Джей Оллардице, Генеральный менеджер, Данные и Аналитика в insightsoftware – Интервью

Джей Оллардице является Генеральным менеджером, Данные и Аналитика в insightsoftware. Он является руководителем технологической отрасли с опытом более 23 лет в компаниях класса Enterprise B2B, таких как Google (GOOGL ), Uptake, GE и HP. Он также является сооснователем GenAI.Works, который возглавляет крупнейшее сообщество искусственного интеллекта на LinkedIn.

insightsoftware является глобальным поставщиком программных решений для финансов и операций. Компания предлагает инструменты, которые поддерживают финансовое планирование и анализ (FP&A), бухгалтерский учет и операции. Ее продукты предназначены для улучшения доступности данных и помощи организациям в принятии своевременных, обоснованных решений.

Вы подчеркивали срочность для бизнеса внедрить ИИ в ответ на растущие ожидания клиентов. Какие ключевые шаги бизнесу следует предпринять, чтобы избежать попадания в ловушку “ИИ ФОМО” и внедрения общих решений ИИ?

Клиенты четко дают бизнесу понять, что они хотят увеличить возможности ИИ в используемых ими инструментах. В ответ бизнес спешит удовлетворить эти требования и поддерживать темп с конкурентами, что создает хаотичный цикл для всех участников. И да, конечным результатом является ИИ ФОМО, который может подтолкнуть бизнес к спешке в инновациях в попытке просто сказать: “у нас есть ИИ!”

Самый большой совет, который я могу дать компаниям, чтобы избежать попадания в эту ловушку, – это взять время, чтобы понять, какие болевые точки клиентов просят ИИ решить. Есть ли проблема с процессом, которая слишком ручная? Есть ли повторяющаяся задача, которую необходимо автоматизировать? Есть ли расчеты, которые можно легко выполнить машиной?

Как только бизнес получит этот необходимый контекст, он сможет начать внедрять решения с целью. Они смогут предложить клиентам инструменты ИИ, которые решают проблему, а не те, которые просто добавляют к путанице существующих проблем.

Многие компании спешат внедрить ИИ, не полностью понимая его варианты использования. Как бизнес может определить правильные решения ИИ, адаптированные к их конкретным потребностям, а не полагаться на общие реализации?

На стороне клиента важно поддерживать постоянную связь, чтобы лучше понять, какие варианты использования являются наиболее важными. Советы по защите клиентов могут обеспечить полезное решение. Но помимо клиентов, также важно, чтобы команды смотрели внутрь и понимали, как добавление новых инструментов ИИ повлияет на внутреннюю функциональность. Для каждого нового инструмента, представленного клиенту, внутренние команды данных сталкиваются с горой новых переменных и создаваемых данных.

Хотя мы все хотим добавить новые возможности и показать их клиентам, ни одно развертывание ИИ не будет успешным без поддержки внутренних команд данных и ученых, стоящих за их разработкой. Выровнять внутренне, чтобы понять пропускную способность, а затем посмотреть наружу, чтобы решить, какие запросы клиентов можно удовлетворить с надлежащей поддержкой.

Вы помогли компаниям Fortune 1000 принять подход, основанный на данных. Что означает для компании быть “ориентированной на данные”, и какие общие ловушки бизнес может встретить во время этого преобразования?

Чтобы компания была “ориентированной на данные”, бизнес должен научиться эффективно использовать данные. Действительно ориентированная на данные команда может правильно выполнить процесс принятия решений на основе данных, который включает использование информации для информирования и поддержки бизнес-решений. Вместо того, чтобы полагаться исключительно на интуицию или личный опыт, лица, принимающие решения, собирают и анализируют соответствующие данные, чтобы руководить своей стратегией. Принятие решений на основе данных может помочь бизнесу получить более обоснованные, объективные идеи, которые на быстро меняющемся рынке могут означать разницу между стратегическим решением и импульсивным.

Общая ловушка достижения этого – неэффективное управление данными, которое приводит к “перегрузке данных”, когда команды перегружены большим количеством данных и не могут ничего с ними сделать. Когда бизнес пытается сосредоточить свои усилия на наиболее важных данных, наличие слишком большого количества доступных данных может привести к задержкам и неэффективности, если их не управлять должным образом.

Учитывая ваш опыт работы с IoT и промышленными технологиями, как вы видите развитие пересечения ИИ и IoT в отраслях, таких как энергетика, транспорт и тяжелое строительство?

Когда IoT появился на сцене, было убеждение, что он позволит получить большую связность для улучшения принятия решений. В результате эта связность открыла целый новый мир экономической ценности, и действительно это было, и продолжает быть, так для промышленного сектора.

Проблема заключалась в том, что многие сосредоточились на “умной сантехнике”, используя IoT для подключения, извлечения и общения с распределенными устройствами, и меньше на результат. Вам нужно определить точную проблему, которую необходимо решить, теперь, когда вы подключены к, скажем, 400 активам тяжелого строительства или 40 принадлежащим электростанциям. Результат, или проблема для решения, в конечном итоге сводится к пониманию того, какой показатель эффективности (KPI) можно улучшить, что повлияет на верхнюю строку, производительность рабочего процесса или экономию средств (если не их комбинацию). Каждый бизнес управляется набором показателей эффективности высшего уровня, которые измеряют операционную и акционерную производительность. Как только эти показатели определены, проблема для решения (и, следовательно, какие данные будут полезны) становится ясной.

