جی آلاردیس مدیر کل ، داده ها و تجزیه و تحلیل در InsightSoftware است. او یک مدیر فناوری با 23+ سال تجربه در شرکت های B2B شرکت مانند Google ، Justant ، GE و HP است. او همچنین بنیانگذار Genai.works است که بزرگترین جامعه اطلاعات مصنوعی را در LinkedIn هدایت می کند.
نرم افزارهای بینش ارائه دهنده جهانی راه حل های نرم افزاری مالی و عملیاتی است. این شرکت ابزارهایی را ارائه می دهد که از برنامه ریزی و تجزیه و تحلیل مالی (FP&A) ، حسابداری و عملیات پشتیبانی می کند. محصولات آن برای بهبود دسترسی به داده ها و کمک به سازمانها به موقع و تصمیم گیری آگاهانه طراحی شده اند.
شما بر این فوریت برای اتخاذ مشاغل در پاسخ به افزایش انتظارات مشتری تأکید کرده اید. اقدامات کلیدی مشاغل برای جلوگیری از افتادن در دام “AI FOMO” و اتخاذ راه حل های عمومی AI چیست؟
مشتریان به مشاغل اجازه می دهند با صدای بلند و واضح آگاهی داشته باشند که می خواهند قابلیت های هوش مصنوعی را در ابزارهایی که استفاده می کنند افزایش دهند. در پاسخ ، مشاغل در حال عجله برای برآورده کردن این خواسته ها و همگام بودن با رقبای خود هستند که این یک چرخه هشدار دهنده برای همه طرف های درگیر ایجاد می کند. و بله ، نتیجه نهایی AI FOMO است که می تواند یک تجارت را به سمت عجله نوآوری خود سوق دهد تا به سادگی بگوید ، “ما هوش مصنوعی داریم!”
بزرگترین توصیه ای که من برای شرکتها برای جلوگیری از سقوط در این تله دارم این است که وقت خود را برای درک اینکه چه نقاط دردی که مشتریان از هوش مصنوعی می خواهند برای حل آن حل کنند ، بگذرانند. آیا مسئله فرایندی وجود دارد که بیش از حد دستی باشد؟ آیا یک کار تکراری وجود دارد که باید به صورت خودکار انجام شود؟ آیا محاسباتی وجود دارد که به راحتی توسط یک دستگاه محاسبه می شود؟
هنگامی که مشاغل این زمینه لازم را داشته باشند ، می توانند راه حل های با هدف را شروع کنند. آنها به جای مواردی که فقط به سردرگمی مشکلات موجود خود می افزایند ، می توانند ابزارهای هوش مصنوعی را که مسئله را حل می کنند ، به مشتریان ارائه دهند.
بسیاری از شرکت ها بدون درک کامل موارد استفاده از آن ، به اجرای هوش مصنوعی عجله می کنند. چگونه مشاغل می توانند به جای اینکه به پیاده سازی های عمومی متکی باشند ، راه حل های مناسب AI را متناسب با نیازهای خاص خود شناسایی کنند؟
از طرف مشتری ، حفظ ارتباط مداوم برای درک بهتر موارد استفاده مهمترین موارد مهم است. تابلوهای وکالت مشتری می توانند یک راه حل مفید ارائه دهند. اما فراتر از مشتریان ، برای تیم ها نیز مهم است که در داخل به نظر برسند و درک کنند که چگونه افزودن ابزارهای جدید هوش مصنوعی بر عملکرد داخلی تأثیر می گذارد. برای هر ابزار جدیدی که به مشتری معرفی شده است ، تیم های داده داخلی با کوه متغیرهای جدید و داده های جدید که ایجاد می شود روبرو می شوند.
در حالی که همه ما می خواهیم قابلیت های جدیدی را اضافه کنیم و آنها را به مشتریان نشان دهیم ، هیچ استقرار هوش مصنوعی بدون پشتیبانی از تیم های داده داخلی و دانشمندان در پشت توسعه آنها موفق نخواهد بود. برای درک پهنای باند در داخل کشور تراز کنید و سپس به بیرون بروید تا تصمیم بگیرید که درخواست های مشتری را می توان با پشتیبانی مناسب در پشت سر آنها قرار داد.
