亚当·阿斯奎尼（Adam Asquini），KPMG 信息管理和数据分析总监 – 采访系列

亚当·阿斯奎尼 是毕马威（KPMG）埃德蒙顿办公室的信息管理与数据分析总监。他负责领导 毕马威在加拿大草原各省客户的数据与高级分析项目。亚当热衷于建立和发展高绩效团队，以为客户提供最佳结果和为团队营造有参与感的工作体验。他曾在 AltaML 担任客户解决方案副总裁，在阿尔伯塔省政府担任项目经理，并在加拿大武装部队担任通信军官。由于亚当走过了一条非传统的职业道路进入人工智能领域，他坚信利用跨职能团队的多样性和经验，并且认为任何人都可以加入不断增长的人工智能社区。

我们在埃德蒙顿举行的 2023 年 Upper Bound 人工智能会议上与亚当进行了采访，该会议由 Amii （阿尔伯塔机器智能研究所）主办。

您有一个非传统的职业路径，可以讨论一下您如何进入人工智能领域吗？

我在加拿大武装部队开始了我的职业生涯，担任通信军官，通信军官负责 IT 电信系统，以帮助人们进行通信。工作主要涉及无线电和卫星通信，也有一些数据业务，但我们的职责大多是核心技术基础设施。这是我最初接触技术的起点。我在大学学习化学工程，出于自己的好奇心和学习欲望。它从那里开始，深入研究技术，提升技能和自我发展对我来说非常重要。

我在军队服役了14年，从事过多种通信工作，包括在基地和野外支持 IT 和电信服务，组建指挥部并与前线单位建立通信，支持国内行动，如森林火灾和洪水，我转到阿尔伯塔省政府，担任项目管理，负责一些跨政府的技术计划。在那时，政府正在集中 IT，我们与各个政府部门合作，将他们的服务集中在一起，整合系统和服务，我在那里做了大量整合和投资管理工作。在这些工作中，我开始看到一些组织利用数据和分析。

这激发了我的好奇心。我一直渴望学习，我开始通过参与一些项目或自学来追求这些知识，例如 Coursera 或其他培训工具来学习更多。 我做了很多阅读，研究了一些提供这些工具的供应商和平台。 我真的对数据和分析产生了兴趣，并通过我自己的自然好奇心和学习欲望，逐渐深入地参与了这些工作。

除了 Coursera 之外，还有特定的播客或书籍推荐吗？

我在 LinkedIn 上关注了很多人，例如 Emerj。丹·法格拉（Dan Faggella）是它背后的推动者。他为此带来了很多前瞻性的见解。我当然也关注了一些主流的，如 HBR 和 Forbes。我认识的安德烈亚斯·韦尔施（Andreas Welsch）在SAP工作，他发布了很多关于人工智能和人工智能采用的内容，所以我一直关注他。我认为，至于播客，有几个我听过的，还有书籍。最近我读的一本很好的书叫做 Infonomics，作者是道格·拉尼（Doug Laney），他曾在Gartner和MIT任职，这是一本很好的书，阐述了数据变现的框架。我尝试将自己沉浸在尽可能多的东西中，并通过项目工作来学习更多。

您的军事经验如何帮助您在当前的角色中？

从几个方面来说。我认为我在军事生涯中获得的一些很棒的核心技能，例如结构化的规划方法，以及时间管理和优先级排序。在军事环境中，它真正迫使你学习什么是最重要的，并按一定节奏推进工作，评估权衡和了解如何找到一个可行的行动方案，这将推动你向前发展。在人工智能技术快速发展的环境中，能够处理大量信息并拥有结构化的方法来了解什么是重要的，什么是不重要的，你想关注哪里，这是一种很好的技能。

另一个重要方面是领导力和团队合作。在大型组织的实地行动中，团队会不断组建和重组，以形成最适合完成任务的组合。人际交往、领导和沟通能力都是军事训练反复强调的技能，在我现在的工作中也很有用。

您曾在 AltaML 担任客户解决方案副总裁超过两年，AltaML 是什么，您在那里做了哪些有趣的项目？

AltaML 是一家应用人工智能和机器学习的公司。它位于阿尔伯塔，总部位于埃德蒙顿，在卡尔加里设有大型办公室，在多伦多也有办公室。他们的业务是与其他企业合作，开发具有人工智能核心的软件解决方案和产品。这是一个面向企业的业务。我的团队负责服务方面，我们与石油和天然气公司、金融机构等合作，服务于许多不同的行业。我与他们合作，定义了可以用人工智能解决的、对业务有影响的商业问题，并带领他们完成了将数据整合、构建人工智能模型、部署和处理变革管理等过程，以便这些解决方案可以被操作并使用，真正帮助这些组织通过构建应用人工智能解决方案来解决问题。

