Adam Asquini, Director Information Management & Data Analytics på KPMG – Intervju-serie

Adam Asquini är en direktör för Information Management & Data Analytics på KPMG i Edmonton. Han ansvarar för att leda data- och avancerade analytikprojekt för KPMGs kunder i prärierna. Adam är passionerad för att bygga och utveckla högpresterande team för att leverera de bästa möjliga resultaten för kunderna och för att möjliggöra ett engagerande arbetsliv för sina team. Han har tidigare arbetat på AltaML som vice president för Customer Solutions, den albertanska regeringen som programchef och i den kanadensiska armén som signalofficer. Eftersom Adam har följt en icke-traditionell karriärväg inom AI, är han en stor anhängare av att utnyttja mångfalden och erfarenheten av tvärfunktionella team och tror också att alla kan ansluta sig till den växande AI-gemenskapen.

Vi satte oss ner för vår intervju med Adam på den årliga 2023 Upper Bound-konferensen om AI som hålls i Edmonton, AB och som arrangeras av Amii (Alberta Machine Intelligence Institute).

Du har en icke-traditionell karriärväg, kan du diskutera hur du kom in i AI?

Jag började min karriär i den kanadensiska armén som signalofficer, signalofficerare ansvarar för IT- och telekommunikationssystem som hjälper människor att kommunicera. Så det var mycket radio och satelliter. Det fanns lite data där, men det var mycket av de grundläggande infrastrukturteknologierna som vi var ansvariga för, som initialt introducerade mig till tekniken. Jag studerade kemiteknik på universitetet, allt började med min egen nyfikenhet och lust att lära. Det började där och att dyka in i tekniken, vidareutbilda mig och utveckla mig själv var mycket viktigt för mig.

Efter 14 år i armén, med många olika signalsjobb, allt från att arbeta på en bas och stödja IT- och telekommunikationstjänster ute på fältet, inrätta högkvarter och kommunicera med frontlinjenheter, stödja inhemska operationer som skogsbränder och översvämningar, gick jag vidare till den albertanska provinsregeringen. Jag var ansvarig för programledning och tittade på vissa tvärregeringsinitiativ inom teknologi. På den tiden centraliserade regeringen IT, vi arbetade med olika regeringsministerier för att samla ihop deras tjänster och konsolidera saker, jag gjorde mycket arbete där, samt inom investeringsledning. Och verkligen, i det arbetet började jag se att vissa organisationer utnyttjade data och analyser.

Det väckte verkligen min nyfikenhet och eftersom jag alltid är hungrig på att lära, började jag faktiskt engagera mig i det antingen genom att delta i vissa projekt där eller genom att själv studera, saker som Coursera eller andra utbildningsverktyg för att lära mig lite mer. Jag läste mycket, forskade om vissa av leverantörerna och plattformarna som tillhandahöll dessa verktyg. Jag blev verkligen intresserad av data och analyser och genom min egen naturliga nyfikenhet och lust att lära mer, började jag engagera mig mer och mer i det över tid.

Utöver Coursera, finns det specifika podcaster eller böcker som du skulle rekommendera?

Jag följer många olika personer på LinkedIn, men några som kommer till minnet är Emerj. Dan Faggella är personen bakom det. Han tar med sig mycket tankeledarskap dit. Jag följer också några av de stora som HBR och Forbes. En kontakt till mig som heter Andreas Welch som arbetar på SAP, han släpper mycket innehåll runt AI och AI-antagande, så jag har följt honom. Jag tycker att när det gäller podcaster, det har funnits några som jag har lyssnat på och sedan böcker också. En riktigt bra bok som jag nyligen har läst heter Infonomics av Doug Laney. Han är före detta Gartner och MIT, och det är en riktigt bra bok för att förklara en monetiseringsram för data. Jag försöker bara att dyka in i så många saker som möjligt, plus ansluta till projektarbete för att lära mig mer.

Hur har din militära erfarenhet gynnat dig i din nuvarande roll?

På flera sätt. Jag tycker att några av de fantastiska kärnkompetenserna som jag lärde mig genom min militära karriär, en mycket strukturerad approach till planering, vilket är riktigt bra. Tidsmanagement och prioritering. I en militär miljö tvingar det dig att lära dig vad som är det viktigaste och att arbeta i en viss takt, bedöma avvägningar och förstå hur man kan komma fram till en handlingsplan som är genomförbar och som kommer att få dig att gå framåt. Jag tycker att i en snabbt föränderlig teknisk landskap som AI, där allt rör sig så fort, att ha en strukturerad approach för att förstå vad som är viktigt, vad som inte är viktigt, vart du vill fokusera har varit en bra kompetens.

