ฮอลลี่ แกรนท์, SVP, กลยุทธ์และนวัตกรรม, DXC Technology – สัมภาษณ์ซีรีส์

ฮอลลี่ แกรนท์, SVP, กลยุทธ์และนวัตกรรมที่ DXC Technology (DXC ), เป็นผู้บริหารด้านเทคโนโลยีและปฏิบัติการที่มีประสบการณ์อย่างลึกซึ้งในการพัฒนา กลยุทธ์ AI ระดับองค์กร, ฟินเทค, การเป็นผู้นำสตาร์ทอัพ, และการเปลี่ยนแปลงการดำเนินงาน ใน DXC เธอช่วยกำหนดความคิดริเริ่มนวัตกรรม AI ของบริษัท รวมถึงการกำกับดูแล AI ระดับองค์กร, บริการที่ปรึกษา, และความพยายามในการสร้างผลิตภัณฑ์ใหม่ๆ ที่ออกแบบมาเพื่อช่วยให้องค์กรต่างๆ สามารถย้ายจากการทดลอง AI ไปสู่การนำไปใช้จริงได้ ก่อนที่จะเข้าร่วม DXC เธอ曾ดำรงตำแหน่งผู้นำหลายตำแหน่งที่ Long-Term Stock Exchange (LTSE) และในที่สุดก็ได้รับตำแหน่ง Chief Operating Officer โดยมุ่งเน้นไปที่การขยายตัวและการเติบโตเชิงกลยุทธ์ในภาคฟินเทค

DXC Technology เป็นบริษัทให้บริการ IT และที่ปรึกษาที่มุ่งเน้นในการช่วยให้องค์กรต่างๆ ทั่วโลกทันสมัย化ระบบที่สำคัญต่อภารกิจของตนเองผ่านการประมวลผลคลาวด์, ไซเบอร์ซีเคียวริตี, ปัญญาประดิษฐ์, โครงสร้างพื้นฐานข้อมูล, และการดำเนินงานขององค์กร ซึ่งเกิดจากการรวมกิจการระหว่าง Computer Sciences Corporation และ Hewlett Packard Enterprise’s (HPE ) Enterprise Services division บริษัทนี้ทำงานร่วมกับองค์กรต่างๆ ทั่วอุตสาหกรรมต่างๆ รวมถึงสุขภาพ, ธนาคาร, การผลิต, การประกันภัย, และรัฐบาล ในช่วงไม่กี่ปีที่ผ่านมา DXC ได้เน้นย้ำถึงการเปลี่ยนแปลงองค์กรให้เป็น AI-native มากขึ้น โดยเสนอบริการที่รวมการบูรณาการ AI ที่สร้างสรรค์, การอัตโนมัติที่ฉลาด, การสังเกตการณ์, ตัวแทนเสมือน, และการปรับปรุงโครงสร้างพื้นฐาน IT ระดับใหญ่เข้าด้วยกัน นอกจากนี้ บริษัทยังเน้นย้ำถึงโมเดลการดำเนินงาน “AI-first” ที่ออกแบบมาเพื่อช่วยให้องค์กรต่างๆ สามารถใช้ AI อย่างปลอดภัยภายในโครงสร้างพื้นฐานที่มีอยู่แล้ว แทนที่จะเปลี่ยนระบบเก่าออกไปทั้งหมด

คุณได้สร้างอาชีพที่จุดตัดระหว่างกลยุทธ์, การดำเนินงาน, และนวัตกรรม ตั้งแต่การขยายองค์กรในตอนต้นอาชีพของคุณจนถึงการเป็นผู้นำกลยุทธ์และนวัตกรรมที่ DXC ในปัจจุบัน ประสบการณ์เหล่านั้นได้塑造แนวทางของคุณในการเปิดตัว LabX และการออกแบบสภาพแวดล้อมการเพาะปลูก AI ที่มุ่งเน้นไปที่ผลกระทบทางธุรกิจจริงอย่างไร?

