycznych. Wynik, lub problem do rozwiązania, ostatecznie sprowadza się do zrozumienia, jaki KPI może być poprawiony, co napędza przychód, produktywność procesów, lub oszczędności na dole (jeśli nie kombinację). Każda firma jest zarządzana przez zestaw wskaźników na poziomie szefa, które mierzą wyniki operacyjne i udziałowców. Gdy te wskaźniki są określone, problem do rozwiązania (i dlatego, jakie dane będą przydatne) staje się jasny.

Z tym fundamentem na miejscu, sztuczna inteligencja – czy to predykcyjna, czy generatywna – może mieć 10-50 razy większy wpływ na pomoc firmom w zwiększeniu produktywności w tym, co robią. Optymalizacja dostaw, wyjazdów serwisowych i cykli naprawy opartych na wyraźnym wzorcu sygnału popytu, który jest dopasowany do zmiennych wejściowych, które są potrzebne. Aby zilustrować, pomysł posiadania „właściwej części, we właściwym czasie, w właściwym miejscu” może oznaczać miliony dla firmy budowlanej – ponieważ mają mniej wymagań dotyczących poziomu zapasów i zoptymalizowanych serwisantów na podstawie modelu sztucznej inteligencji, który wie lub przewiduje, kiedy maszyna może ulec awarii lub kiedy może wystąpić zdarzenie serwisowe. W zamian, ten model, połączony ze strukturalnymi danymi operacyjnymi i danymi IoT (dla rozproszonych aktywów), może pomóc firmie w byciu bardziej dynamiczną i optymalnie zoptymalizowaną, nie poświęcając satysfakcji klienta.

Mówiłeś o ważności efektywnego wykorzystania danych. Jakie są najczęstsze sposoby, w jakie firmy niewłaściwie wykorzystują dane, i jak mogą je przekształcić w prawdziwą przewagę konkurencyjną?

Termin „sztuczna inteligencja”, gdy jest brany dosłownie, może być trochę mylący. Wprowadzanie dowolnych i wszystkich danych do silnika sztucznej inteligencji nie oznacza, że wyprodukuje przydatne, istotne lub dokładne wyniki. Podczas gdy zespoły starają się nadążyć za tempem innowacji sztucznej inteligencji w dzisiejszym świecie, okazjonalnie zapominamy o ważności kompletnego przygotowania i kontroli danych, które są kluczowe dla zapewnienia, że dane, które karmią sztuczną inteligencję, są całkowicie dokładne. Podobnie jak ludzkie ciało polega na wysokiej jakości paliwie, aby je napędzać, sztuczna inteligencja polega na czystych, spójnych danych, które zapewniają dokładność jej prognoz. Szczególnie w świecie zespołów finansowych jest to najważniejsze, aby zespoły mogły produkować dokładne raporty.

Jakie są najlepsze praktyki, aby umożliwić zespołom niefinansowym w organizacji efektywne korzystanie z danych i sztucznej inteligencji, bez przytłaczania ich złożonymi narzędziami lub procesami?

Moja rada jest taka, aby liderzy skupili się na umożliwieniu zespołom niefinansowym generowania własnych analiz. Aby być naprawdę giętkim jako firma, zespoły techniczne muszą skupić swoje wysiłki na uczynieniu procesu bardziej intuicyjnym dla pracowników w całej organizacji, zamiast koncentrować się na rosnącym backlogu wniosków od finansów i operacji. Usunięcie ręcznych procesów jest naprawdę pierwszym ważnym krokiem w tym procesie, ponieważ pozwala liderom operacyjnym spędzać mniej czasu na zbieraniu danych i więcej czasu na ich analizę.

insightsoftware koncentruje się na wprowadzaniu sztucznej inteligencji do operacji finansowych. Jak sztuczna inteligencja zmienia sposób, w jaki działają dyrektorzy finansowi i zespoły finansowe, i jakie są najważniejsze korzyści, które sztuczna inteligencja może przynieść finansowemu podejmowaniu decyzji?

Sztuczna inteligencja miała głęboki wpływ na podejmowanie decyzji finansowych i zespoły finansowe. W rzeczywistości, 87% zespołów już korzysta z niej w umiarkowanym lub wysokim stopniu, co jest fantastycznym miernikiem jej sukcesu i wpływu. Szczególnie, sztuczna inteligencja może pomóc zespołom finansowym w produkcji istotnych prognoz szybciej i częściej – znacznie poprawiając na obecne cykle budżetowania, które szacują, że 58% cykli budżetowania trwa dłużej niż pięć dni.