شما به Fortune 1000 شرکت کمک کرده اید که یک رویکرد داده اول را در آغوش بگیرند. منظور این است که یک شرکت “داده محور” باشد و برخی از مشکلات متداول که مشاغل در طول این تحول با آنها روبرو می شوند چیست؟
برای اینکه یک شرکت “داده محور” باشد ، مشاغل باید یاد بگیرند که چگونه به طور مؤثر داده ها را به درستی اهرم کنند. یک تیم واقعاً داده محور می تواند به درستی در تصمیم گیری مبتنی بر داده ها اجرا شود ، که شامل استفاده از اطلاعات برای اطلاع رسانی و پشتیبانی از گزینه های تجاری است. تصمیم گیرندگان به جای تکیه فقط به شهود یا تجربه شخصی ، داده های مربوطه را جمع آوری و تجزیه و تحلیل می کنند تا استراتژی های خود را راهنمایی کنند. تصمیم گیری بر اساس داده ها می تواند به مشاغل کمک کند تا بینش های آگاه تر و عینی را بدست آورند ، که در یک بازار به سرعت در حال تغییر می تواند به معنای تفاوت بین یک تصمیم استراتژیک و یک تحریک کننده باشد.
یک مشکل مشترک برای دستیابی به این امر ، مدیریت داده های ناکارآمد است ، که منجر به “اضافه بار داده” می شود ، جایی که تیم ها با مقادیر زیادی از داده ها سنگین می شوند و باعث می شوند که قادر به انجام کاری با آن نباشند. از آنجا که مشاغل سعی می کنند تلاش های خود را بر روی مهمترین داده ها متمرکز کنند ، داشتن بیش از حد در دسترس آن می تواند در صورت عدم مدیریت صحیح منجر به تاخیر و ناکارآمدی شود.
با توجه به سابقه کار شما با فناوری های IoT و صنعتی ، چگونه می بینید که تقاطع AI و IoT در صنایعی مانند انرژی ، حمل و نقل و ساخت و سازهای سنگین در حال تحول است؟
هنگامی که IoT به صحنه آمد ، این عقیده وجود داشت که امکان اتصال بیشتر به تصمیم گیری را فراهم می آورد. به نوبه خود ، این اتصال ، دنیای کاملاً جدیدی از ارزش اقتصادی را باز کرد و در واقع این مورد برای بخش صنعت بود و همچنان ادامه دارد.
مسئله این بود که بسیاری از آنها روی “لوله کشی هوشمند” ، با استفاده از IoT برای اتصال ، استخراج و برقراری ارتباط با دستگاه های توزیع شده و کمتر در نتیجه متمرکز شده بودند. شما باید مشکل دقیقی را که باید حل شود ، تعیین کنید ، اکنون که به شما وصل شده اید ، 400 دارایی ساختمانی سنگین یا 40 نیروگاه متعلق به آن. نتیجه ، یا مشکل برای حل ، در نهایت به درک آنچه KPI می تواند با آن منجر به خط بالا ، بهره وری گردش کار یا صرفه جویی در خط پایین شود (اگر ترکیبی نباشد) بهبود می یابد. هر مشاغل توسط مجموعه ای از KPI های سطح بالا که عملکرد عملیاتی و سهامدار را اندازه گیری می کند ، اداره می شود. پس از تعیین این موارد ، مشکل حل (و بنابراین چه داده هایی مفید خواهد بود) روشن می شود.
با وجود این بنیاد ، هوش مصنوعی-چه پیش بینی کننده و چه مولد-می تواند 10-50 برابر تأثیر بیشتری در کمک به یک تجارت داشته باشد تا در کاری که انجام می دهند تولید شود. عرضه بهینه شده ، رول های کامیون و چرخه خدمات برای تعمیرات همه بر اساس یک الگوی سیگنال تقاضای واضح است که با متغیرهای ورودی مورد نیاز مطابقت دارد. برای نشان دادن ، مفهوم داشتن “قسمت مناسب ، در زمان مناسب ، در مکان مناسب” می تواند به معنای میلیون ها نفر به یک شرکت ساختمانی باشد – زیرا آنها نیاز به سطح جوراب زنانه ساقه بلند برای موجودی و فناوری های خدمات بهینه شده بر اساس یک مدل هوش مصنوعی دارند که می داند یا پیش بینی می کند چه موقع ممکن است خراب شود یا چه زمانی ممکن است یک رویداد خدمات رخ دهد. به نوبه خود ، این مدل ، همراه با داده های عملیاتی ساخت یافته و داده های IoT (برای دارایی های توزیع شده) ، می تواند به یک شرکت کمک کند تا ضمن اینکه قربانی رضایت مشتری را نمی دهد ، پویاتر و حاشیه ای بهینه تر شود.