我的职位是客户解决方案副总裁。当我开始时，我担任项目经理，领导了几个人工智能项目，随着时间的推移，我晋升了，客户解决方案副总裁的职责包括交付功能、项目资源管理和主动的客户管理，很多直接面向客户的工作都落在了我的团队身上。

至于项目，我可以说，在某种形式上，无论是作为项目经理、项目指导者还是质量保证支持人员，我都参与了几十个人工智能项目。在我最喜欢的项目中，有一个是关于野火的项目。我与阿尔伯塔省长合作，他们在判断某个地区是否可能发生火灾时遇到了困难，尤其是在火灾风险中等的日子里。他们的做法是在不确定时，安排所有可用的资源，包括额外签约调用的资源，如推土机等重型设备、飞机和直升机，这当然很昂贵。

人工智能项目的目的是预测某个地区在第二天发生火灾的概率，以帮助他们就预防性资源分配做出决定，预防性资源分配是指主动安排和分配资源。能够看到在某些场景中，可以减少资源或专注于一天中的某些时间，这有望节省数百万美元，同时不会显著增加漏报火灾的风险，这项工作至今仍在继续。即使今天，他们也在寻找扩大时间窗口、使区域更小和更细粒度地优化资源的方法。但是，看看阿尔伯塔近期的火灾季节，能够提前提供有关风险和优化资源的任何信息都是非常有价值的工作，这确实是一项令人愉快的工作。

我还做了一些关于理赔处理的工作。保险提供商会收到成千上万的理赔，哪些可以自动批准，哪些需要人工审查，或者哪些理赔应该转发到哪个团队进行审查，这样的工作也非常重要，可以为组织节省大量的精力和金钱。

您目前是 KPMG 的信息管理和数据分析总监，这个角色具体包括什么？

我与企业合作，指导他们通过更广泛的数据和分析能力来解决问题。在这个角色中，我们处理从数据战略到数据整合、报告和分析，以及人工智能和机器学习等一切事情。这比我之前的角色更广泛，但这也非常令人兴奋，因为它激发了我的学习和自我发展的热情。

作为总监，我通常与客户的高级领导合作，帮助他们了解这段旅程，了解项目的样子，如何为他们做准备，重点关注采用，特别是对于那些可能带有负面色彩的高级分析系统。真正地与他们合作，如何最佳地实施这些解决方案，以及需要哪些流程和结构。领导交付和项目团队，帮助确定项目的优先级并指导工作，以及不同团队之间的同步，这些都是我的职责。

在最近的一次 卡尔加里先驱报采访 中，您提到阿尔伯塔已经有相当多的人工智能应用。哪些行业最为明显？

我在阿尔伯塔的多个行业都看到了AI应用。当然，能源行业有很多这样的例子，我看到组织使用人工智能来优化管道的维护和安全检查，例如决定疑似泄漏时应在哪里开挖检查，因为开挖成本很高。我还看到很多供应链方面的工作，大型组织在进行合并和收购时，他们的数据散落在各处，有时他们很难在物料主数据中找到所需条目，因此可以用新出现的语言模型组织数据，使其便于分析。通过更有效地搜索、查询和查找信息，整合供应合同方面已经取得了显著成果。这类应用不局限于能源行业，但我确实在能源行业见到了它。

安全也是重要领域，可以用图像处理或语言模型确定特定场所最相关的安全简报，以及应开展的安全检查。在金融服务领域，很多工作都集中在为银行客户提供个性化体验，提供最佳建议和量身定制的解决方案，根据个人不同的财务情况，这是一个非常重要的重点，我们在那里看到了很多工作。然后是保险业，正如我之前提到的，很多这样的工作都是关于理赔处理。还有一个我可能会提到的领域是林业和自然资源土地管理，使用卫星图像来检测土地变化，能够管理土地协议，使用图像处理技术识别应当或不应出现在某处的对象，或者随时间变化的东西。

这真的很令人兴奋，我们看到不同的组织处于不同的成熟度阶段。有些组织刚刚开始或正在尝试，而其他组织则更为成熟，已经完全采用了人工智能。大多数组织都认识到，如果他们不开始或不推进人工智能，他们将会落后，这将为他们带来巨大的竞争劣势。因此，兴趣真的很高，很普遍。当然，随着生成式人工智能能力的出现，也引发了很多兴趣。

