Dr. Rich Sonnenblick, Chief Data Scientist, Planview – Intervju-serie

Dr. Rich Sonnenblick, Planviews chefsdatavetare, har lång erfarenhet av att arbeta med några av de största läkemedels- och life sciences-företagen i världen. Genom denna djupgående studie och tillämpning har han framgångsrikt formulerat insiktsfulla prioriterings- och portföljgranskningsprocesser, poängsystem och finansiella värderings- och prognosmetoder för att förbättra både produktprognoser och portföljanalys. Dr. Sonnenblick har en doktorsexamen och en masterexamen från Carnegie Mellon University i teknik och offentlig politik och en kandidatexamen i fysik från University of California, Santa Cruz.

Planviews plattform för ansluten arbete är utformad för att förbättra tiden till marknaden och förutsägbarheten, förbättra effektiviteten för att maximera kapaciteten och stödja leveransen av strategiska initiativ som syftar till att uppnå optimala affärsresultat.

Du har haft en omfattande karriär som gått från managementkonsult till att leda data science-initiativ. Vad inspirerade dig att göra denna förändring, och hur har din resa format din synsätt på att använda AI i affärer idag?

Managementkonsulttjänster gav mig en bred vy av affärsineffektiviteter och outnyttjade möjligheter, där det finns ett tydligt gap mellan strategisk rådgivning och genomförbara insikter. Data science brottas detta gap, omvandlar rådata till strategiska tillgångar som har kraften att informera beslutsfattandet i realtid. Min resa har lärt mig att se AI som en förbättrare som kan raffinera processer, accelerera beslutsfattandet och låsa upp kreativitet på sätt som förstärker mänsklig expertis.

På Planview har du lett integrationen av avancerade AI-lösningar över olika affärsfunktioner. Kan du dela hur din roll som chefsdatavetare har påverkat företagets AI-strategi och de största utmaningarna du har mött på vägen?

På Planview är AI inbäddat i vår plattform som ett verktyg för att låsa upp insikter och förbättra beslutsfattandet. Jag har fokuserat på att använda AI för att optimera resurshantering, projektplanning och operativ effektivitet. Vår Copilot AI-assistent tillhandahåller utbildning på jobbet för användare på alla nivåer, automatiserar frekventa tidskrävande uppgifter som rapportgenerering och utnyttjar bästa praxis för att föreslå produktiva handlingsalternativ, vilket ger team möjlighet att snabbt fatta informerade beslut.

Hur kan AI hjälpa företag att identifiera ineffektiviteter inom team och förbättra resursallokering?

AI excellerar vid att identifiera mönster i data som är för komplexa för att snabbt erkännas av människor. Den kan belysa underutnyttjade resurser, identifiera flaskhalsar och förutsäga arbetsbelastningsobalanser. Till exempel, genom att analysera portföljobjektiv, projekttidsplaner och teamprestationsmått, kan AI föreslå att uppgifter omfördelas eller resurser omfördelas över portföljer för att skapa maximal effekt utan att lägga till ytterligare resurser.

Vilka är några vanliga ineffektiviteter i resurshantering som AI är särskilt effektivt på att hantera?

AI är särskilt skicklig på att belysa avvikande och underpresterande initiativ, och vi har byggt in dessa kritiska färdigheter i Planview Copilot. När Copilot utvecklas kommer den att bli bättre på att belysa och föreslå åtgärder. Den kan också flagga slöseri i processer, såsom onödiga uppgifter eller onödiga överlämningar, och föreslå optimeringar.

Varför är slöseri en betydande utmaning för programvaruteam, och på vilka sätt kan AI minska det?

Slöseri i programvaruutveckling härrör ofta från ineffektiviteter som dålig prioritering, överdriven felsökning eller missriktade teaminsatser. AI kan minska slöseri genom att fungera som en kodassistent, automatisera repetitiva uppgifter och erbjuda prediktiva insikter i projekttidsplaner och potentiella risker. Till exempel kan den analysera tidigare projekt för att identifiera mönster som leder till förseningar, vilket hjälper team att undvika dessa fallgropar.

