دکتر ریچ سوننبلیک، دانشمند ارشد داده Planview، دارای سال ها تجربه کار با برخی از بزرگترین شرکت های دارویی و علوم زیستی در جهان است. از طریق این مطالعه و کاربرد عمیق، او با موفقیت فرآیندهای اولویت‌بندی و بررسی پورتفولیو، سیستم‌های امتیازدهی، و روش‌های ارزش‌گذاری مالی و پیش‌بینی را برای افزایش پیش‌بینی محصول و تجزیه و تحلیل پرتفوی فرمول‌بندی کرده است. دکتر Sonnenblick دارای مدرک Ph.D. و کارشناسی ارشد از دانشگاه کارنگی ملون در مهندسی و سیاست عمومی و کارشناسی فیزیک از دانشگاه کالیفرنیا، سانتا کروز.
پلان ویو پلتفرم برای کار متصل به منظور افزایش زمان عرضه به بازار و قابلیت پیش بینی، بهبود کارایی برای به حداکثر رساندن ظرفیت، و پشتیبانی از ارائه ابتکارات استراتژیک با هدف دستیابی به نتایج کسب و کار بهینه طراحی شده است.
شما در حال گذار از مشاوره مدیریت به ابتکارات پیشرو در علم داده، حرفه ای گسترده داشته اید. چه چیزی شما را الهام بخش کرد تا این تغییر را انجام دهید، و سفر شما چگونه رویکرد شما را برای استفاده از هوش مصنوعی در تجارت امروز شکل داده است؟
مشاوره مدیریت دید وسیعی از ناکارآمدی های کسب و کار و فرصت های استفاده نشده را به من ارائه داد، جایی که شکاف متمایز بین توصیه های استراتژیک و بینش های عملی وجود دارد. علم داده این شکاف را پر می‌کند و داده‌های خام را به دارایی‌های استراتژیک تبدیل می‌کند که قدرت اطلاع‌رسانی به تصمیم‌گیری در زمان واقعی را دارند. سفر من به من آموخت که هوش مصنوعی را به‌عنوان یک تقویت‌کننده ببینم که می‌تواند فرآیندها را اصلاح کند، تصمیم‌گیری را تسریع کند و خلاقیت را به روش‌هایی باز کند که تخصص انسان را تقویت کند.
در Planview، شما پیشتاز ادغام راه حل های پیشرفته هوش مصنوعی در عملکردهای مختلف کسب و کار هستید. آیا می‌توانید به اشتراک بگذارید که چگونه نقش شما به‌عنوان دانشمند ارشد داده بر استراتژی هوش مصنوعی شرکت و بزرگترین چالش‌هایی که در این مسیر با آنها مواجه شده‌اید، تأثیر گذاشته است؟
در Planview، هوش مصنوعی به عنوان ابزاری برای باز کردن بینش ها و بهبود تصمیم گیری در پلتفرم ما تعبیه شده است. من روی استفاده از هوش مصنوعی برای بهینه سازی مدیریت منابع، برنامه ریزی پروژه و کارایی عملیاتی تمرکز کرده ام. دستیار هوش مصنوعی Copilot ما آموزش های حین کار را برای کاربران در تمام سطوح مهارت ارائه می دهد، کارهای وقت گیر مکرر مانند تولید گزارش را خودکار می کند، و از بهترین شیوه ها برای پیشنهاد دوره های اقدام سازنده استفاده می کند و تیم ها را برای تصمیم گیری سریع آگاهانه توانمند می سازد.
هوش مصنوعی چگونه می تواند به شرکت ها کمک کند تا ناکارآمدی های درون تیم ها را شناسایی کرده و تخصیص منابع را بهبود بخشند؟
هوش مصنوعی در شناسایی الگوهای موجود در داده‌ها که بسیار پیچیده‌تر از آن هستند که به سرعت توسط انسان تشخیص داده شوند، برتری دارد. می تواند منابع کم استفاده را برجسته کند، تنگناها را شناسایی کند و عدم تعادل حجم کار را پیش بینی کند. به عنوان مثال، با تجزیه و تحلیل اهداف پورتفولیو، جدول زمانی پروژه و معیارهای عملکرد تیم، هوش مصنوعی می‌تواند تخصیص مجدد وظایف یا تخصیص مجدد منابع در بین پورتفولیوها را برای ایجاد حداکثر تأثیر بدون افزودن منابع اضافی پیشنهاد دهد.
برخی از ناکارآمدی های رایج در مدیریت منابع که هوش مصنوعی به ویژه در رفع آنها موثر است چیست؟
هوش مصنوعی به ویژه در برجسته کردن ابتکارات غیراستراتژیک و کم کارایی ماهر است، و ما این مهارت‌های حیاتی را در Planview Copilot ایجاد کرده‌ایم. همانطور که Copilot تکامل می یابد، بهتر می تواند اقدامات کاهشی را برجسته و پیشنهاد کند. همچنین می‌تواند ضایعات را در فرآیندهایی، مانند وظایف اضافی یا انتقال بیش از حد، علامت‌گذاری کند و بهینه‌سازی‌هایی را پیشنهاد کند.
چرا ضایعات یک چالش مهم برای تیم های توسعه نرم افزار است و هوش مصنوعی از چه راه هایی می تواند آن را کاهش دهد؟
ضایعات در توسعه نرم افزار اغلب از ناکارآمدی هایی مانند اولویت بندی ضعیف، اشکال زدایی بیش از حد یا تلاش های نادرست تیم ناشی می شود. هوش مصنوعی می‌تواند با عمل به عنوان دستیار کدنویسی، خودکارسازی وظایف تکراری و ارائه بینش‌های پیش‌بینی‌کننده در مورد جدول زمانی پروژه و خطرات احتمالی، ضایعات را کاهش دهد. برای مثال، می‌تواند پروژه‌های گذشته را برای شناسایی الگوهایی که منجر به تاخیر می‌شوند، تجزیه و تحلیل کند و به تیم‌ها کمک کند تا از این مشکلات اجتناب کنند.
آیا مدل‌ها یا ابزارهای هوش مصنوعی خاصی وجود دارد که برای بهینه‌سازی چرخه عمر توسعه نرم‌افزار مناسب هستند؟
برای بهینه سازی چرخه عمر توسعه نرم افزار، ما به دنبال افزایش کارایی و همسویی هستیم. Planview Copilot در Viz تنگناها و موانع سرعت جریان را شناسایی می کند و بینش عملی متناسب با داده های یک سازمان را ارائه می دهد. تیم‌ها می‌توانند از انگلیسی ساده برای تفسیر معیارهای جریان، شناسایی کندی‌های تحویل سیستمیک و دریافت توصیه‌های دقیق استفاده کنند. این بهینه سازی کلید افزایش بهره وری است که در نهایت تحویل را ساده می کند.
چگونه روابط داده های اساسی هنگام استقرار هوش مصنوعی به عنوان دستیار کاری ارزش اضافی ایجاد می کنند؟
با نگاشت روابط بین نقاط داده – چه در جدول زمانی پروژه، استفاده از منابع یا ارتباطات تیمی – هوش مصنوعی می تواند بینش هایی را که فراتر از بدیهیات است، آشکار کند. به عنوان مثال، پیوند دادن گرایش‌های احساسات در به‌روزرسانی‌های وضعیت به نتایج پروژه می‌تواند به مدیران کمک کند تا موانع را پیش از اینکه تیم آنها را به مدیریت نشان دهد، پیش‌بینی کنند و زمان کافی برای انجام تنظیمات پیشگیرانه فراهم کند.
سازمان‌های کوچکتر چه اقداماتی را باید انجام دهند تا هوش مصنوعی را با قیمتی مقرون به صرفه و بدون به خطر انداختن تأثیر، اتخاذ کنند؟
سازمان‌های کوچکتر باید با ابزارهای هوش مصنوعی مولد در دسترس شروع کنند که به عنوان دروازه‌ای برای راه‌حل‌های پیچیده‌تر عمل می‌کنند. ابزارهایی که اسناد را خلاصه می‌کنند، به محتوای بازاریابی کمک می‌کنند، یا به تولید کد کمک می‌کنند، راه‌های مقرون‌به‌صرفه‌ای برای این سازمان‌ها برای شروع پذیرش هوش مصنوعی بدون سرمایه‌گذاری گسترده هستند. شروع با یک پیشنهاد هوش مصنوعی افقی که برای طیف گسترده ای از موارد کاربردی قابل استفاده است، ارزش بهتری نسبت به سرمایه گذاری در برنامه های کاربردی تخصصی خواهد بود که هوش مصنوعی مولد را به کارهای بسیار خاصی که باید انجام شوند، خم می کنند. این سازمان را قادر می‌سازد تا به جای سرمایه‌گذاری بیش از حد در چندین پیشنهاد، موارد استفاده با بیشترین تأثیر را مشخص کند.
تجزیه و تحلیل پیش بینی کننده چه نقشی در بهبود نتایج پروژه ایفا می کند؟
تجزیه و تحلیل پیش بینی به تیم ها کمک می کند تا موانع و نتایج بالقوه را بر اساس داده های تاریخی و روندهای فعلی پیش بینی کنند. عوامل هوش مصنوعی می توانند احتمال تاخیر پروژه یا کمبود منابع را پیش بینی کنند و مدیران محصول را قادر می سازند تا برنامه ها را به طور فعال تنظیم کنند. این آینده‌نگاری ریسک را به حداقل می‌رساند و کارایی را به حداکثر می‌رساند و در نهایت سازمان‌ها را قادر می‌سازد تا اهداف استراتژیک خود را سریع‌تر برآورده کنند.
با نگاهی به آینده، چگونه می‌بینید که هوش مصنوعی در دهه آینده عملیات‌های تجاری را متحول می‌کند، و چه روندهای نوظهور هوش مصنوعی را برای تأثیر بالقوه آنها بر صنایع بسیار هیجان‌زده می‌کنید؟
هوش مصنوعی به تغییر عملیات تجاری در دهه آینده ادامه خواهد داد. نقش های جدید را تقویت می کند، قابلیت های پیش بینی را افزایش می دهد و نوآوری را ساده می کند.
توسعه دهندگان بومی LLM، متخصصان در ادغام همکاری هوش مصنوعی، به یک امر عادی تبدیل خواهند شد و جایگزین توسعه دهندگانی خواهند شد که هوش مصنوعی را در وظایف روزمره خود قبول نمی کنند. هوش مصنوعی مولد به محو کردن خطوط با هوش مصنوعی پیشگو ادامه خواهد داد و الگوریتم ها را با سناریوهای مصنوعی برای تصمیم گیری استراتژیک بر اساس عوامل خارجی و داخلی غنی می کند. در بیوتکنولوژی، genAI پروفایل‌های پیچیده‌ای برای بیماران ایجاد می‌کند تا درمان‌های جدید را کشف کند، در حالی که در امنیت سایبری، هوش مصنوعی تهدیدات جدیدی را برای مدل‌های پیش‌بینی‌کننده شبیه‌سازی می‌کند. روندهای نوظهور مانند استنتاج تطبیقی و مدل‌های هوش مصنوعی کوچکتر و کارآمدتر، چالش‌های محاسباتی را در سال‌های آینده بررسی خواهند کرد. آنها راه حل های سریع تر و هدفمندتری را تضمین خواهند کرد.
از برنامه‌ریزی استراتژیک گرفته تا امنیت پیشگیرانه، ادغام هوش مصنوعی به کسب‌وکارها این امکان را می‌دهد تا با چابکی چرخش کنند، استراتژی‌های انعطاف‌پذیر و برتری عملیاتی را در دنیایی پویا و فزاینده کشف کنند.
با تشکر از شما برای مصاحبه عالی، خوانندگانی که مایل به کسب اطلاعات بیشتر هستند باید از آن بازدید کنند پلان ویو.