Poprzez dodanie sztucznej inteligencji do tego procesu decyzyjnego, zespoły mogą ją wykorzystać do zautomatyzowania nużących zadań, takich jak generowanie raportów, walidacja danych i aktualizacje systemów źródłowych, zwalniając cenny czas na strategiczną analizę. Jest to szczególnie ważne na niestabilnym rynku, gdzie zespoły finansowe potrzebują giętkości i elastyczności, aby napędzać odporność. Weźmy na przykład przypadku zespołu finansowego w trakcie cyklu budżetowania i planowania. Rozwiązania oparte na sztucznej inteligencji mogą dostarczyć bardziej dokładne prognozy, pomagając profesjonalistom finansowym w lepszym podejmowaniu decyzji poprzez bardziej dogłębną planowanie i analizę.

Jak widzisz ewolucję potrzeb danych w ciągu najbliższych pięciu lat, szczególnie w odniesieniu do integracji sztucznej inteligencji i przejścia na zasoby chmurowe?

Myślę, że najbliższe pięć lat pokaże potrzebę zwiększonej elastyczności danych. Z tym, jak szybko zmienia się rynek, dane muszą być wystarczająco elastyczne, aby umożliwić firmom pozostanie konkurencyjnymi. Widzieliśmy to w przejściu z lokalnego na chmurowe, gdzie firmy miały dane, ale żadne z nich nie były wystarczająco użyteczne, aby pomóc im w przejściu. Zwiększona elastyczność oznacza zwiększoną elastyczność decyzji dotyczących danych, współpracy, zarządzania ryzykiem i wielu innych możliwości. Ale ostatecznie wyposaża zespoły w narzędzia niezbędne do skutecznego rozwiązywania wyzwań i dostosowywania się do zmieniających się trendów lub wymagań rynkowych.

Jak zapewniasz, że technologie sztucznej inteligencji są używane w sposób odpowiedzialny, i jakie powinny być priorytetem etyczne rozważania, które firmy powinny mieć przy wdrażaniu rozwiązań sztucznej inteligencji?

Ciągnąc paralelę między wzrostem i przyjęciem chmury, organizacje obawiały się, że dadzą swoje dane nieznanemu podmiotowi, który będzie je uruchamiać, utrzymywać, zarządzać i zabezpieczać. Zajęło to kilka lat, aby ten zaufanie zostało zbudowane. Teraz, przy wdrożeniu sztucznej inteligencji, podobny wzorzec się pojawia.

Organizacje muszą ponownie zaufać systemowi, aby zabezpieczyć ich informacje i, w tym przypadku, wyprodukować wiarygodne informacje, które są faktami, odniesieniami i również zaufanymi. Z chmury było to „kto włada lub zarządza” Twoimi danymi. Z sztuczną inteligencją chodzi o zaufanie i używanie tych danych, a także pochodzenie informacji wytworzonej w wyniku. Z tym powiedzianym, sugeruję organizacjom, aby skupiły się na następujących trzech rzeczach przy wdrożeniu technologii sztucznej inteligencji:

1. Zbliż się – Nie bój się używać tej technologii, ale przyjmij ją i naucz się.
2. Ugruntowanie – Dane przedsiębiorstwa, które władasz i zarządzasz, są prawdą, gdy chodzi o dokładność informacji, o ile informacje te są prawdziwe, faktualne i odniesieniowe. Upewnij się, że przy budowaniu na Twoich danych rozumiesz, skąd pochodzi model sztucznej inteligencji i jakie informacje są używane. Jak we wszystkich aplikacjach lub danych, kontekst ma znaczenie. Aplikacje niezasilane sztuczną inteligencją produkują fałszywe lub niedokładne wyniki. Tylko dlatego, że sztuczna inteligencja produkuje niedokładny wynik, nie oznacza to, że powinniśmy winić model, ale raczej zrozumieć, co jest karmione modelem.
3. Wartość – Zrozum, jaki przypadek użycia może znacznie poprawić wpływ sztucznej inteligencji.

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