อาชีพของฉันทำให้ฉันผ่านครอบครัวออฟฟิศ, สตาร์ทอัพ, ธนาคารเพื่อการลงทุน, และตอนนี้บริษัท Fortune 500 ที่อยู่ระหว่างการเปลี่ยนแปลง ฉันเห็นว่าความคิดที่ดีๆ ไม่ได้ลงจอดด้วยตัวเอง ความคิดที่สร้างมูลค่าจริงๆ มักจะมีสามสิ่ง: ลูกค้าที่แท้จริงที่สนับสนุนพวกเขา, โมเมนต์ที่เหมาะสมในตลาด, และขอบเขตที่ชัดเจนและแคบพอดี หากพลาดอย่างใดอย่างหนึ่ง แม้แต่ความคิดที่ยอดเยี่ยมก็จะหยุดชะงัก

รูปแบบนั้นได้塑造วิธีที่ฉันคิดเกี่ยวกับ LabX คุณต้องการทฤษฎีแห่งชัยชนะ – กลยุทธ์ที่แท้จริง – แต่คุณยังต้องการความสามารถในการดำเนินงานที่จะนำสิ่งนั้นมาเป็นจริง และความมีวินัยในการปรับตัวเมื่อคุณเรียนรู้และสถานการณ์เปลี่ยนแปลง กลยุทธ์โดยไม่มีการดำเนินการคือการนำเสนอที่ไม่มีผลลัพธ์ การดำเนินการโดยไม่มีกลยุทธ์คือการเคลื่อนไหวโดยไม่มีผลลัพธ์ LabX ได้รับการออกแบบมาเพื่อรองรับทั้งสองสิ่งนี้พร้อมๆ กัน

ภายใต้การนำของ CEO Raul Fernandez, DXC ได้วางกลยุทธ์ AI และนวัตกรรมไว้ที่ใจกลางของกลยุทธ์การเปลี่ยนแปลงของเรา LabX คือวิธีที่เราแปลความเชื่อมั่นนั้นเป็นผลิตภัณฑ์, ความสามารถ, และผลลัพธ์ของลูกค้า – เร็วพอที่จะส่งผลกระทบ

หลายองค์กรกำลังทดลองกับ AI แต่ต้องดิ้นรนในการย้ายจากการทดลองไปสู่การผลิต จากสิ่งที่คุณเห็นที่ DXC อุปสรรคที่ใหญ่ที่สุดในการขยาย AI ขององค์กรคืออะไร?

อุปสรรคสองประการเกิดขึ้นซ้ำๆ และไม่มีสิ่งใดเกี่ยวข้องกับเทคโนโลยีจริงๆ

ประการแรกคือการเปลี่ยนแปลงการบริหารจัดการ AI เปลี่ยนแปลงวิธีการทำงานของคน, สิ่งที่พวกเขารับผิดชอบ, และวิธีการตัดสินใจ หากคุณไม่นำพนักงานมาให้พร้อมกัน แม้แต่โมเดลที่สวยงามที่สุดก็จะไม่ได้ใช้งาน เมื่อบริษัทเริ่มขยาย AI โดยไม่เปลี่ยนโมเดลการดำเนินงาน พวกเขาจะติด AI เข้ากับระบบหรือแอปพลิเคชันเฉพาะหนึ่งๆ เพื่อให้ผู้ใช้คนหนึ่งสามารถใช้ได้ แต่ทีมอื่นๆ ไม่สามารถ AI เป็นปัญญาประดิษฐ์ระดับแนวหน้า – มันสร้างมูลค่ามากที่สุดเมื่อสามารถข้ามฟังก์ชัน, ข้อมูล, และกระบวนการทำงานได้ เมื่อโมเดลการดำเนินงานไม่เปลี่ยนแปลง มูลค่านั้นจะถูกกักตัวอยู่ในระดับพื้นที่แทนการเพิ่มขึ้นทั่วทั้งองค์กร

ดังนั้นการทดลองจึงทำงานได้ แต่ไม่มีอะไรขยายตัวจริงๆ นั่นคือรูปแบบที่เราพยายามที่จะทำลายที่ LabX โดยการออกแบบสำหรับการปลดล็อกในระดับองค์กรตั้งแต่วันแรก

LabX ปฏิบัติตามวงจรแนวคิดถึง MVP ในเวลาประมาณ 90 วันหรือน้อยกว่า สิ่งที่เปลี่ยนแปลงในด้านความคิด, การกำกับดูแล, หรือกระบวนการพัฒนาที่จำเป็นต่อองค์กรขนาดใหญ่เพื่อให้เคลื่อนไหวด้วยความเร็วเช่นนี้?