شما در مورد اهمیت استفاده از داده ها به طور مؤثر صحبت کرده اید. برخی از متداول ترین راه هایی که شرکت ها از داده ها سوء استفاده می کنند چیست و چگونه می توانند آن را به یک مزیت رقابتی واقعی تبدیل کنند؟
اصطلاح “هوش مصنوعی” ، هنگامی که به ارزش چهره گرفته می شود ، می تواند کمی گمراه کننده باشد. وارد کردن هر و تمام داده ها به موتور هوش مصنوعی به معنای این نیست که نتایج مفید ، مرتبط یا دقیقی را به همراه خواهد داشت. از آنجا که تیم ها سعی می کنند از نرخ نوآوری هوش مصنوعی در دنیای امروز پیروی کنند ، گاهی اوقات اهمیت تهیه و کنترل کامل داده ها را فراموش می کنیم ، که برای اطمینان از داده های موجود در AI کاملاً دقیق است. درست مانند بدن انسان به سوخت با کیفیت بالا به قدرت خود متکی است ، هوش مصنوعی به داده های تمیز و مداوم بستگی دارد که صحت پیش بینی های آن را تضمین می کند. به خصوص در دنیای تیم های دارایی ، این از اهمیت بالایی برخوردار است تا تیم ها بتوانند گزارش های دقیقی را تهیه کنند.
برخی از بهترین شیوه ها برای توانمندسازی تیم های غیر فنی در یک سازمان برای استفاده از داده ها و هوش مصنوعی به طور مؤثر ، بدون اینکه آنها را با ابزارها یا فرآیندهای پیچیده بیش از حد کند ، چیست؟
توصیه من این است که رهبران بتوانند بر توانمندسازی تیم های غیر فنی برای تولید تحلیل های خود تمرکز کنند. برای اینکه واقعاً به عنوان یک تجارت چابک باشد ، تیم های فنی باید تلاش های خود را برای ایجاد روند شهودی برای کارمندان در سراسر سازمان متمرکز کنند ، بر خلاف تمرکز بر روی عقب ماندگی روزافزون درخواست های مالی و عملیات. حذف فرآیندهای دستی واقعاً اولین گام مهم در این فرآیند است ، زیرا به رهبران عامل اجازه می دهد تا زمان کمتری را برای جمع آوری داده ها و زمان بیشتری برای تجزیه و تحلیل آن بگذرانند.
InsightSoftware بر ورود هوش مصنوعی به عملیات مالی متمرکز است. چگونه AI نحوه عملکرد CFO و تیم های مالی را تغییر می دهد و بهترین مزایایی که AI می تواند برای تصمیم گیری مالی به ارمغان بیاورد چیست؟
هوش مصنوعی تأثیر عمیقی در تیم های تصمیم گیری مالی و مالی داشته است. در واقع ، 87٪ تیم ها در حال حاضر از آن با نرخ متوسط تا بالا استفاده می کنند که این یک اقدام خارق العاده از موفقیت و تأثیر آن است. به طور خاص ، هوش مصنوعی می تواند به تیم های مالی کمک کند تا پیش بینی های حیاتی را سریعتر و در نتیجه بیشتر از این – به طور قابل توجهی در زمینه های پیش بینی فعلی بهبود بخشند ، که تخمین می زند 58 ٪ از چرخه های بودجه بیش از پنج روز است.
با افزودن هوش مصنوعی به این فرایند تصمیم گیری ، تیم ها می توانند از آن استفاده کنند تا کارهای خسته کننده مانند تولید گزارش ، اعتبار سنجی داده ها و به روزرسانی های سیستم منبع را آزاد کنند و زمان ارزشمندی را برای تجزیه و تحلیل استراتژیک آزاد کنند. این امر به ویژه در یک بازار بی ثبات که تیم های امور مالی برای هدایت مقاومت به چابکی و انعطاف پذیری نیاز دارند ، بسیار مهم است. به عنوان مثال ، پرونده تیم مالی را در میان چرخه بودجه و برنامه ریزی قرار دهید. راه حل های دارای هوش مصنوعی می توانند پیش بینی های دقیق تری ارائه دهند و به متخصصان مالی کمک می کنند تا از طریق برنامه ریزی و تجزیه و تحلیل عمیق تر تصمیمات بهتری بگیرند.