С этой основой ИИ – будь то предсказательный или генеративный – может иметь в 10-50 раз большее влияние на помощь бизнесу в повышении производительности. Оптимизированные поставки, выезды и циклы обслуживания для ремонта основаны на четком сигнале спроса, который соответствует входным переменным, необходимым. Чтобы проиллюстрировать, наличие “правильной детали, в правильном месте, в правильное время” может означать миллионы для строительной компании – у них меньше требований к уровню запасов для инвентаря и оптимизированных сервисных техников на основе модели ИИ, которая знает или предсказывает, когда может произойти сбой машины или когда может произойти событие обслуживания. В свою очередь, эта модель, в сочетании с структурированными операционными данными и данными IoT (для распределенных активов), может помочь компании быть более динамичной и оптимально оптимизированной, не жертвуя удовлетворенностью клиентов.

Вы говорили о важности эффективного использования данных. Какие наиболее распространенные способы, которыми компании неправильно используют данные, и как они могут превратить их в真正е конкурентное преимущество?

Термин “искусственный интеллект”, когда он воспринимается буквально, может быть немного вводящим в заблуждение. Ввод любых и всех данных в движок ИИ не означает, что он произведет полезные, актуальные или точные результаты. Когда команды пытаются идти в ногу с темпом инноваций ИИ в сегодняшнем мире, иногда мы забываем о важности полной подготовки и контроля данных, которые являются критически важными для обеспечения точности данных, которые питают ИИ. Как и человеческое тело полагается на высококачественное топливо, чтобы питать себя, ИИ зависит от чистых, последовательных данных, которые обеспечивают точность его прогнозов. Особенно в мире финансовых команд это имеет первостепенное значение, чтобы команды могли производить точные отчеты.

Какие лучшие практики для наделения не-технических команд внутри организации возможностью эффективно использовать данные и ИИ, не перегружая их сложными инструментами или процессами?

Мой совет – для лидеров сосредоточиться на наделении не-технических команд возможностью генерировать свои собственные анализы. Чтобы быть действительно гибкими как бизнес, техническим командам необходимо сосредоточить свои усилия на том, чтобы сделать процесс более интуитивным для сотрудников по всей организации, а не сосредотачиваться на все более растущем списке запросов от финансов и операций. Удаление ручных процессов – это действительно первый важный шаг в этом процессе, поскольку оно позволяет операционным лидерам тратить меньше времени на сбор данных и больше времени на их анализ.

insightsoftware фокусируется на внедрении ИИ в финансовые операции. Как ИИ меняет способ, которым работают финансовые директора и финансовые команды, и какие основные выгоды ИИ может принести финансовому принятию решений?

ИИ оказал глубокое влияние на финансовое принятие решений и финансовые команды. Фактически, 87% команд уже используют его в умеренной или высокой степени, что является фантастическим показателем его успеха и влияния. Конкретно, ИИ может помочь финансовым командам производить важные прогнозы быстрее и, следовательно, чаще – значительно улучшая текущие циклы прогнозирования, которые предполагают, что 58% бюджетных циклов длятся более пяти дней.

Добавляя ИИ в этот процесс принятия решений, команды могут использовать его для автоматизации скучных задач, таких как генерация отчетов, проверка данных и обновления исходных систем, освобождая ценное время для стратегического анализа. Это особенно важно на волатильном рынке, где финансовым командам необходимо иметь гибкость и адаптивность, чтобы стимулировать устойчивость. Возьмем, например, случай финансовой команды в разгаре бюджетирования и планирования. Решения, основанные на ИИ, могут доставить более точные прогнозы, помогая финансовым специалистам принимать лучшие решения посредством более глубокого планирования и анализа.

Как вы видите развитие потребностей в данных в течение следующих пяти лет, особенно в отношении интеграции ИИ и перехода к облачным ресурсам?

Я думаю, что следующие пять лет продемонстрируют необходимость повышения гибкости данных. С тем, как быстро меняется рынок, данные должны быть достаточно гибкими, чтобы позволить бизнесу оставаться конкурентоспособным. Мы видели это в переходе от локальных к облачным ресурсам, где бизнес имел данные, но ни один из них не был полезен или гибким enough, чтобы помочь им в этом переходе. Повышенная гибкость означает повышение принятия решений на основе данных, сотрудничества, управления рисками и множества других возможностей. Но в конечном итоге это оснащает команды инструментами, необходимыми для эффективного решения проблем и адаптации к меняющимся тенденциям или рыночным требованиям.

Как вы обеспечиваете, чтобы технологии ИИ использовались ответственно, и какие этические соображения бизнес должен уделять приоритетное внимание при развертывании решений ИИ?

Проведя параллель между ростом и принятием облачных технологий, организации боялись передать свои данные какой-то неизвестной сущности, чтобы запустить, поддерживать, управлять и защитить. Потребовалось несколько лет, чтобы эта доверие было построено. Теперь, с принятием ИИ, подобный шаблон возникает.

Организации должны снова доверять системе, чтобы она сохранила их информацию и произвела жизнеспособную информацию, которая является фактической, ссылочной и также заслуживающей доверия. С учетом этого я бы предложил организациям сосредоточиться на следующих трех вещах при развертывании технологий ИИ:

1. Присоединиться – Не бойтесь использовать эту технологию, но принять и изучить.
2. Основание – Предприятие, которое вы владеете и управляете, является основной истиной, когда речь идет об точности информации, при условии, что эта информация является правдивой, фактической и ссылочной. Обеспечьте, когда речь идет о построении на ваших данных, что вы понимаете происхождение того, как модель ИИ обучена, и какие данные она использует. Как и все приложения или данные, контекст имеет значение. Приложения, не основанные на ИИ, производят ложные или неточные результаты. Просто потому, что ИИ производит неточный результат, не означает, что мы должны обвинять модель, а скорее понять, что питает модель.
3. Ценность – Понять случай использования, когда ИИ может существенно улучшить влияние.

Спасибо за отличное интервью, читатели, которые хотят узнать больше, должны посетить insightsoftware.