Раджан Сетураман, генеральний директор LatentView Analytics – Серія інтерв’ю

Раджан Сетураман, генеральний директор LatentView Analytics, – досвідчений виконавець, чия кар’єра охоплює консалтинг, лідерство талантів та трансформацію підприємств, з лідерством в Accenture і KPMG до того, як приєднався до LatentView. Його прогрес від головного офіцера з персоналу до генерального директора відображає сильний акцент на розвитку талантів, організаційному дизайні та масштабованих операційних моделях, які зараз формують його підхід до штучного інтелекту та аналітики. З глибоким досвідом у сфері набору персоналу, навчання та бізнес-стратегії, він завжди зосереджувався на тому, щоб люди, культура та технології були спрямовані на досягнення вимірюваних результатів, що завершилося тим, що LatentView пройшла через її первинне публічне розміщення 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 методи для покращення процесів прийняття рішень та стимулювання зростання. Компанія надає послуги, такі як інженерія даних, передбачувальна аналітика та консалтинг на основі штучного інтелекту в різних галузях, включаючи фінансові послуги, рітейл та технології, працюючи з клієнтами з числа Fortune 500 у світі. Її основна цінність полягає в перетворенні сирих даних на дієві 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 і KPMG, перш ніж стати генеральним директором LatentView Analytics, де ви провели компанію через її первинне публічне розміщення та перший придбання. Як ваш досвід у сфері розвитку талантів та організаційної стратегії вплинув на ваш підхід до масштабування штучного інтелекту та аналітики сьогодні?

Моя рання кар’єра була сильно зосереджена на талантах, лідерстві та будівництві організацій, які могли б масштабуватися. Цей досвід продовжує формувати мій погляд на штучний інтелект сьогодні. Технологія сама по собі не масштабує організацію. Що важливо, так це те, як команди приймають її, як лідери виравнюються навколо неї, і наскільки 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 процеси прийняття рішень.

Через це я схильний думати про штучний інтелект через призму організаційної готовності. Масштабування штучного інтелекту вимагає сильної галузевої експертизи, даних фундаментів та команд, які можуть перекладати інсайти на дії. Моя увага завжди була зосереджена на будівництві цих можливостей разом, а не на тому, щоб ставити штучний інтелект як ізольовану можливість.

Ви говорили про мінімалізм штучного інтелекту – пріоритет ясності, цікавості та культури над гонкою за кожною новою тенденцією Генеративного штучного інтелекту. Як виглядає мінімалізм штучного інтелекту на 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 у вимірюваному вигляді. Це може бути рішення щодо ціноутворення, планування ланцюга постачання або те, як знання рухається по організації. Початок з добре визначеної проблеми допомагає командам будувати впевненість і дізнаватися, що таке відповідальне масштабування насправді.

Це також означає вбудовування штучного інтелекту в реальні робочі процеси, а не ставити його як ізольований експеримент. Коли команди бачать, як технологія допомагає їм вирішувати щоденні проблеми, прийняття тенденції до зростання. Цікавість та експериментування все ще важливі, але вони працюють найкраще, коли вони закріплені в чіткому відчутті мети.

Багато організацій поспішають у генеративний штучний інтелект без зміцнення своїх даних фундаментів спочатку. Які ознаки 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 бізнесу насправді довіряють, це зазвичай ознака того, що фундамент ще не готовий. Системи штучного інтелекту сильно залежать від надійних та добре керованих даних. Без цього людям складно довіряти виходам.

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

З моменту вашого вступу на посаду генерального директора ви мали вимірюваний вплив на глобальних клієнтів. Що відрізняє компанії, які успішно оперціоналізують штучний інтелект, від тих, які залишаються в режимі пілотного проекту?

Компанії, які успішно масштабують штучний інтелект, ставлять його як дисципліну операцій, а не як інноваційний бічний проект. Вони призначують виконавче володіння, зв’язують випадки використання з вимірюваними бізнес-результатами та проектують для інтеграції з самого початку. Вони також інвестують у менш гламурну роботу, таку як трубопроводи даних, управління, проектування процесів та прийняття користувачів. Це зазвичай різниця між пілотним проектом, який привертає увагу, та можливістю, яка насправді змінює процес прийняття рішень.