Den andra stora är runt ledarskap och samarbete. Du arbetar med en stor organisation. Ute på fältet organiseras och omorganiseras team hela tiden för att få ihop den bästa gruppen för att slutföra en uppdrag, ha riktigt starka interpersonliga färdigheter, ledarskapsfärdigheter, kommunikationsfärdigheter är alla färdigheter som verkligen betonas i utbildningen i armén, jag tycker att de har verkligen utnyttjat några av dem också.

Du var vice president för kundlösningar på AltaML i över två år, vad är AltaML och vilka var några intressanta projekt du arbetade med?

AltaML är ett tillämpat artificiellt intelligens- och maskinlärningsföretag. Det är baserat i Alberta, huvudkontoret ligger i Edmonton, ett stort kontor i Calgary och också ett i Toronto. Vad de gör är att de arbetar med andra företag för att utveckla mjukvarulösningar och produkter som har AI i kärnan, det är business-to-business. Den delen av organisationen jag arbetade i var tjänstesidan, vi arbetade med olje- och gasföretag, finansiella institutioner. Vi arbetade över många olika branschvertikaler. Jag arbetade med dem för att definiera affärsproblem som var relevanta och kunde göra en inverkan som skulle lösas med AI, och sedan arbetade jag dem igenom processen att samla deras data, bygga AI-modeller, distribuera dem och arbeta igenom förändringshanteringen också så att de kunde operationaliseras och användas, verkligen hjälpa dessa organisationer att lösa problem genom att bygga tillämpade AI-lösningar.

Rollen var vice president för kundlösningar. När jag började var jag i en projektkoordinatorsroll och ledde några AI-engagemang, jag flyttade sedan upp över tid, och vice presidenten för kundlösningarnas roll var ansvarig för leveransfunktionen, resursledning för projekt och aktiv kundhantering, mycket av den kundfacinga aspekten av det arbetet föll under mitt team.

Så långt som projekt är berörda, fanns det många, jag skulle säga på ett sätt, form eller annan, antingen som en hands-on projektkoordinator, en coach eller en kvalitetssäkringsresurs, dussintals AI-projekt som jag skulle ha arbetat med under de två och en halv åren, ett av mina favoritprojekt var ett skogsbrandprojekt. Jag arbetade med guvernören i Alberta. De kämpade med att förstå om en brand sannolikt skulle inträffa i ett visst område på dagar med måttlig brandrisk, och när de var osäkra var deras schemaläggningspraxis att schemalägga alla tillgängliga resurser, vilket inkluderade att anställa extra resurser, tung utrustning som bulldozers eller flygplan, helikoptrar, vilket naturligtvis är mycket dyrt.

Syftet med AI-projektet var att förutsäga för en given region vilken sannolikheten för en brand skulle vara för den regionen för nästa dag, för att hjälpa dem att fatta beslut om den optimala resursallokeringen för en process som de kallade för förtryck, som verkligen är den proaktiva schemaläggningen och resursallokeringen.

Det var verkligen coolt att se att i vissa scenarier kunde man dra ner resurser eller bara minska nivån eller fokusera dem vid vissa tider på dagen. Det skulle spara mycket pengar men inte införa någon materiell risk för att missa en brand, miljontals dollar i besparingspotential. Det arbetet har fortfarande pågått. Även idag tittar de på att utöka tidsfönstret lite grann, göra zonerna mindre och mer granulära för att bättre optimera resurser. Men tittar på hur skogsbrandssäsongen har varit så här långt i Alberta, vilken som helst intelligens som du kan ge uppfront om var riskerna är och kunna optimera resurser eller åtminstone omfördela resurser till rätt platser är verkligen banbrytande arbete, det var verkligen njutbart.

Jag gjorde också något arbete med anspråksbearbetning också. När en försäkringsgivare får tusentals anspråk som kommer in, vilka kan automatiskt godkännas, vilka skulle kräva en mänsklig granskning, eller till och med vilket team ett anspråk ska skickas till för att få rätt nivå av granskning. Det typen av arbete är också mycket viktigt och kan spara organisationer mycket möda och pengar i hur de gör sin verksamhet,

Du är för närvarande direktör för informationshantering och dataanalys på KPMG. Vad innebär den här rollen exakt?

Jag arbetar med företag för att guida dem genom resan att lösa dessa problem genom, i det här fallet, en bredare uppsättning data- och analytiska förmågor. Vi arbetar allt från datastrategi uppifrån och hjälper organisationer att organisera data från olika system, samla ihop dem, rapportering och analyser samt AI och ML. Det är en bredare roll än min förra, men det är också verkligen spännande för mig. Det bränslar min passion för lärande och självutveckling.

