Shadi Rostami, SVP of Engineering at Amplitude – Intervju-serie

Shadi är SVP of Engineering på den digitala analytikerledaren Amplitude. Hon är en passionerad, erfaren teknisk ledare och arkitekt med erfarenhet av att bygga och leda högt kompetenta ingenjörsteam. Innan Amplitude var hon VP of Engineering på Palo Alto Networks. Hon har innovativt och levererat flera produktlinjer och tjänster specialiserade på distribuerade system, molnberäkning, stordata, maskinlärning och säkerhet.

Amplitude är byggt på modern maskinlärning och generativ AI-teknologi som möjliggör för produktteam att bygga smartare, lära snabbare och skapa de bästa digitala upplevelserna för sina kunder.

Vad var det som initialt drog dig till datavetenskap och teknik?

Jag växte upp i Iran och följde ursprungligen en högskoleväg som skulle möjliggöra en karriär inom medicin, vilket var den väg min far ville att jag skulle följa och den som min bror gjorde. Efter ungefär ett och ett halvt år bestämde jag mig för att det inte var rätt väg för mig. Istället följde jag teknik och blev den första tjejen i Iran som gick till Informatic Olympiad (IOI) och vann bronsmedaljen, en årlig tävling för högskoleelever runt om i världen som tävlar i matematik, fysik, informatik och kemi. Det ledde mig till att följa teknik vid Sharif University of Technology i Iran och senare få min doktorsexamen i datorteknik vid University of British Columbia i Kanada. Efter det arbetade jag för startup-företag i några år och tillbringade sedan ett decennium på Palo Alto Networks, där jag slutligen blev VP med ansvar för utveckling, QA, DevOps och datavetenskap. För fem år sedan flyttade jag till Amplitude som SVP of Engineering.

Kan du diskutera Amplitudes kärna AI-filosofi som säger att AI bör hjälpa människor att förbättra sitt arbete snarare än att ersätta dem?

AI förvandlar snabbt nästan varje bransch, och med förvandlingen kommer frågor om hur företag kommer att använda tekniken. Vi känner starkt för att göra AI rätt. Denna övertygelse ledde oss till att utveckla vår kundcentrerade AI-filosofi, som vilar på fem huvudsakliga principer: (1) samarbetsutveckling och tankepartnerskap, (2) datastyrning och användardataskydd, (3) transparens, (4) integritet, säkerhet och regelefterlevnad, och (5) kundval och kontroll. Vi vet att dessa principer är nyckeln när företag fortsätter att anta och testa AI och slutligen blir riktigt datastyrd. För våra syften innebär detta att bygga AI-verktyg som hjälper människor att komma till insikter snabbare. När AI används på rätt sätt leder insikterna till snabbare, bättre beslut som driver resultat på bottenraden. Att använda AI som ett verktyg för att komplettera mänsklig intelligens och kreativitet är där jag ser att AI har sin största inverkan.

Kan du förklara begreppet “data-demokrati” i sammanhanget med dagens AI-drivna affärsmiljö?

“Data-demokrati drivs av kunskapen att team fungerar bättre, snabbare och mer effektivt när de kan komma åt rätt datainsikter vid rätt tidpunkt. I dagens snabbt föränderliga AI-drivna miljö kan team inte vänta dagar eller veckor på datahämtning. För att mildra detta måste företag ge sina team möjlighet att utnyttja data på ett självbetjäningsvis. Nu innebär detta inte datakaos utan parametrar. I slutändan leder dålig data till dålig AI. Men med rätt verktyg och processer på plats kan företag balansera data-demokratisering med datastyrning, vilket möjliggör bättre affärsresultat.”

Vilka nyckeländringar i organisationskultur tror du är essentiella för att möjliggöra sann data-demokrati i AI-eran?

Att etablera en sann data-demokrati inom din organisation börjar med två grundläggande kulturella förändringar: att tillhandahålla rätt, mest tillgängliga verktyg och att genomföra organisationsomfattande insatser kring datakompetens. Detta innebär att anta självbetjäningsverktyg som tillåter icke-tekniska teammedlemmar, såsom marknadsföring eller kundsupport, att inte bara komma åt data utan också analysera och vidta åtgärder baserat på den. Jag tror att självbetjäningsdataanalys kan och bör driva samarbete över team, inspirera nyfikenhet och utforskning, skala datakompetens och lägga bias på handling och inverkan. Det är också viktigt att lägga gemensamma ansträngningar mellan det centrala datateamet och linjebusinessteam för att genomföra kontinuerlig datastyrning för att säkerställa att datakvaliteten inte försämras över tid.