การเปลี่ยนแปลงความคิดที่ใหญ่ที่สุดคือความเต็มใจที่จะตัดสินใจเร็วขึ้นด้วยข้อมูลที่ไม่สมบูรณ์แบบ – และความมีวินัยในการตัดสิ่งที่ไม่ได้ผล องค์กรขนาดใหญ่จะรู้สึกสบายใจกับการวางแผนระยะยาวเพราะพวกเขารู้สึกว่ามันปลอดภัย แต่จริงๆ แล้วไม่ใช่เช่นนั้น ในตลาดที่เคลื่อนไหวเร็วเช่นนี้ “ใช่” ที่ช้าและ “ไม่” ที่ช้าเท่ากันคือการเสียค่าใช้จ่าย

ภายใน LabX เรามอบหมายทีมเล็กๆ ที่ประกอบด้วยการออกแบบ, ผลิตภัณฑ์, และวิศวกรรมเพื่อทำงานสปรินต์ในการแก้ปัญหาลูกค้าจริง พวกเขาสร้างผลิตภัณฑ์ขั้นต่ำที่สามารถใช้งานได้, ทดสอบมันสำหรับคุณค่าและขนาด, และเราจะจบแนวคิดที่แสดงถึงความมั่งคั่งทางพาณิชย์ภายใน 90 วัน สิ่งที่ทำให้ความเร็วเป็นไปได้คือการมีการกำกับดูแลที่เหมาะสม ไม่ใช่การไม่มีการกำกับดูแล ความปลอดภัย, ความเป็นส่วนตัว, การปฏิบัติตามกฎระเบียบ, และการอนุมัติ AI ที่รับผิดชอบถูกสร้างเข้าไปในกระบวนการตั้งแต่วันแรก ไม่ใช่การเพิ่มเข้ามาในตอนท้าย ผลิตภัณฑ์ทุกชิ้นต้องผ่านการตรวจสอบการกำกับดูแลอย่างเป็นทางการก่อนที่จะขยายขนาด

สำหรับองค์กรส่วนใหญ่ การไปถึงจังหวะเช่นนี้ต้องการการคุ้มครองพื้นที่ที่มันถูกต้องที่จะเคลื่อนไหวในลักษณะนี้ – โดยไม่บังคับให้ทุกๆ การทดลองผ่านวงจรเวลาเดียวกันกับการสร้างแพลตฟอร์มหลายปี นั่นคือสิ่งที่ LabX เป็นตัวแทนสำหรับเรา

DXC อธิบาย LabX ว่าเป็นวิธีการตรวจสอบแนวคิด AI ที่มีศักยภาพสูงกับลูกค้าก่อนที่จะขยายขนาดมัน วิธีการ “ลูกค้าศูนย์” นี้ช่วยให้แน่ใจได้อย่างไรว่าโซลูชัน AI มีหลักการอยู่บนความต้องการการดำเนินงานจริงมากกว่ากรณีการใช้งานทางทฤษฎี?

ลูกค้าศูนย์คือจุดแข็งของเรา จริงๆ แล้ว ก่อนที่ผลิตภัณฑ์ LabX ใดๆ จะออกสู่ตลาด มันจะต้องผ่านการทดสอบภายใน DXC ก่อน เราจัดการพนักงาน 115,000 คนใน 70 ประเทศ อุตสาหกรรมที่มีการควบคุม, สัญญาลูกค้าที่ซับซ้อน, ระบบเก่า, และความเสี่ยงในการดำเนินงานที่แท้จริง นั่นไม่ใช่สภาพแวดล้อมทดลองที่สะอาด – นั่นคือความเป็นจริงขององค์กร

สตาร์ทอัพแบบดั้งเดิมสามารถเคลื่อนไหวได้อย่างรวดเร็ว แต่พวกเขาไม่สามารถจำลองประสบการณ์ที่มีชีวิตอยู่ภายในความซับซ้อนนั้นได้อย่างง่ายดาย เมื่อเราทดสอบผลิตภัณฑ์บนเราเองก่อน เราจะพบจุดที่มันพังทลายบนข้อมูลจริง, กระบวนการทำงานจริง, และข้อจำกัดด้านกฎระเบียบจริง – สิ่งที่จะเกิดขึ้นในลูกค้า 6 เดือนต่อมา เมื่อเรานำเสนอผลิตภัณฑ์ให้กับลูกค้า เราไม่ได้ขายทฤษฎี เราสามารถพูดได้ว่า: ‘นี่คือสิ่งที่มันทำภายในการดำเนินงานของเราเอง, นี่คือสิ่งที่เราเปลี่ยนแปลง, นี่คือสิ่งที่เราวัดผล’