Som direktör arbetar jag vanligtvis med seniora ledare på kundsidan för att hjälpa dem att vägleda dem genom resan, ge dem en känsla av vad det kommer att ta, vad dessa projekt kommer att se ut, hur de kan förbereda sig. En stor fokus på antagande, särskilt med de avancerade analytiska systemen som är nya och som ibland kommer med en negativ konnotation från arbetskraften, så verkligen arbetar med dem på hur de bäst kan implementera dessa lösningar samt saker som processerna de kommer att behöva, strukturerna de kommer att behöva. Det är en stor del av rollen. Internt, leder jag engagemanget och leder projektteamen, hjälper till att få rätt prioriteringar för projektteamet och vägleda arbetet samt samordna olika team som arbetar med dessa projekt.

I en nylig intervju med Calgary Herald talade du om att det har funnits en ganska stor mängd AI-antagande i Alberta. I vilka branscher ser du detta mest?

Jag har sett antagande över många olika branscher i Alberta. Säkerligen har energi mycket av det, så jag har sett användningsfall där organisationer använder artificiell intelligens för att hjälpa till att optimera underhåll och säkerhetsinspektioner i rörledningar, var borrande ska eller kan ske? Eftersom borrning är mycket dyrt att göra om det finns en misstänkt läcka. Jag har också sett mycket i leverantörskedjan. När stora organisationer gör fusioner och förvärv, är deras data överallt. Ibland kämpar de verkligen med att hitta artiklar i sina materialmästare, så att kunna använda dessa språkmodeller som vi ser dyka upp just nu för att organisera data, strukturera den på ett sätt som den kan analyseras. Vi har sett betydande arbete med att konsolidera leverantörsavtal genom att bara kunna bättre söka och fråga och hitta information. Det kan spännas över flera branscher, inte bara inom energi men jag ser det tillämpat där.

Säkerhet är en stor, så att använda antingen bildbehandling eller till och med språkmodeller för att hitta den mest relevanta typen av säkerhetsgenomgång eller säkerhetsinspektion som bör utföras på en viss plats. I finansiella tjänster, mycket arbete med att personanpassa upplevelsen för en bankkund, ge den bästa möjliga rådgivningen och hitta skräddarsydda lösningar för människor som är i olika finansiella scenarier är en mycket viktig fokus och vi har sett mycket arbete där. Och sedan försäkring. Som jag nämnde tidigare, mycket av det här triagerings- och anspråksbearbetningsarbetet. En till som jag kanske skulle föreslå också är skogsbruk och markhantering, ser en viss uppgång i användningen av satellitbilder för att upptäcka förändringar i landskapet, kunna hantera avtal om mark och använda dessa bildbehandlingsmetoder för att kunna identifiera saker som borde eller inte borde finnas där, eller saker som har förändrats över tid.

Det är verkligen spännande och vi ser att olika organisationer är på olika stadier av sin mognad. Vissa är antingen bara börjar eller experimenterar, medan andra är längre fram och fullt ut antagna, men de flesta organisationer inser att om de inte börjar eller inte flyttar framåt på det här området, kommer de att lämnas efter och det kommer att skapa en stor konkurrensnackdel för dem, så intresset är verkligen högt över hela linjen. Och med generativa AI-kapaciteter genererar det mycket intresse också.

Pratar om generativ AI, hur ser du att den här tekniken kommer att förändra framtiden?

Jag är mycket entusiastisk för det. Jag ser potentialen. Jag tycker också att det är viktigt att ha rätt kontroller på plats för generativ AI, jag tror verkligen att det finns många användningsfall där den här tekniken kan appliceras för att göra stora produktivitetsvinster eller effektivitetsvinster för företag. Några av dem, som i användningsfallet jag just nämnde med leverantörskedjan, det var att utnyttja några av dessa tekniker även innan ChatGPT offentliggjordes. Så långt som jag ser att det är på väg, en av de coola trenderna jag ser är att alltmer av den här tekniken integreras i mainstream-företagsapplikationer just nu. Microsoft (MSFT ) har tillkännagett sitt Copilot-verktyg som kommer att integreras med dina Microsoft Office-appar, jag såg i något av deras material saker som att skriva en briefing och bara prompta ordbehandlaren med “Kan du göra den här meningen kortare?” Och den gör det för dig.

När dessa generativa AI-teknologier integreras direkt i mainstream-företagsapplikationer, kommer det att tvinga företag att tänka på hur och när de antar dem, hur de kontrollerar dem, hur de kan övervaka kvalitetssäkring på de produkter de producerar. När det är en fristående separat förmåga, är det lite lättare att sakta ner eller ignorera det, men att se att den här tekniken integreras i mainstream-företagsapplikationer och plattformar, kommer verkligen att driva den diskussionen framåt.

Jag hoppas också att med det här och betoningen just nu på ansvarsfullt användande av den här tekniken, att det hjälper organisationer att lägga fokus på ansvarsfull AI, att sätta rätt processer, rätt styrning på plats för att verkligen säkerställa att deras AI-lösningar byggs effektivt, att risken hanteras under hela livscykeln, att det finns uppföljningskontroller och att du kan lita på utdata från dem. Jag hoppas att den här hype just nu kring generativ AI verkligen driver den diskussionen med dessa förmågor framåt.

