Шади Ростами, СVP по инженерии в Amplitude – Интервью

Шади – СVP по инженерии в лидере цифровой аналитики Amplitude. Она – страстный, опытный технологический лидер и архитектор с опытом в построении и управлении высококвалифицированными инженерными командами. До Amplitude она была VP по инженерии в Palo Alto Networks (PANW ). Она инновировала и доставила несколько линий продуктов и услуг, специализирующихся на распределенных системах, облачных вычислениях, больших данных, машинном обучении и безопасности.

Amplitude построен на современных технологиях машинного обучения и генеративного ИИ, которые позволяют командам продуктов строить умнее, учиться быстрее и создавать лучшие цифровые trải nghiệm для своих клиентов.

Что изначально привлекло вас к информатике и инженерии?

Я выросла в Иране и изначально выбрала школу, которая позволила бы мне стать врачом, что было желанием моего отца и пути, который выбрал мой брат. Через год и половину я поняла, что это не мой путь. Вместо этого я выбрала инженерию и стала первой девушкой в Иране, которая пошла на Информатику (IOI) и выиграла бронзовую медаль, ежегодный конкурс для школьников со всего мира, соревнующихся в математике, физике, информатике и химии. Это привело меня к изучению инженерии в Университете Шарифа в Иране и позже к получению докторской степени в области компьютерной инженерии в Университете Британской Колумбии в Канаде. После этого я работала в стартапах несколько лет, а затем провела decade в Palo Alto Networks, в конечном итоге став VP, ответственным за разработку, QA, DevOps и науку о данных. Пять лет назад я перешла в Amplitude в качестве СVP по инженерии.

Можете ли вы обсудить основную философию ИИ Amplitude, которая заключается в том, что ИИ должен помогать людям в улучшении их работы, а не заменять их?

ИИ быстро преобразует почти каждую отрасль, и с этим преобразованием возникают вопросы о том, как компании будут использовать эту технологию. Мы твердо убеждены в правильном использовании ИИ. Эта убежденность привела нас к разработке нашей философии ИИ, ориентированной на клиента, которая основана на пяти основных принципах: (1) совместная разработка и партнерство в мышлении, (2) управление данными и защита пользовательских данных, (3) прозрачность, (4) конфиденциальность, безопасность и соблюдение нормативных требований, и (5) выбор и контроль клиента. Мы знаем, что эти принципы являются ключевыми, поскольку компании продолжают采用 и тестировать ИИ и в конечном итоге становятся真正кими данными. Для наших целей это означает построение инструментов ИИ, которые помогают людям быстрее получать представление. Когда ИИ используется правильно, эти представления приводят к более быстрым и лучшим решениям, которые стимулируют результаты на уровне прибыли. Использование ИИ как инструмента для дополнения человеческого интеллекта и творчества – это то, где я вижу наибольшее влияние ИИ.

Можете ли вы объяснить концепцию “демократии данных” в контексте сегодняшней бизнес-среды, управляемой ИИ?

“Демократия данных обусловлена знанием того, что команды работают лучше, быстрее и более эффективно, когда они могут получить доступ к правильным данным в нужное время. В сегодняшней быстро развивающейся среде, управляемой ИИ, команды не могут позволить себе ждать несколько дней или недель, чтобы получить данные. Чтобы смягчить это, компании должны расширить возможности своих команд, чтобы они могли использовать данные в режиме самообслуживания. Теперь это не означает хаос с данными без параметров. В конце концов, плохие данные приводят к плохому ИИ. Но с правильными инструментами и процессами компании могут сбалансировать демократизацию данных с управлением данными, что приводит к лучшим бизнес-результатам.”

Какие ключевые сдвиги в организационной культуре, по вашему мнению, необходимы для обеспечения真正й демократии данных в эпоху ИИ?

Установление真正ой демократии данных внутри вашей организации начинается с двух фундаментальных сдвигов в культуре: предоставление правильных, наиболее доступных инструментов и проведение организационных усилий по грамотности данных. Это означает принятие инструментов самообслуживания, которые позволяют нетехническим членам команд, таким как команды маркетинга или поддержки клиентов, не только получать доступ к данным, но и анализировать и принимать решения на их основе. Я считаю, что анализ данных в режиме самообслуживания может и должен стимулировать сотрудничество между командами, вдохновлять любопытство и исследование, масштабировать грамотность данных и отдавать предпочтение действию и влиянию. Также важно тратить совместные усилия между центральной командой данных и командами бизнеса, чтобы постоянно управлять данными и обеспечить, чтобы качество данных не ухудшалось со временем.