Finns det specifika AI-modeller eller verktyg som är särskilt lämpliga för att optimera programvaruutvecklingslivscykeln?

För att optimera programvaruutvecklingslivscykeln letar vi efter förbättrad effektivitet och samstämmighet. Planview Copilot i Viz identifierar flaskhalsar och hinder för flödeshastighet och tillhandahåller handlingsbara insikter anpassade till en organisations data. Team kan använda vanligt språk för att tolka flödesmått, identifiera systematiska leveransförseningar och få detaljerade rekommendationer. Denna optimering är nyckeln till att öka produktiviteten och slutligen strömlinjeforma leveransen.

Hur skapar underliggande datarelationer ytterligare värde när man distribuerar AI som en arbetsassistent?

Genom att kartlägga relationer mellan datapunkter – antingen i projekttidsplaner, resursutnyttjande eller teamkommunikation – kan AI yta insikter som går utöver det uppenbara. Till exempel kan länkning av sentimenttrender i statusuppdateringar till projektmål hjälpa chefer att förutse hinder innan teamet rapporterar dem till ledningen, vilket ger tillräckligt med tid för proaktiva justeringar.

Vilka steg bör mindre organisationer ta för att anta AI på ett överkomligt sätt utan att kompromissa med påverkan?

Mindre organisationer bör börja med tillgängliga generativa AI-verktyg som fungerar som grindar till mer avancerade lösningar. Verktyg som sammanfattar dokument, assisterar med marknadsinnehåll eller assisterar med kodgenerering är kostnadseffektiva sätt för dessa organisationer att börja sin AI-antagande utan omfattande investering. Att börja med ett horisontellt AI-erbjudande som är tillämpligt på ett brett spektrum av användningsfall kommer att vara ett bättre värde än att investera i specialiserade applikationer som vrider generativ AI till mycket specifika jobb-att-göras. Detta möjliggör för organisationen att identifiera högsta påverkansanvändningsfall specifika för sin organisation snarare än att översatsa i flera erbjudanden.

Vilken roll spelar prediktiv analys för att förbättra projektmål?

Prediktiv analys hjälper team att förutse potentiella hinder och resultat baserat på historiska data och nuvarande trender. AI-agenter kan förutsäga sannolikheten för projektförseningar eller resursbrist, vilket möjliggör för produktchefer att justera planer proaktivt. Denna förutsägbarhet minimerar risk och maximerar effektivitet, vilket slutligen möjliggör för organisationer att uppnå sina strategiska mål snabbare.

Om du ser framåt, hur ser du att AI kommer att omvandla affärsverksamhet under de kommande decennierna, och vilka framväxande AI-trender är du mest entusiastisk över för deras potential att påverka branscher?

AI kommer att fortsätta omvandla affärsverksamhet under de kommande decennierna. Det kommer att skapa nya roller, förbättra prediktiva förmågor och strömlinjeforma innovation.

LLM-nativa utvecklare, experter på att integrera AI-samarbete, kommer att bli normen och kommer att ersätta utvecklare som inte antar AI i sin dagliga verksamhet. Generativ AI kommer att fortsätta suddiga gränserna med prediktiv AI, berikar algoritmer med syntetiska scenarier för strategiskt beslutsfattande baserat på externa och interna faktorer. I bioteknik kommer genAI att skapa invecklade patientprofiler för att avslöja nya behandlingsalternativ, medan i cybersäkerhet kommer AI att simulera nya hot för prediktiva modeller för att motverka. Framväxande trender som adaptiv inferens och mindre, mer effektiva AI-modeller kommer att hantera beräkningsutmaningar under de kommande åren. De kommer att säkerställa snabbare, mer riktade lösningar.

Från strategisk planering till proaktiv säkerhet kommer AI-integrationen att möjliggöra för företag att agera med smidighet, avslöja resilienta strategier och operativ excellens i en alltmer dynamisk värld.

Tack för det utmärkta intervjun, läsare som vill lära sig mer kan besöka Planview.