มันทำให้เราเป็นจริงด้วย หากผลิตภัณฑ์ไม่สามารถพิสูจน์ตัวเองภายในได้ มันจะไม่ผ่านการคัดเลือก นั่นคือมาตรฐานที่สูงกว่าการพูดว่า ‘มันทำงานในตัวอย่าง’

สภาพแวดล้อมองค์กรมักเต็มไปด้วยระบบเก่า, ข้อมูลที่กระจัดกระจาย, และข้อจำกัดด้านกฎระเบียบ คุณออกแบบกระบวนการทำงาน AI ที่สามารถทำงานได้อย่างมีประสิทธิภาพภายในความซับซ้อนนั้นได้อย่างไร?

เริ่มต้นด้วยสมมติฐานที่ว่าสภาพแวดล้อมนั้นซับซ้อน – นั่นคือพื้นฐาน, ไม่ใช่ข้อยกเว้น

ทางด้านสถาปัตยกรรม เราทำงานด้วยแนวทางที่สามารถแยกส่วนได้ของแพลตฟอร์มของเรา เครื่องมือ AI ที่นำหน้าเปลี่ยนแปลงทุกเดือน, ไม่ใช่ทุกปี หากคุณเชื่อมต่ออย่างแน่นหนาเข้ากับโมเดล, ผู้ขาย, หรือเฟรมเวิร์กใดๆ คุณกำลังเดิมพันว่าผู้นำในปัจจุบันจะยังคงเป็นผู้นำใน 18 เดือน นั่นคือการเดิมพันที่ไม่ดี สถาปัตยกรรมที่สามารถแยกส่วนได้ทำให้เราสามารถเปลี่ยนส่วนประกอบเมื่อแนวหน้าเปลี่ยนแปลง, ยังคงคล่องตัวกับสิ่งที่ดีที่สุดในระดับชั้นนำ, และทดสอบเครื่องมือต่อความท้าทายของลูกค้าจริงมากกว่าการตลาดของผู้ขาย

ในด้านกฎระเบียบและข้อมูล การปฏิบัติตามข้อกำหนดถูกออกแบบมาจากวันแรก ผลิตภัณฑ์ทุกชิ้นต้องผ่านการตรวจสอบการกำกับดูแล, และการอนุมัติ AI ที่รับผิดชอบเป็นส่วนหนึ่งของกระบวนการ, ไม่ใช่เรื่องหลังการดำเนินการ การดำเนินงานในอุตสาหกรรมที่มีการควบคุมอย่างเข้มงวดทั่ว 70 ประเทศบังคับวินัยนั้นให้กับเรา – ซึ่งกลายเป็นคุณลักษณะ, ไม่ใช่ข้อเสีย, เมื่อเรานำผลิตภัณฑ์ไปให้กับลูกค้าที่มีข้อจำกัดเดียวกัน

การให้คำปรึกษาด้าน IT แบบดั้งเดิมพึ่งพาวงจรการวางแผนระยะยาวและเฟรมเวิร์กการดำเนินการที่เข้มงวด เมื่อ AI วิวัฒนาการเร็วกว่าที่วงจรเหล่านั้นสามารถรองรับได้ โมเดลการให้คำปรึกษาต้องเปลี่ยนแปลงอย่างไร?

คำตอบที่ตรงไปตรงมา คือ โมเดลทั้งหมดต้องเปลี่ยนแปลง แต่ถ้าฉันต้องเลือกจุดสำคัญที่สุด มันคือคุณค่าของผลลัพธ์ อุตสาหกรรมนี้ใช้เวลาหลายทศวรรษในการขายสิ่งที่ส่งมอบ – เอกสารนำเสนอ, แผนการ, และแผนการดำเนินการ – และได้รับค่าตอบแทนจากการพยายาม ในโลกที่มี AI เป็นหลัก ลูกค้าไม่ต้องการสิ่งที่ส่งมอบ พวกเขาต้องการผลลัพธ์ พวกเขาต้องการกระบวนการทำงานจริงๆ, ต้นทุนลดลงจริงๆ, และรายได้เพิ่มขึ้นจริงๆ