Каковы, по вашему опыту, наиболее значительные проблемы, с которыми сталкиваются организации в достижении демократизации данных, и как они могут преодолеть эти препятствия?

В прошлом компании пытались централизовать данные внутри одной команды экспертов, оставляя остальную часть организации зависимой от этой команды для предоставления анализа и ключевых представлений, которые могут быть критически важными для их повседневной деятельности и принятия решений. Хотя демократизация доступа к данным имеет решающее значение для решения этой проблемы, она также может быть сложной. Когда я говорю с лидерами данных об операционализации самообслуживания, rõчно, что существует спектр. С одной стороны, у вас есть инструменты с низкой настройкой для нетехнических и команд бизнеса. В конечном итоге, эти инструменты не дают глубины и ширины ответов, которые эти команды нуждаются. С другой стороны, у вас есть более технические инструменты для более технических команд. Они более гибкие в плане анализа, но они медленные, и, вероятно, только несколько человек могут даже использовать их. Мы называем эти инструменты “хлебной линией”… вы всегда ждете ответов. Командам нужен решение посередине. Подумайте о нестандартных решениях, которые поощряют, а не препятствуют, исследование и экспериментирование. С правильными инструментами и образованием команд компаниям можно более легко преодолеть разрыв в демократизации данных.

Насколько важна грамотность данных в процессе демократизации данных, и какие шаги должны предпринять компании, чтобы улучшить ее среди своих сотрудников?

Создание среды демократии данных внутри ваших команд – это культурный вызов, который требует образования и поддержки всей компании. В моем опыте преподавания процессов данных нетехническим членам команд лучший способ развития этих навыков – это сочетание обучения и практического обучения. Я рекомендую разработать комплексную программу обучения, чтобы обеспечить, чтобы сотрудники чувствовали себя комфортно и уверенно в представлениях, которые они получают из своих данных. Убедитесь, что вы используете инструмент, который не запрещает нетехническим пользователям: например, любой инструмент, который требует знания SQL, будет маргинализировать людей без программных знаний. Оттуда предоставьте возможности сотрудникам, чтобы они могли погрузиться и начать работать с данными. Наконец, реализуйте инструмент, который стимулирует исследование и сотрудничество. Чем меньше люди работают в изоляции, тем больше они могут обмениваться идеями, что приводит к более просвещающим представлениям. Если вы являетесь специалистом по данным, обучающим нетехническую команду, помните, что вы потратили годы на обучение, как получить и использовать данные, поэтому вы думаете о них по-другому, чем случайный пользователь. Будьте открыты для обучения других, а не делайте все сами. В противном случае, у вас никогда не будет свободного времени, чтобы сделать что-либо, кроме ответов на вопросы людей.

Как компании должны адаптировать свои стратегии, чтобы оставаться впереди в управлении данными и их использовании с учетом быстрой эволюции инструментов данных и технологий генеративного ИИ?

Управление данными – одна из основных проблем, с которыми все еще сталкиваются компании, и это то, что каждая организация должна решить, чтобы обеспечить осмысленные trải nghiệm ИИ и данных. ИИ так хорош, как данные, которые его запитывают, и чистые данные приводят к более значимым представлениям, счастливым пользователям и бизнес-росту. Таким образом, компании должны быть активными в очистке и таксономии данных, и есть возможности использовать генеративный ИИ для управления управлением ИИ и качеством. Например, в Amplitude мы запустили наш продукт Data Assistant, основанный на ИИ, в прошлом году, который предлагает интеллектуальные рекомендации и автоматизацию, чтобы сделать управление данными беспроблемным и помочь пользователям взять на себя усилия по обеспечению качества данных.

Как Amplitude позволяет предприятиям лучше понять путь клиента?

Создание отличных цифровых продуктов и trải nghiệm сложно, особенно в сегодняшнем конкурентном ландшафте. Сегодня многие компании все еще не знают, для кого они строят, или чего хотят их клиенты. Amplitude помогает бизнесу ответить на вопросы, такие как “Что любят наши клиенты? Где они застревают? Что заставляет их возвращаться?” через количественные и качественные данные. Наша платформа помогает бизнесу лучше понять путь клиента от начала до конца, выявляя данные, чтобы стимулировать цикл приобретения клиентов, монетизации и удержания. Сегодня более 2 700 клиентов, включая бренды, такие как Atlassian (TEAM ), NBC Universal и Under Armour (UAA ), используют Amplitude, чтобы строить лучшие продукты.

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