I din erfarenhet, vad är de mest betydande utmaningarna organisationer står inför för att uppnå data-demokratisering, och hur kan de övervinna dessa hinder?

I det förflutna har företag försökt att centralisera data inom ett team av experter, vilket lämnar resten av organisationen beroende av detta team för att leverera analys och nyckelinsikter som kan vara avgörande för deras dagliga verksamhet och beslutsfattande. Medan det är viktigt att demokratisera dataåtkomst för att lösa denna flaskhals, kan det också vara utmanande. När jag pratar med dataledare om att operationalisera självbetjäning är det tydligt att det finns ett spektrum. På ena sidan har du låga inställningsverktyg för icke-tekniska och linjebusinessteam. Slutligen ger dessa verktyg inte den djup och bredd av svar som dessa team behöver. På andra sidan har du mer tekniska verktyg för mer tekniska team. De är mer flexibla i termer av analys, men de är långsamma och troligen kan mycket få människor ens använda dem. Vi kallar dessa verktyg för att skapa en “data-brödlinje” … du väntar alltid på svar. Team behöver en lösning mitt emellan. Tänk utanför boxen-lösningar som uppmuntrar, inte hämmar, utforskning och experiment. Med rätt verktyg och teamutbildning kan företag mer lätt brottas data-demokratiseringsgapet.

Hur viktigt är datakompetens i processen med data-demokratisering, och vilka steg bör företag ta för att förbättra den bland sina anställda?

Att främja en miljö av data-demokratisering över dina team är en kulturell utmaning som kräver utbildning och företagsomfattande acceptans. I mina erfarenheter av att undervisa dataprocesser till icke-tekniska medlemmar är den bästa vägen att utveckla dessa färdigheter genom en kombination av utbildning och hands-on-lärande. Jag rekommenderar att utveckla ett omfattande utbildningsprogram för att säkerställa att anställda känner sig bekväma och säkra på de insikter de drar från sin data. Se till att du använder ett verktyg som inte förhindrar icke-tekniska användare: till exempel något verktyg som kräver kunskap om SQL skulle marginalisera personer utan programmeringsexpertis. Därefter ger du möjligheter för anställda att dyka in och börja leka med data. Slutligen implementerar du ett verktyg som främjar utforskning och samarbete. Ju mindre människor arbetar i silos, desto mer kan de studsa idéer av varandra, vilket leder till mer upplysande insikter. Om du är en dataprofessionell som undervisar en icke-teknisk teammedlem, kom ihåg att du har tillbringat år med att lära dig hur man hämtar och använder data, så du tänker på det annorlunda än den vanliga användaren. Var öppen för att undervisa andra snarare än att göra allt själv. Annars kommer du aldrig att ha någon ledig tid att göra något annat än att svara på människors frågor.

Med den snabba utvecklingen av data-verktyg och generativa AI-teknologier, hur bör företag anpassa sina strategier för att ligga före i datahantering och användning?

Datastyrning är en av de största utmaningarna företag fortfarande står inför, och det är något varje organisation måste bemästra för att möjliggöra meningsfulla AI- och dataupplevelser. AI är bara så bra som den data som driver det, och ren data leder till mer påverkande insikter, lyckligare användare och affärsutveckling. På detta sätt måste företag vara proaktiva om datarengöring och taxonomi, och det finns möjligheter att använda generativ AI för att hantera AI-styrning och kvalitet. Till exempel lanserade Amplitude vår AI-drivna Data Assistant-produkt förra året, som erbjuder intelligenta rekommendationer och automatisering för att göra datastyrning smidig och hjälpa användare att ta hand om datakvalitetsinsatser.

Hur möjliggör Amplitude för företag att bättre förstå kundresan?

Att bygga fantastiska digitala produkter och upplevelser är svårt, särskilt i dagens konkurrensutsatta landskap. Idag vet många företag fortfarande inte vem de bygger för eller vad deras kunder vill ha. Amplitude hjälper företag att besvara frågor som “Vad älskar våra kunder? Var fastnar de? Vad håller dem kvar?” genom kvantitativa och kvalitativa datainsikter. Vår plattform hjälper företag att bättre förstå den slut-till-slut-kundresan genom att yta data för att driva kundanskaffning, monetering och kundbehållningscykeln. Idag använder mer än 2 700 kunder, inklusive företagsmärken som Atlassian, NBC Universal och Under Armour, Amplitude för att bygga bättre produkter.

Tack för det underbara intervjun, läsare som vill lära sig mer bör besöka Amplitude.