เมื่อคุณมุ่งมั่นที่จะขายผลลัพธ์ สิ่งอื่นๆ ทั้งหมดต้องเปลี่ยนแปลงเพื่อสนับสนุนมัน การ組ทีมจะกลายเป็นทางเทคนิคมากขึ้น การมีส่วนร่วมจะเปลี่ยนจาก “ให้คำปรึกษาและออกไป” เป็น “สร้างและดำเนินการ” การกำหนดราคาเปลี่ยนไปจากชั่วโมงการทำงาน คนที่ทำงานต้องมีความสบายใจทั้งในการส่งโค้ดและการดำเนินคณะกรรมการกำกับ

นั่นคือการเปลี่ยนแปลงทางวัฒนธรรมที่ยิ่งใหญ่สำหรับอุตสาหกรรมของเรา และไม่ใช่ทุกคนจะทำได้ บริษัทที่ทำได้จะดูแตกต่างไปจากที่เป็นอยู่ในปัจจุบันในอีกห้าปี

LabX ยังทำหน้าที่เป็นสภาพแวดล้อมทดลองสำหรับพนักงานและพันธมิตรด้านเทคโนโลยี อะไรคือความสำคัญของการทดลองภายในในการสร้างความชำนาญ AI ทั่วทั้งองค์กร?

มันเป็นเกมทั้งหมด คุณไม่สร้างความชำนาญ AI โดยการอ่านเกี่ยวกับ AI – คุณสร้างมันโดยการลองทำ, ดูว่ามันพังทลาย, และลองอีกครั้ง นั่นเป็นจริงสำหรับมืออาชีพด้าน IT ที่มีประสบการณ์ 30 ปี เช่นเดียวกับใครที่เพิ่งเริ่มทำงานมา 2 ปี

เราทำการทดลอง AI ภายในหนึ่งในหน่วยธุรกิจของเราและได้รับแนวคิดที่ไม่ซ้ำกันมากกว่า 1,300 แนวคิดในสองสัปดาห์ นั่นไม่ใช่สถิติเกี่ยวกับเครื่องมือ – นั่นคือสถิติเกี่ยวกับสิ่งที่เกิดขึ้นเมื่อคุณให้คนคิดนอกกรอบ ความสร้างสรรค์เหล่านั้นแล้วมีอยู่ภายในองค์กร งานของเราคือการสร้างพื้นที่ให้มันเติบโต

LabX ยังดำเนินโปรแกรมการหมุนเวียน: ผู้เชี่ยวชาญด้านเทคนิคจากทั่ว DXC ใช้เวลา 6 ถึง 12 สัปดาห์ในการฝังตัวกับเราในการสร้างผลิตภัณฑ์จริงด้วยเครื่องมือ AI ล่าสุด เมื่อพวกเขาไปกลับไปยังทีมของตน พวกเขานำทักษะใหม่ๆ และที่สำคัญกว่านั้น วิธีคิดที่แตกต่าง พวกเขาจะเริ่มถามคำถามที่แตกต่างกันกับเพื่อนร่วมงานและลูกค้าของพวกเขา พวกเขากลายเป็นแชมปี่ยนสำหรับสิ่งที่เป็นไปได้ ผลกระทบที่เพิ่มขึ้นทั่วทั้งกำลังคนมีค่ามากกว่าผลิตภัณฑ์ใดๆ ที่เราส่งออก

DXC เน้นย้ำถึงแนวทาง Human+ โดยเน้นว่า AI ควรขยายความสามารถของมนุษย์มากกว่าการแทนที่พวกเขา ในแง่ปฏิบัติ แนวคิดนี้มีอิทธิพลต่อการออกแบบและใช้งานโซลูชัน AI ภายในองค์กรอย่างไร?

ฉันจะตรงไปตรงมา: มีมุมมองที่กำลังเกิดขึ้นในอุตสาหกรรมที่ว่าประโยชน์ที่มีค่าที่สุดของ AI ระดับองค์กรสำหรับบริษัทใดๆ คือการลดจำนวนพนักงาน ฉันคิดว่ามันเป็นความล้มเหลวของจินตนาการ

การควบคุมต้นทุนมีความสำคัญ แต่โอกาสที่แท้จริงคือการเติบโต: สายรายได้ใหม่, ผลิตภัณฑ์ใหม่, บริการใหม่ๆ ที่ไม่เคยเป็นไปได้ก่อนหน้านี้ AI มีค่าใช้จ่ายสูงสุดในการใช้งานเพื่อช่วยให้ผู้คนสามารถทำงานที่สร้างมูลค่าทางธุรกิจใหม่ๆ, ไม่ใช่แค่เพิ่มประสิทธิภาพสิ่งที่มีอยู่แล้ว บริษัทที่ทำสิ่งนี้ได้ดีจะทำได้ดีกว่าผู้ที่รักษา AI ไว้เพียงการลดต้นทุน