Kan du diskutera hur ansvarsfull AI och minskning av AI-fördomar är riktigt viktigt för dig.

Absolut. Jag tycker att det måste vara för flera skäl. De flesta människor som bygger dessa system kommer att ha stolthet i det arbete de gör och de vill inte att deras system ska ha det, så det kommer att finnas ett internt behov av att ha det för att hålla sin arbetskraft engagerad och glad och skyddad. Lagligt, det finns exempel där organisationer har stått inför rättsliga eller regulatoriska utmaningar för fördomarna i deras AI. Det finns en klassisk fallstudie av en organisation som använde AI i rekrytering. Datamängden var fördomsfull mot män över kvinnor, så deras AI diskriminerade kvinnor.

Det var ett AI-verktyg av Amazon.

Saker som det har redan inträffat och har potential att fortsätta inträffa om du inte har rätt kontroller på plats, att ha ett riktigt fokus på det kommer att vara avgörande för de flesta organisationer. Och sedan reputationsrisken för organisationer. Om du får det fel, kan det ha en enorm inverkan på din verksamhet.

Du är också en stor anhängare av att utnyttja mångfalden och erfarenheten av tvärfunktionella team. Varför är mångfald så viktigt i din åsikt?

För tillfället är de typer av problem som löses med AI så komplexa, från ett affärsperspektiv, från data som ligger under, kan ingen person eller roll lösa alla dessa problem på egen hand. Att ha ett bra tvärfunktionellt team med olika perspektiv och kompetenser är verkligen viktigt, för att ha människor som är starka i ett område och verkligen utnyttja deras styrka. Så långt som mångfalden kommer in, en annan stor drivkraft för att ha ett diversifierat team är att i de flesta fall kommer slutanvändarna av dessa system att vara en diversifierad grupp människor, och att inte ha dessa perspektiv med i ditt team när du bygger dem, sätter dig verkligen upp för att göra misstag längre fram eller missa saker, saker som jag kanske inte tänker på som någon annan kan och de tar det perspektivet framåt. Det är lättare att lösa problem och justera för det i utvecklingscykeln än det är efter en release.

Jag tror också starkt på att ha olika perspektiv är där du får den bästa dialogen, du får riktigt bra frågor som kommer från människor som ser något från en annan lins. Det tvingar samtal om hur man bäst närmar sig något. Det får dig att vända på några av de stenarna du kanske inte skulle ha vänt på om den personen inte var där, att ha en diversifierad grupp människor som tittar på ett problem, möjliggör att du får det bästa möjliga resultat och den bästa möjliga lösningen.

Vad tror du kommer att vara den nästa stora genombrottet inom AI?

I den generativa AI-linsen, jag tycker att när vi ser mer av den tekniken integreras i mainstream-applikationer, och det börjar redan, det kommer att vara enormt för antagandet av tekniken, för det kommer att vara rätt där på systemen som människor redan använder. Det kommer att vara verkligen, verkligen viktigt, och det kan öppna dörren till några av de andra användningsfallen, när människor blir mer bekanta med vad den kan göra, vad dess begränsningar är, hur den kan användas optimalt, och det kan utlösa människors tankar och “okej, nu har jag en bättre förståelse för vilka typer av problem den här tekniken kan lösa. Vi har det här problemet. Det vore riktigt coolt att lösa”, och det kan öppna upp några nya dörrar.

Jag hoppas också att den regulatoriska policyn är ett genombrott som kommer i närmaste framtiden också. Jag vet att det finns mycket rörelse på lagstiftningsnivå och regulatorisk nivå, men vad jag hoppas är att enskilda företag också figurerar ut för sig själva eller får råd om hur de behöver tänka på det och vad är några av de interna kontroller som de bör sätta på plats nu.

Lagar och regler tar lång tid. Företag kan driva mycket förändring genom att ta på sig några av dessa kontroller internt och tänka igenom det. Det finns prejudikat för det, tydligt med revisioner och sådant, något som KPMG är riktigt bra på. Men att tänka på vad dessa kontroller kan vara, hur vi kan kontrollera det, hur vi kan testa utdata? Hur kan vi säkerställa att vi minskar hallucinationer? Vilka är några av de extra stegen efter att modellen har producerat sin utdata som vi kan ta för att minimera eventuell skada eller risk? Det är de rätta typerna av frågor och jag hoppas att några av den hype, igen, just nu är ett genombrott på hur vi tänker på det och hur vi bygger rätt strukturer, processer och team på den ansvarsfulla AI-sidan.

Tack för den underbara intervjun, läsare som vill lära sig mer bör besöka KPMG.