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

Як ви підходите до масштабування штучного інтелекту відповідально по всій великій організації, зберігаючи при цьому керування, 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 керування не може бути післяthought. Організації потребують чітких політик щодо доступу до даних, нагляду за моделями та моніторингу, коли системи знаходяться у виробництві.

На практиці найбільш ефективні моделі керування 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 людський суд залишається важливим. З встановленням огорожі на початку організації можуть розширити прийняття, зберігаючи при цьому довіру.

LatentView працює з підприємствами на дуже різних рівнях цифрової зрілості. Як ваша стратегія штучного інтелекту відрізняється, коли ви радите організації, порівняно з тією, 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 вбудовуванні штучного інтелекту в робочі процеси, де бізнес може швидко діяти. Це може означати корпоративний пошук знань, підключений планування ланцюга постачання або галузеві моделі, які покращують швидкість прийняття рішень по функціях.

Для організацій, які ще на початку свого шляху, стартова точка інша. Ми витрачаємо більше часу на підготовку даних, керування, модернізацію бізнес-аналітики та будівництво можливостей, щоб компанія могла підтримувати штучний інтелект у стійкий спосіб. У таких ситуаціях оцінка зрілості та послідовність мають велике значення. Ви не хочете обіцяти агентську майбутнє бізнесу, який ще не має довірених даних, спільних KPI або виконавчої згоди щодо проблеми, яку потрібно вирішити.

Враховуючи ваш глибокий досвід у сфері набору персоналу та навчання, які навички компанії повинні пріоритезувати розвиток внутрішньо в епоху штучного інтелекту порівняно з тим, щоб наймати зовні?

Внутрішньо я думаю, що 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 процесі. Коли ця практика поширюється по командам, стає значно легше визначити, де штучний інтелект може справді допомогти, а де він, ймовірно, не повинен бути використаний.

Зовнішньо найм tend до більш спеціалізованих. Спеціалісти, такі як інженерія даних, архітектура машинного навчання та керування 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 стратегією компанії. Роз’яснення мети штучного інтелекту та зв’язування його з реальними бізнес-цілями допомагає будувати довіру по всій організації.

Навчання лише так само важливо. Автоматизація та штучний інтелект вже змінюють багато професій, тому компанії повинні активно підтримувати працівників у розвитку нових можливостей. Люди більш відкрито взаємодіють із змінами, коли 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 показники продуктивності та підзвітність?

Штучний інтелект змінює процес прийняття рішень, тому виконавчі команди повинні дивитися за межі традиційних метрик проекту. Реальне питання стає тим, чи покращує штучний інтелект якість та швидкість рішень у сферах, які важливі для бізнесу. Це може означати кращі прогнози попиту, більш точні рішення щодо ціноутворення або швидші реакції на зміни на ринку.

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

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

У найближчі три-п’ять років які зміни в прийнятті штучного інтелекту підприємствами будуть мати найбільше значення – і що лідери повинні почати робити зараз, щоб залишатися попереду?

У найближчі кілька років штучний інтелект почне з’являтися значно більше всередині щоденних бізнес-рішень. Багато компаній витратили час на експерименти з пілотними проектами та доказами концепції. Наступний крок полягає в тому, щоб забезпечити те, щоб ці можливості насправді підтримували те, як команди планують, прогнозують попит, керують ланцюгами постачання чи приймають маркетингові рішення.

Робота також еволюціонуватиме, оскільки штучний інтелект стане більш здатним. Коли рутинні завдання стають більш автоматизованими, професії будуть зміщуватися до керівництва, інтерпретації та роботи поряд зі штучним інтелектом. Організації, які зміцнюють свої дані фундаменти та допомагають працівникам будувати ці можливості, адаптуються значно легше, оскільки штучний інтелект стає частиною щоденних операцій.

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