Koo Ping Shung, CIOSEA Nieuws, ETCIO SEA

Als een bedrijf datagedreven wil zijn, moet je allereerst beginnen met het beheren van data als een asset: Koo Ping Shung

Koo Ping Shung is de voorzitter en medeoprichter van AI Professionals Association in Singapore. Koo, te zien in Singapore’s LinkedIn Top Voice voor data-analyse, datawetenschap en kunstmatige intelligentie, heeft de afgelopen 17 jaar data-analyse, datawetenschap en kunstmatige intelligentie doorlopen in zijn carrière. Zijn ervaring strekt zich uit over een breed scala van industrieën in de manier waarop gegevens worden gebruikt. Zijn ervaring strekt zich ook uit over de hele datawaardeketen, van dataverzameling, databeheer en datagovernance tot de implementatie van inzichten en machine learning-modellen. Hij is een instructeur in verschillende prestigieuze instellingen zoals NUS, SMU en ESSEC en Data Science & AI-adviseur voor bedrijven en startups en heeft veel individuen begeleid.

Zijn sterke passie vertaalde zich ook in de mede-oprichter van DataScience SG, een van de grootste belangengroepen in de regio. Een van zijn vele huidige functies is ook de Industry Innovation Mentor van AI Singapore en hij heeft ook het professionele accreditatieproces van de Chartered AI Engineer opgezet.

In een exclusieve interactie met ETCIO SEA deelt Koo zijn gedachten over belangrijke punten waarmee organisaties rekening moeten houden bij het bouwen van datawetenschaps- en kunstmatige intelligentie-mogelijkheden en zijn advies aan CIO’s en CDO’s voor slimmer datagebruik in 2022 en daarna.

Wat zijn enkele van de belangrijkste datagestuurde strategieën die organisaties moeten implementeren om een ​​efficiënte en doelgerichte zakelijke omgeving op te bouwen?

Zoals ik het bekijk, verzamelen veel bedrijven op dit moment lukraak gegevens. Wat ik bedoel is dat ze niet echt veel geplande use-cases hebben over het gebruik van deze gegevens. Om eerlijk te zijn, worstelen ze ook met digitale transformatie. En dataverzameling, datamanagement vallen onder de paraplu van digitale transformatie. Dus dat is een uitdaging aan de kant van de gegevensverzameling. Dus voor elk bedrijf dat aan deze reis wil beginnen, raad ik ze ten zeerste aan om de verzamelde en opgeslagen gegevens te bekijken en de waarde ervan vast te stellen.

Dus als een bedrijf datagedreven wil zijn, moet je allereerst beginnen met het beheren van data als een asset. Dat betekent dat je kijkt naar het verzamelen, de opslag en het ophalen.

Het andere aspect om naar te kijken en dat ook behoorlijk uitdagend is, is het talent. We hebben goed talent nodig dat deze data-assets kan omzetten in inzichten. En we hebben momenteel een talentcrisis, hoewel veel organisaties zullen zeggen dat ze willen huren via bootcamps. Ik heb altijd de analogie dat nieuw talent naar bootcamps gaat en alle ML-modellen en technische tools leert. Maar hoeveel van de organisaties zullen bereid zijn hen aan het werk te zetten, omdat ze niet hebben laten zien dat ze de waarde van dat leren tijdens bootcamps nog niet hebben gerealiseerd. Werkgevers zijn dol op de waarde die ze kunnen bieden en niet op wat ze van de bootcamps hebben geleerd; daarom is er een mismatch. Dus dat verergert de talentcrisis in plaats van het te verbeteren.

Ten derde, zelfs als organisaties het talent en de verzamelde gegevens hebben, is de uitdaging hoe ze kennis beheren. Kennismanagement is eigenlijk een oud begrip in management, maar hoe managen we deze kennis zodat deze tijdig bij de juiste mensen terecht komt zodat zij effectief beslissingen kunnen nemen.

Wat zijn enkele van de belangrijkste punten waarmee organisaties rekening moeten houden bij het bouwen van datawetenschaps- en kunstmatige intelligentie-mogelijkheden?

Een van de veelvoorkomende mislukkingen die ik heb gezien bij veel organisaties die capaciteiten in datawetenschap en AI willen bouwen, is dat ze voor hun allereerste project niet veel aandacht besteden aan waarde.

