Раджан Сетхураман, CEO LatentView Analytics – Серія інтерв’ю

Раджан Сетхураман, CEO LatentView Analytics, – досвідчений виконавець, чия кар’єра охоплює консалтинг, лідерство талантів та трансформацію підприємств, з лідерством в Accenture та KPMG до приєднання до LatentView. Його прогрес від Chief People Officer до CEO відображає сильний акцент на розвитку талантів, організаційному дизайні та масштабованих операційних моделях, які тепер формують його підхід до штучного інтелекту та аналітики. З глибоким досвідом у вербуванні, навчанні та бізнес-стратегії, він завжди зосереджувався на вирівнюванні людей, культури та технологій для забезпечення вимірюваних результатів, що завершилося керівництвом LatentView через його первинне публічне пропозицію та глобальну експансію, одночасно позиціонуючи штучний інтелект як бізнес-капабіліті, а не як самостійну функцію.

LatentView Analytics – глобальна фірма з даних аналітики та цифрової трансформації, яка допомагає підприємствам використовувати дані, штучний інтелект та передові аналітичні інструменти для покращення прийняття рішень та стимулювання зростання. Компанія надає послуги, такі як інженерія даних, передбачувальна аналітика та консалтинг, керований штучним інтелектом, у різних галузях, включаючи фінансові послуги, рітейл та технології, працюючи з клієнтами Fortune 500 у світі. Її основна цінність полягає в перетворенні сирих даних у діючі інсайти, які дозволяють підприємствам оптимізувати операції, передбачати тенденції та створювати конкурентну перевагу в усе більшій економіці.

Ви розпочали свою кар’єру в консалтингу та лідерстві талантів в Accenture та KPMG, перш ніж стати CEO LatentView Analytics, де ви керували компанією через її первинне публічне пропозицію та перший придбання. Як ваш досвід у розвитку талантів та організаційній стратегії сформував ваш підхід до масштабування штучного інтелекту та аналітики сьогодні?

Моя рання кар’єра була сильно зосереджена на талантах, лідерстві та будівництві організацій, які можуть масштабуватися. Цей досвід продовжує формувати мій підхід до штучного інтелекту сьогодні. Технологія сама по собі не масштабує організацію. Що має значення, це те, як команди приймають її, як лідери вирівнюються навколо неї, і як чітко визначена бізнес-проблема. В LatentView ми витрачаємо багато часу на допомогу організаціям у будівництві операційної моделі, навичок та культури, необхідних для перетворення аналітики та штучного інтелекту на щоденні рішення.

Через це я схильний думати про штучний інтелект через призму організаційної готовності. Масштабування штучного інтелекту вимагає сильної доменної експертизи, даних основ, та команд, які можуть перекладати інсайти у дії. Моя увага завжди була зосереджена на будівництві цих можливостей разом, а не на behand штучним інтелектом як ізольованою можливістю.

Ви говорили про мінімалізм штучного інтелекту – пріоритет ясності, цікавості та культури над гонитвою за кожною новою тенденцією Генеративного штучного інтелекту. Що таке мінімалізм штучного інтелекту в практиці для лідерів підприємств?

Мінімалізм штучного інтелекту починається з фокусу. Лідери підприємств не повинні переслідувати кожну нову модель або можливість, яка з’являється. їм потрібно невелика кількість значимих проблем, де штучний інтелект може покращити рішення або продуктивність вимірюваним способом. Це може бути прийняття цін, планування ланцюга постачання або те, як знання рухаються по організації. Початок з добре визначеної проблеми допомагає командам будувати довіру та дізнаватися, що таке відповідальне масштабування насправді.

Це також означає впровадження штучного інтелекту у реальні робочі потоки замість behand його як ізольованого експерименту. Коли команди бачать технологію, яка допомагає їм розв’язувати щоденні проблеми, прийняття tende до зростання природно. Цікавість та експериментування все ще важливі, але вони працюють найкраще, коли вони закріплені у чіткому відчутті мети.