نیازهای تحول داده ها را در پنج سال آینده ، به ویژه در رابطه با ادغام هوش مصنوعی و تغییر به منابع ابری ، چگونه می بینید؟
من فکر می کنم پنج سال آینده نیاز به چابکی داده های پیشرفته را نشان می دهد. با تغییر سریع بازار ، داده ها باید به اندازه کافی چابک باشند تا مشاغل بتوانند رقابتی بمانند. ما این موضوع را در انتقال از اول به خارج از اول به ابر ، جایی که مشاغل داده داشتند ، دیدیم ، اما هیچ یک از آنها مفید یا چابک نبودند تا در تغییر به آنها کمک کنند. انعطاف پذیری پیشرفته به معنای افزایش تصمیم گیری داده ها ، همکاری ، مدیریت ریسک و تعداد زیادی از قابلیت های دیگر است. اما در پایان روز ، تیم ها را به ابزارهای مورد نیاز برای پرداختن به چالش ها به طور مؤثر و تطبیق در صورت لزوم در تغییر روند یا تقاضای بازار مجهز می کند.
چگونه اطمینان حاصل می کنید که از فناوری های هوش مصنوعی با مسئولیت پذیری استفاده می شود ، و در هنگام استفاده از راه حل های هوش مصنوعی ، چه ملاحظات اخلاقی باید در اولویت قرار دهد؟
با ترسیم موازی بین ظهور و اتخاذ ابر ، سازمان ها از دادن داده های خود به برخی از نهادهای ناشناخته ، برای اجرای ، حفظ ، مدیریت و محافظت از ترس ترسیده بودند. چندین سال طول کشید تا این اعتماد ساخته شود. اکنون ، با پذیرش هوش مصنوعی ، الگوی مشابهی در حال ظهور است.
سازمانها باید دوباره به یک سیستم اعتماد کنند تا از اطلاعات خود محافظت کنند و در این حالت اطلاعات مناسب را تولید می کنند که واقعی ، قابل ارجاع و همچنین به نوبه خود مورد اعتماد قرار می گیرند. با ابر ، این در مورد “چه کسی متعلق به یا مدیریت” داده های شما بود. با هوش مصنوعی ، در اطراف اعتماد و استفاده از آن داده ها و همچنین مشتق اطلاعات ایجاد شده در نتیجه قرار دارد. با این گفته ، من پیشنهاد می کنم سازمانها هنگام استقرار فناوری های هوش مصنوعی روی سه مورد زیر تمرکز کنند:
- تکیه دادن – از استفاده از این فناوری نترسید ، بلکه اتخاذ و یاد بگیرید.
- پایه گذاری – داده های سازمانی که شما در اختیار دارید و مدیریت می کنید ، وقتی که اطلاعات اطلاعات را انجام می دهد ، حقیقت اساسی است ، به شرط آنکه اطلاعات صادقانه ، واقعی و قابل ارجاع باشند. اطمینان حاصل کنید که وقتی می توانید داده های خود را ایجاد کنید که منشأ نحوه آموزش مدل AI را درک می کنید و از چه اطلاعاتی استفاده می کنید. مانند همه برنامه ها یا داده ها ، زمینه ها. برنامه های غیر AA-AID نتایج نادرست یا نادرست را به دست می آورند. فقط به این دلیل که هوش مصنوعی نتیجه ای نادرست ایجاد می کند ، به این معنی نیست که ما باید مدل را مقصر بدانیم ، بلکه درک می کنیم که چه چیزی مدل را تغذیه می کند.
- ارزش – مورد استفاده را درک کنید که AI می تواند تأثیر را به میزان قابل توجهی بهبود بخشد.
با تشکر از شما برای مصاحبه عالی ، خوانندگانی که مایل به کسب اطلاعات بیشتر هستند باید بازدید کنند نرم افزارهای بینشبشر