谈到生成式人工智能，您如何看待这项技术将来会如何改变世界？

我非常兴奋，我看到了潜力。我也认为，拥有正确的控制措施对于生成式人工智能至关重要，我真的认为有很多用例可以应用生成式人工智能来获得巨大的生产力或效率提升。其中一些用例，如我刚刚提到的供应链方面的工作，甚至在 ChatGPT 公开发布之前，就已经在利用这些技术。

至于我看到的未来，另一个很酷的趋势是我看到越来越多的这种技术被嵌入到主流的商业应用中。微软宣布了他们的 Copilot 工具，将与微软 Office 应用程序集成，我在他们的一些材料中看到了一些内容，例如写一份简报，并提示文字处理器“可以让这个段落更短吗？”然后它就这样做了。 (MSFT )

当这些生成式人工智能技术被嵌入到主流的商业应用中时，这将迫使企业思考如何以及何时采用它们，如何控制它们，如何对这些技术生成的内容进行质量监控。当它是独立功能时，企业更容易推迟采用或忽略它；但一旦融入主流业务应用和平台，就会推动这些讨论向前发展。

我也希望，随着当前对生成式人工智能的重视，企业会更加注重负责任的人工智能，建立正确的流程和治理，以确保人工智能解决方案被有效地构建，风险在整个生命周期内得到管理，并且有后续检查，使输出结果值得信任。我希望当前的生成式人工智能热潮能够推动这方面的讨论和发展。

您能讨论一下为什么负责任的人工智能和减少人工智能偏见对您来说非常重要吗？

绝对如此。我认为这是必须的，出于几个原因。构建这些系统的大多数人都会为自己的工作感到自豪，他们不希望自己的系统存在偏见，所以，内部上会有这样的需求，让员工保持投入、满意并得到保护。从法律角度来看，已经有例子表明，组织因其人工智能系统中的偏见而面临法律或监管挑战。

例如，有一个经典的案例，一个组织使用人工智能进行招聘，他们的数据集过度偏向男性而不是女性，因此他们的人工智能系统歧视了女性。这是亚马逊曾使用的一款AI招聘工具。

类似的事情已经发生，并且可能继续发生，如果没有正确的控制措施。拥有对此的真正关注，对于大多数组织来说将至关重要。然后还有组织的声誉风险，如果处理不当，可能会对业务产生巨大的影响。

您也是一个大力提倡利用跨职能团队的多样性和经验的人，为什么您认为多样性如此重要？

现在，使用人工智能解决的问题如此复杂，从业务角度、数据角度来看，没有一个人或一个角色可以独自解决所有这些问题。拥有一个具有不同视角和技能的跨职能团队非常重要，能够让人们发挥自己的优势。至于多样性方面，拥有一个多样化的团队的另一个非常大的驱动力是，大多数情况下，这些系统的最终用户将是一个多样化的群体，没有将这些视角融入您的团队中来构建它们，就容易在之后犯错或遗漏问题。我没有想到的事情，其他人可能会注意到并提出。在开发阶段解决和调整这些问题，比发布后再处理容易得多。

我也坚信，拥有不同的视角可以带来最好的对话，提出非常好的问题，迫使人们从不同的角度思考问题，能够更好地解决问题和调整方案。拥有一个多样化的团队来看待问题，真的可以带来最好的结果和最好的解决方案。

您认为人工智能领域的下一个重大突破是什么？

在生成式人工智能的视角下，我认为我们将看到更多的这种技术被嵌入到主流应用中，这已经开始了。这对于技术的采用将会非常重要，因为它将直接在人们已经使用的系统中。它将真正推动这项技术的采用，并可能开启一些新的用例，因为人们会更加熟悉它可以做什么，它的局限性是什么，以及如何最佳地使用它。

这也可能激发新的想法：当人们更了解技术能够解决哪些问题，就会想到自身存在的某个问题也许适合用它解决，从而打开新的应用空间。

我也希望近期监管政策取得突破。我知道立法和监管层面有很多进展，但企业也应自行探索或寻求建议，明确如何思考这些问题，以及现在应建立哪些内部控制。法律法规的制定需要很长时间，企业可以先通过内部控制推动改变。审计等领域已有先例，而这正是毕马威的强项。我们需要思考：应设置哪些控制，如何实施，如何测试输出，如何减少幻觉，以及模型生成结果后还能采取哪些步骤来降低潜在伤害和风险。这些才是应该提出的问题。我希望当前的热潮能推动我们重新思考，并建立支持负责任AI的适当组织架构、流程和团队。

感谢这次精彩的采访，希望读者可以通过访问 KPMG 的网站来了解更多信息。