Багато організацій поспішають у генеративний штучний інтелект без посилення своїх даних основ перш. Які попередні знаки того, що компанія будує на нестабільній основі?

Одна річ, яку я часто помічаю, це коли розмова про штучний інтелект рухається значно швидше, ніж розмова про дані. Якщо лідери говорять про копілоти та генеративні моделі, але все ще існує плутанина щодо того, де живуть ключові дані, хто володіє ними, або які метрики бізнес дійсно довіряє, це зазвичай означає, що основа ще не готова. Системи штучного інтелекту сильно залежать від надійних та добре керованих даних. Без цього стає важко для людей довіряти виходам.

Інший сигнал – це коли компанії мають багато пілотних проектів, але дуже мало з них впливають на реальні рішення. Генеративний штучний інтелект може продукувати вражаючі демонстрації, але справжній тест полягає в тому, чи стає він частиною того, як організація працює.

З моменту вашого вступу на посаду CEO, ви мали вимірюваний вплив на глобальних клієнтів. Які компанії успішно операціоналізують штучний інтелект, а які залишаються в пілотному режимі?

Компанії, які успішно масштабують штучний інтелект, behand його як операційну дисципліну, а не інноваційний побічний проект. Вони призначують виконавче володіння, з’єднують випадки використання з вимірюваними бізнес-результатами та проектують з урахуванням інтеграції з самого початку. Вони також інвестують у менш гламурну роботу, таку як дані трубопроводи, управління, переробка процесів та прийняття користувачами. Це зазвичай різниця між пілотом, який привертає увагу, та можливістю, яка дійсно змінює те, як приймаються рішення.

У LatentView ми бачили, що компанії рухаються швидше, коли вони закріплюють штучний інтелект у бізнес-проблемі, яка вже має значення для підприємства, наприклад, покращення точності планування, результатів інвентаризації або видимості постачальників. Штучний інтелект, пов’язаний з метриками, які бізнес вже цінує, має значно більший шанс бути профінансованим, керованим та прийнятим у масштабі.

Як ви підходите до масштабування штучного інтелекту відповідальним чином по всій великій організації, зберігаючи управління, безпеку та підзвітність?

Відповідальне масштабування починається з визнання того, що рішення штучного інтелекту в кінцевому підсумку впливають на реальних клієнтів, працівників та бізнес-результати. Це означає, що управління не може бути післяthought. Організації потребують чітких політик щодо доступу до даних, нагляду за моделями та моніторингу після запуску систем у виробництво.

У практиці найбільш ефективні моделі управління є міжфункціональними. Бізнес-лідери, технологічні команди та групи ризику чи відповідності повинні бути залучені. Системи штучного інтелекту також користуються прозорістю щодо того, як генеруються виходи, та де людська оцінка залишається важливою. З встановленими обмеженнями організації можуть розширити прийняття, зберігаючи довіру.

LatentView працює з підприємствами на дуже різних рівнях цифрової зрілості. Як ваша стратегія штучного інтелекту відрізняється, коли ви радите організації проти тієї, яка ще на початку свого аналітичного шляху?

З організацією розмова зазвичай про прискорення. Вони вже мають значимі дані активи, тому ми зосереджуємося на пріоритезації високоцінних випадків використання, покращенні доступності та впровадженні штучного інтелекту у робочі потоки, де бізнес може діяти швидко. Це може бути корпоративний пошук знань, підключений планування в ланцюгу постачання або домен-специфічні моделі, які покращують швидкість прийняття рішень по функціях.

Для організацій, які ще на початку свого шляху, стартова точка відрізняється. Ми витрачаємо більше часу на готовність даних, управління, модернізацію бізнес-інтелекту та будівництво можливостей, щоб компанія могла підтримувати штучний інтелект у стійкий спосіб. У цих ситуаціях оцінка зрілості та послідовність мають велике значення. Ви не хочете обіцяти агентське майбутнє бізнесу, який ще не має довіри даних, спільних KPI або виконавчої узгодженості щодо проблеми, яку потрібно розв’язати.