Ze willen gewoon laten zien dat ze een project hebben gedaan en dat is het dan ook. Maar als je er als ondernemer over nadenkt en AI wilt blijven gebruiken, moet je bewijzen dat het waarde kan blijven bijdragen. Als wat u aan het eerste project uitgeeft meer is dan de waarde die u ervan realiseert, zal niemand het project vertrouwen of voortzetten.

Zorg er dus voor dat de waarde groter is dan de kosten, vooral voor het eerste project.

Ten tweede hebben veel bedrijven de misvatting dat ze iemand uit de bootcamp kunnen inhuren en hij direct kan bijdragen. Dit is niet waar, aangezien de meeste bootcamps de huidige gebruiksscenario’s delen. Maar zodra deze pas opgeleide datawetenschapper of AI-wetenschapper het veld in gaat, worden ze geconfronteerd met verschillende uitdagingen die je waarschijnlijk niet ziet in de bootcamp, zoals problemen met de gegevenskwaliteit of verschillende belanghebbenden met hun eigen agenda’s of het soort tools of infrastructuur beschikbaar in het bedrijf. Ook in een bootcamp worden gegevens vers voorbereid, terwijl in een organisatie misschien niet eens alle gegevens in digitale vorm zijn. Daarom hebben organisaties iemand nodig die ervaren is om waarde te realiseren uit initiële projecten.

Tegenwoordig verzamelen organisaties elke dag steeds meer informatie. Volgens een recent IBM-onderzoek is 80% donker en ongestructureerd. Welke best practices pleit u voor organisaties om data te gebruiken temidden van databombardementen?

Om data zo goed mogelijk te gebruiken te midden van al dit databombardement, moet je ervoor zorgen dat de datakwaliteit goed is. Natuurlijk heeft het zijn eigen uitdagingen, zoals hoe zorg je ervoor dat ongestructureerde gegevens van goede kwaliteit zijn. Dat is ook niet makkelijk en vanzelfsprekend.

En wat het verder compenseert, is dat we in deze ruimte meestal ongestructureerde gegevens moeten converteren naar gestructureerde gegevens. Maar we kunnen de conversie niet eenvoudig uitvoeren als u de gegevens eenmaal heeft verzameld, omdat hoe u de gegevens wilt structureren afhankelijk is van de analyse die u wilt uitvoeren. Dus een ervaren persoon zal in die zin helpen. Dus de kant van gegevensbeheer zal erg belangrijk zijn, omdat je veel ongestructureerde gegevens gaat verzamelen. Dus ik raad veel bedrijven aan om aan het eind van de dag je gegevensverzameling te plannen, omdat het tijd kost om te verzamelen. Wat weer teruggaat naar uw use-case – bezoek altijd uw use-case opnieuw, maak nieuwe use-cases; dan kun je meer waarde uit data halen.

Wat zijn enkele van de uitdagingen waarmee organisaties in APAC te maken kunnen krijgen bij het bouwen van interne datawetenschapscapaciteiten?

Zoals ik al eerder zei, is talentcrunch een van de uitdagingen waarmee organisaties in de APAC worden geconfronteerd. Ze weten niet hoe ze de goede van de slechte moeten onderscheiden. Een andere uitdaging is het te veel vertrouwen op bootcamp-certificering om te bepalen of iemand goed of slecht is.

Een andere uitdaging is dat wanneer ze nieuwe projecten en externe marktuitbreiding onderzoeken, er nieuwe uitdagingen zullen opduiken. Stel dat u bijvoorbeeld consumentengegevens analyseert, er zullen verschillen in cultuur zijn die u moet begrijpen tijdens het analyseren.

Tot slot, wat is uw enige advies aan CIO’s en CDO’s voor slimmer datagebruik in 2022 en daarna?

Uiteindelijk moeten CIO’s en CDO’s ervoor zorgen dat alle gegevens die u gebruikt, weer bijdragen aan de algemene bedrijfsstrategie van het bedrijf.

Uw stakeholders moeten waarde vinden voor de projecten. Laat ten slotte iemand met ervaring naar de hele reis kijken. Begin niet met iemand die heel groen is!

.

Kommentar verfassen

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert