رئیس فناوری اس اند پی گلوبال می گوید بهره وری هوش مصنوعی کافی نیست - فروتنی را امتحان کنید

سبد انرژی بالادستی S&P Global شامل 16 محصول است که اطلاعاتی در مورد اکتشاف نفت و گاز ارائه می دهد. مشتریانی که از آن محصولات استفاده می‌کردند، گاهی مجبور بودند برای تکمیل کار خود بین برنامه‌هایی با رابط‌های مختلف حرکت کنند.

هنگامی که شرکت تصمیم به مدرنیزه کردن نمونه کارها کرد، می توانست یک برنامه کاربردی دیگر برای جمع کردن این عملکردها ایجاد کند. در عوض، یک پلتفرم انعطاف‌پذیر طراحی کرد که برای پشتیبانی از گردش‌های کاری مختلف با استفاده از عوامل هوش مصنوعی طراحی شده است.

S&P Global آن را به تعداد انگشت شماری از مشتریان معرفی کرد و واکنش اولیه دلگرم کننده بود. اما Firdaus Bhathena، معاون اجرایی و مدیر ارشد فناوری و تحول شرکت، مراقب بود که این موفقیت چه معنایی داشت.

بهاتنا گفت: «منظورم از موفقیت فوق‌العاده این نیست که ناگهان مقدار زیادی از درآمد را از دروازه خارج کرد.

آنچه اهمیت داشت کیفیت و سرعت بازخورد مشتریان بود که به S&P Global کمک کرد تا بستر را برای پذیرش گسترده‌تر آماده کند. این تجربه استدلال بزرگ‌تری را نشان داد که Bhathena در آخرین وبینار نیوزویک «انجمن تأثیر هوش مصنوعی» مطرح کرد: کار سریع‌تر و ارزان‌تر می‌تواند ارزش ایجاد کند، اما مزیت رقابتی پایدار به آنچه کسب‌وکارها می‌توانند برای مشتریان خود انجام دهند بستگی دارد.

Bhathena به میزبان دکتر Ranjit Tinaikar برای گفتگوی 4 نوامبر با عنوان "هوش مصنوعی سازمانی وقتی کار می کند چگونه به نظر می رسد" پیوست، و بررسی کرد که چگونه شرکت ها می توانند پیشرفت های هوش مصنوعی را به نتایج معنادار تبدیل کنند.

S&P Global چندین دهه اطلاعات اختصاصی و عمومی را جمع آوری کرده است که مشتریان از آن برای تصمیم گیری های مالی و سایر تصمیمات تجاری استفاده می کنند. بهاتنا گفت که این در بازار مبتنی بر هوش مصنوعی ارزشمند باقی می ماند، اما مزیت این شرکت به روش هایی که برای آن اطلاعات و روابطی که در طول زمان ایجاد کرده است نیز بستگی دارد.

او گفت: «این واقعا کاری است که شما با این داده‌ها انجام می‌دهید که مهم است.

این روابط به S&P Global فرصتی می‌دهد تا در نحوه دریافت و استفاده مشتریان از اطلاعات با تغییر کارشان توسط هوش مصنوعی تجدیدنظر کند. استفاده حداکثری از این فرصت همچنین مستلزم نظم و انضباط در مورد محل سرمایه گذاری است.

Bhathena دوره اولیه آزمایش هوش مصنوعی را به یاد آورد که او آن را "مرحله dabbling" نامید، زمانی که S&P Global صدها پروژه در دست اجرا داشت. تشویق کارمندان به کشف فناوری ارزش داشت، اما شرکت در نهایت نیاز داشت تا بر روی ابتکاراتی تمرکز کند که قادر به ایجاد تفاوت معنادار باشد.

او گفت: «من ترجیح می‌دهم روی سه چیز کار کنم که ارزش قابل‌توجهی داشته باشند تا 300 چیز.

بهاتنا استدلال کرد که بهبود بهره وری می تواند منابع را برای سرمایه گذاری های دیگر آزاد کند. اما رقبا در نهایت بسیاری از قابلیت‌های مشابه را به کار می‌گیرند و مدت زمانی را محدود می‌کنند که کارایی به تنهایی می‌تواند یک کسب‌وکار را از دیگری متمایز کند.

او همچنین این سوال را مطرح کرد که شرکت ها چگونه پیشرفت خود را اندازه گیری می کنند:

او گفت: «پذیرش هوش مصنوعی یک معیار ورودی است، یک معیار خروجی نیست.

او به مدیران یک سوال سخت‌تر پیشنهاد کرد:

"امروز با هوش مصنوعی چه کاری برای مشتریان خود انجام می دهید که دو سال پیش نمی توانستید انجام دهید؟" او پرسید.

بهاتنا خاطرنشان کرد که مشتریان در حال تجدید نظر در فرآیندهای طولانی مدت تجاری هستند و فرصت هایی را برای S&P Global ایجاد می کند تا به جای تسریع ساده وظایف آشنا، به طراحی مجدد گردش کار خود کمک کند.

یک رویکرد شامل وارد کردن مهندسان به طور مستقیم در بحث های مشتری است. این تمرین که به عنوان مهندسی توسعه یافته شناخته می شود، متخصصان فنی را در کنار مشتریان قرار می دهد تا مشکلات آنها را درک کنند و راه حل هایی را توسعه دهند.

تیم های فروش و بازاریابی نیز برای شرکت در این مکالمات به درک قوی تری از فناوری نیاز دارند. Bhathena بر آموزش عملی تأکید کرد که به کارمندان کمک می کند تا بفهمند هوش مصنوعی چه کارهایی را می تواند انجام دهد و چگونه ممکن است نحوه استفاده مشتریان از محصولات S&P Global را تغییر دهد.

تغییرات مشابهی در داخل سازمان توسعه شرکت در حال شکل گیری است.

بااتنا درباره کار S&P Global در مورد چرخه عمر توسعه محصول عامل یا PDLC بحث کرد و عمدا آن را از چرخه عمر توسعه نرم افزار محدودتر متمایز کرد.

از آنجایی که هوش مصنوعی به مهندسان کمک می کند تا کد را سریعتر تولید کنند، یکی از بزرگترین تغییرات در نقش مدیران محصول پدیدار شده است.

"آیا تا به حال در دنیایی زندگی کرده اید که احساس کنید ما خیلی سریع چیزها را می سازیم؟" او پرسید.

مدیران محصول که عادت به انتظار برای توسعه نرم افزار دارند، اکنون باید با رسیدن بازخورد مشتریان و کوتاه شدن چرخه های توسعه، نزدیک تر با مهندسان کار کنند.

که به معیارهای مختلف موفقیت نیاز دارد. Bhathena نسبت به ارزیابی ابتکارات هوش مصنوعی در درجه اول از طریق صرفه جویی در هزینه ها هشدار داد و استدلال کرد که شرکت ها همچنین باید کیفیت محصول، نیازهای مشتری و اینکه آیا آنچه می سازند در بازار موفق است را ارزیابی کنند.

بهاتنا گفت: "مردم به هر انگیزه ای که به آنها داده شود واکنش نشان می دهند. اگر چیز اشتباهی را اندازه گیری کنید، نتیجه اشتباهی خواهید گرفت."

او از مدیران خواست تا اهداف روشنی را تعیین کنند و مایل به کنار گذاشتن آزمایش‌هایی باشند که به نتیجه نمی‌رسند، نه اینکه صرفا به این دلیل که منابع قابل توجهی قبلا سرمایه‌گذاری شده‌اند، ادامه دهند.

سرعت بیشتر توسعه چالش دیگری را ایجاد می کند: اطمینان از اینکه امنیت، انطباق و انعطاف پذیری از همان ابتدا مورد توجه قرار می گیرد.

Bhathena تاکید کرد که پادمان هایی که به طور سنتی به عنوان موانع پیشرفت سریع در نظر گرفته می شوند، باید ویژگی های اساسی یک محصول، در کنار قابلیت های کاربردی و تحلیلی آن در نظر گرفته شوند.

او گفت: «ما نمی‌توانیم به آن‌ها به‌عنوان چیزهایی فکر کنیم که بعد از این واقعیت اضافه می‌شوند.

انتظارات مشتری بر این اساس در حال تغییر است. کسب‌وکارها به طور فزاینده‌ای می‌خواهند بفهمند که چگونه ارائه‌دهندگان فناوری آنها تهدیدات امنیت سایبری را مدیریت می‌کنند، بر فروشندگان خارجی نظارت می‌کنند و در صورت بروز آسیب‌پذیری پاسخ می‌دهند.

بااتنا تعهد اس اند پی گلوبال به آنچه او شفافیت رادیکال می نامد را تشریح کرد. "آیا آنها می توانند به ما اعتماد کنند که همانطور که باید انتظار داشته باشند با آنها شفاف باشیم؟ آیا ما در مورد آنچه که با آنها سر و کار داریم با آنها فعال و مستقیم هستیم؟" او پرسید.

این گشودگی محدودیت هایی دارد. سازمان ها هنوز باید از افشای جزئیاتی که می تواند خطرات امنیتی بیشتری ایجاد کند، اجتناب کنند. او استدلال کرد، اما مشتریان نباید به طور مکرر برای اطلاعات مرتبط فشار بیاورند.

فراتر از تغییرات عملیاتی، Tinaikar پرسید که مدیران به چه ویژگی هایی نیاز دارند، زیرا هوش مصنوعی کار دانش را تغییر می دهد و ایده های ایجاد شده در مورد تخصص را به چالش می کشد.

او گفت: نقطه مقابل فروتنی، تکبر است که بگوید ما در این کار از همه بهتریم.

او گفت که رهبران باید همچنان مایل باشند که مفروضات خود را زیر سوال ببرند، مهارت‌های جدید بیاموزند و رویه‌هایی را که در گذشته موفق بوده‌اند بازنگری کنند. تجربه زمانی می تواند به نقطه ضعف تبدیل شود که مدیران اجرایی را از درک میزان نیاز سازمانشان به تغییر باز دارد.

او همچنین بر اهمیت کمک به کارمندان جوانتر برای توسعه توانایی برای ادامه یادگیری با تکامل خواسته های کار تأکید کرد.

Bhathena در سخنان پایانی خود به مسئله مزیت رقابتی بازگشت و تصور کرد که چگونه مشتریان ممکن است در نهایت انتخاب خود را از یک شریک فناوری بر دیگری توضیح دهند.

او گفت: "من با شما کار نمی کنم زیرا شما ارزان تر هستید یا سریع تر هستید یا حتی محصول بهتری دارید. من با شما کار می کنم زیرا بیشتر از دیگران به شما اعتماد دارم."