ในทางปฏิบัติ Human+ หมายถึงการออกแบบ AI เพื่อจัดการกระบวนการทำงานระดับใหญ่และแบบซ้ำๆ เพื่อให้คนของเราสามารถมุ่งเน้นไปที่งานที่มีคุณค่ามากกว่า: การคิดเชิงกลยุทธ์, การแก้ปัญหาเชิงสร้างสรรค์, ความสัมพันธ์กับลูกค้า, และการตัดสินใจที่ซับซ้อน เรารักษาความเชี่ยวชาญและการดูแลของมนุษย์ไว้ที่ศูนย์กลางของการนำไปใช้ทุกครั้ง โดยเฉพาะอย่างยิ่งเมื่อตัดสินใจที่มีผลกระทบจริงๆ นั่นคือวิธีที่คุณสร้างความไว้วางใจกับลูกค้า และนั่นคือวิธีที่คุณปลดล็อกความได้เปรียบทางการแข่งขันที่ยั่งยืน

เมื่อองค์กรพยายามรวม AI เข้ากับกระบวนการทำงานที่มีอยู่แล้ว คุณเห็นข้อผิดพลาดทั่วไปที่ชะลอการนำรับหรือจำกัดคุณค่าทางธุรกิจจริง?

ข้อผิดพลาดสองประการที่ฉันเห็นบ่อยที่สุด คือการเริ่มต้นด้วยเทคโนโลยีแทนการเริ่มต้นด้วยปัญหา และการรักษา AI ไว้เป็นโครงการ IT แทนที่จะเปลี่ยนแปลงธุรกิจ

การแก้ปัญหาเหล่านั้นทั้งคู่คือการเริ่มต้นด้วยปัญหา, จัดทีมที่เหมาะสม – คน, กระบวนการ, เทคโนโลยี – และสร้างย้อนกลับจากผลลัพธ์ที่คุณพยายามสร้าง นั่นคือท่าทีที่เรามีที่ LabX และนั่นคือวิธีที่เราทำงานกับลูกค้าเช่น Ferrovial ซึ่งเราได้ช่วยให้พวกเขานำ AI Workbench ไปใช้ – ผลิตภัณฑ์ AI ที่รวมการให้คำปรึกษา, วิศวกรรม, และบริการองค์กรที่ปลอดภัย ซึ่งขณะนี้ถูกใช้โดยพนักงานมากกว่า 24,000 คนพร้อมด้วยตัวแทน AI มากกว่า 30 ตัวที่ตัดสินใจแบบเรียลไทม์ ขนาดนั้นไม่เกิดขึ้นหากคุณรักษา AI ไว้เป็นโครงการ IT

เมื่อมองไปข้างหน้า คุณคาดหวังว่าสภาพแวดล้อมการเพาะปลูก AI เช่น LabX จะ塑造วิธีการที่องค์กรพัฒนา, ทดสอบ, และใช้เทคโนโลยีใหม่ๆ ในช่วงหลายปีที่จะมาถึงอย่างไร?

สิ่งที่ฉันคิดว่าจะชัดเจนเมื่อมองย้อนกลับไป คือ ผู้ชนะในยุคนี้จะไม่ใช่บริษัทที่มีโซลูชันจุดเด่นที่สวยงามที่สุด แต่จะเป็นผู้บูรณาการ – ผู้ที่สามารถเชื่อม AI ตลอดโมเดลการดำเนินงาน, ฟังก์ชัน, และกระบวนการทำงาน เพื่อให้ปัญญาไม่ถูกกักตัวอยู่ในเครื่องมือหรือจอแสดงผลของผู้ใช้เพียงอย่างเดียว

นั่นคือปัญหาที่ยากกว่าการนำโมเดลไปใช้ มัน đòi hỏiความเข้าใจในระดับองค์กรที่ลึกซึ้ง, ความสามารถในการทำงานระหว่างระบบเก่าและสมัยใหม่, และความมีวินัยในการเปลี่ยนแปลงวิธีการทำงานจริงๆ นั่นคือโอกาสที่ฉันตื่นเต้นที่สุด

ขอขอบคุณสำหรับการสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านสามารถเรียนรู้เพิ่มเติมได้ที่ DXC Technology