Враховуючи ваш глибокий досвід у вербуванні талантів та навчанні, які навички компанії повинні пріоритезувати розвиток внутрішньо в епоху штучного інтелекту проти найму зовні?

Внутрішньо, я думаю, компанії повинні зосередитися на будівництві широкої грамотності штучного інтелекту та даних. Не кожному потрібно стати вченим-даними, але люди по всьому бізнесу повинні пріоритезувати прийняття рішень на основі інсайтів, ставити кращі питання та використовувати інструменти штучного інтелекту у своєму щоденному робочому потоці. Коли ця практика поширюється по командам, стає значно легше визначити, де штучний інтелект може дійсно допомогти, а де він, ймовірно, не повинен бути використаний.

Зовнішньо, найм tende до більш спеціалізованих. Спеціалісти, такі як інженерія даних, архітектура машинного навчання та управління штучним інтелектом, вимагають глибокої експертизи, якої організації можуть не завжди мати всередині. Компанії, які роблять це добре, зазвичай поєднують цих спеціалістів з бізнес-командами, які розуміють контекст та рішення, які потрібно покращити.

Культурний опір часто сповільнює трансформацію. Які лідерські поведінки ви знайшли найбільш ефективними у будівництві довіри та імпульсу навколо прийняття штучного інтелекту?

Чітка комунікація від лідерства робить велику різницю. Працівники хочуть зрозуміти, чому вводяться нові технології, та як вони пов’язані з компанійською стратегією. Роз’яснення мети штучного інтелекту та його зв’язку з реальними бізнес-цілями допомагає будувати довіру по всій організації.

Навчання є just as важливим. Автоматизація та штучний інтелект вже змінюють багато професій, тому компанії повинні активно підтримувати працівників у розвитку нових можливостей. Люди займаються відкрито з змінами, коли вони бачать реальні можливості для будівництва нових навичок та зростання разом з технологією.

Як штучний інтелект стає частиною процесів прийняття рішень, як ради директорів та виконавчі команди повинні переосмислити метрики продуктивності та підзвітність?

Штучний інтелект змінює те, як приймаються рішення, тому команди керівництва повинні дивитися за межі традиційних проектних метрик. Реальне питання стає тим, чи покращує штучний інтелект якість та швидкість рішень у областях, які мають значення для бізнесу. Це може означати покращення прогнозів попиту, більш точних рішень щодо ціноутворення або швидших реакцій на зміни на ринку.

Якщо ці результати покращуються, штучний інтелект робить свою роботу. Продуктивність штучного інтелекту не може перебувати в окремому داشборді від бізнес-продуктивності надто довго.

Підзвітність також повинна бути чіткішою. Хтось все ще володіє даними, хтось відповідає за моніторинг моделей у виробництві, і хтось в кінцевому підсумку приймає рішення. Штучний інтелект може підтримувати ці рішення, але управління та нагляд залишаються важливими.

За наступні три-п’ять років, які зрушення у прийнятті штучного інтелекту підприємств будуть мати найбільше значення – і що лідери повинні почати робити зараз, щоб залишатися попереду?

За наступні кілька років штучний інтелект почне проявлятися значно більше у щоденних бізнес-рішеннях. Багато компаній витратили час на експерименти з пілотними проектами та доказами концепції. Наступний крок полягає в тому, щоб забезпечити ці можливості дійсно підтримують те, як команди планують, прогнозують попит, керують ланцюгами постачання або приймають маркетингові рішення.

Робота також буде еволюціонувати, оскільки штучний інтелект стає більш здатним. Коли рутинні завдання стають більш автоматизованими, професії змішаться у напрямку керівництва, інтерпретації та роботи поряд зі штучним інтелектом. Організації, які зміцнять свої дані основи та допоможуть працівникам будувати ці можливості, адаптуються значно легше, оскільки штучний інтелект стає частиною щоденних операцій.

Дякую за велике інтерв’ю, читачам, які бажають дізнатися більше, слід відвідати LatentView Analytics.