Accentures Bilal Munir talar om hur hans roll har förändrats med tillväxten av Genai och belyser några av de viktigaste färdigheterna han använder.
Bilal Munir har alltid varit passionerad för matematik, vilket ledde honom till en examen i aktuariell matematik vid Dublin City University. Medan han var där landade han en praktikplats med Accenture i dess data och AI -praxis.
”Det var en av mina karriärhöjdpunkter – verkligt projektarbete, exponering för flera branscher och förmågan att tillämpa min kodning och statistiska färdigheter från universitetet,” sa han till SiliconRepublic.com.
Efter universitetet återgick Munir företaget genom sitt forskarutbildning som datavetenskapsanalytiker 2021. Han beslutade sedan att specialisera sig i data och AI genom att genomföra en magisterexamen i dataanalys vid University College Dublin. Han arbetar nu som data och AI -chef för Accenture.
Berätta lite om vad som förde dig till din nuvarande roll.
Jag gick ursprungligen till Accentures Global Fraud and Risk Analytics-team, så mina första roller var mycket motbedrägeri. Ett av mina första projekt handlade om att utföra nätverksanalys för ett brittiskt offentligt sektor. Jag byggde och analyserade resultaten från intressentersintervjuer för att bilda ett riktat nätverk av datadelningsinitiativ mellan olika regeringsorgan för att identifiera förbättringsområden.
Senare började jag arbeta med lokala projekt och tillbringade två år med en finansiell klient. Denna roll var mer en datateknik och molnmigrationsroll i motsats till en datavetenskaplig roll. Jag fick mycket erfarenhet inom områden som datateknik och arkitektur, molnberäkning och teamhantering. Dessa färdigheter formade mig till en bättre datavetare och nu har jag en förståelse för livscykeln för slutet till slutet (från skapelse till intag och omvandling till implementering och övervakning) och det har gett mig ett mer holistiskt perspektiv när jag utformar analys och AI -lösningar.
Efter min tvååriga stint i finanssektorn gick jag med i min nuvarande klient, ett irländskt offentligt organ. Jag gick inledningsvis med som Lead Generative AI (GENAI) -utvecklare och förde ett litet team av datavetare med mig för att hjälpa till att bygga och distribuera GENAI -prototyper för en liten uppsättning av affärsanvändare, vilket bevisar deras värde medan jag etablerar vår klients AI -strategi och ansvarsfull AI -styrning .
Jag tillbringade de senaste månaderna 2024 och hjälpte till att definiera vår klients ansvariga AI -stiftelser, som för närvarande är i en implementeringsfas. Numera är min huvudprioritet att bana vägen till produktion-att flytta Gen AI-prototyperna från att testa till produktion för storskalig användning.
Hur har du sett din rollförändring med explosionen av Genai de senaste åren?
För det första har det skapat mycket efterfrågan – våra kunder vill veta allt om det och vill använda det för att lösa problem som tidigare var omöjliga att lösa eller de var för dyra att lösa. Jag tillbringar mycket tid med många av våra kunder i Genai kunskapsdelande sessioner-vad det är och vad det inte är, vilken inverkan det kommer att ha på dem och deras bransch, hur de behöver förbereda sig för det och hur man kommer igång .
För det andra har det varit ett väckarklocka till de som vill distribuera Genai men inte kan för att de inte har rätt datakundar på plats-som vi i Accenture kallar det, den ”digitala kärnan”. Många företag som tidigare var långsamma eller motvilliga i molnens adoption har ökat ansträngningarna för att använda GENAI -modellerna som betjänas av molnleverantörer.
Det finns ökad efterfrågan i befintligt arbete som molnmigrering och datateknik, som sedan matar in och möjliggör den nya efterfrågan i arbetet som rör Genai.
Hur behöver datapersonal anpassa sig för att vara redo för en Genai -värld?
En färdighet som är vanlig för de flesta dataproffs är kodning. Kodförståelse är en av de största fördelarna med stora språkmodeller (LLM). Utvecklare kan använda Genai i någon form eller form för att hjälpa till med kodproblem och för kodgenerering. Dessa kan utnyttjas på flera sätt (en molnleverantör, Microsoft Copilot, Github Copilot etc).
Med det sagt är det fortfarande viktigt för datapersonalen att ha en stark förståelse för koden som i slutändan används och för att kunna kritisera alla kodar som är AI-genererade-ingen LLM är perfekt och överbelastning av sådana verktyg vid detta Steget kommer i slutändan att leda till frågor. Det är inte en magisk lösning – mer av ett ytterligare verktyg i din verktygssats.
Slutligen, tillsammans med kodningskompetens, bör alla datapersonal stärka sin förståelse för ansvarsfull AI och modellstyrning, särskilt med tanke på de närmande tidsfristerna för EU AI -lagen.
Vilka är de största utmaningarna du står inför i din nuvarande roll när AI fortsätter att utvecklas?
En av de största utmaningarna som jag har lagt märke till är hur mycket ansträngning som krävs för att hålla jämna steg med den otroliga hastighet som både AI och Genai utvecklas. Nya verktyg, ramar, modeller och metoder verkar dyka upp varje vecka, vilket gör det utmanande att hålla jämna steg.
Det är en fantastisk sak, men det betyder också att en metod du anser vara optimal idag kan vara föråldrad på mindre än ett par månader, vilket kräver att vi bygger med förändring i åtanke. Jag gillar att avsätta några timmar varje vecka för att utforska de senaste verktygen och läsa de senaste och mest framstående forskningsuppsatserna.
Vad tycker du mest om ditt jobb?
De bästa delarna av mitt jobb är de människor jag får arbeta med – våra kunder, våra partners och våra egna människor. Att arbeta med människor som litar på och stöder dig – och som du också kan lita på – är absolut nödvändigt.
En annan viktig faktor i min personliga arbetstillfredsställelse är flexibilitet-förmågan att arbeta i en hybridinställning hjälper verkligen med att hantera min egen balans mellan arbetsliv och liv.
Vilka är de viktigaste färdigheterna att arbeta inom området data och AI?
Som statistiker som jag är, kan jag vara lite partisk när jag säger att en djup förståelse av sannolikhet, statistik, linjär algebra och kalkyl går långt. Även om du inte nödvändigtvis behöver ett djupt dyk i mekaniken bakom varje AI -modell för att utnyttja dem – precis som du kan köra bil utan att veta hur motorn fungerar – har insikt i hur dessa modeller i grunden fungerar hjälper dig att förutse deras styrkor och begränsningar .
Utöver detta är kunskaper i kodning och datamanipulation avgörande. Om du inte kan komma åt eller förbereda dina data effektivt, kommer framgång i AI att vara svår. En annan viktig aspekt är en kontinuerlig inlärningssyn, som hjälper till att hålla dig uppdaterad med de senaste branschtrenderna.
Vilka råd skulle du ge till dem som överväger en karriär i AI?
Det finns många områden man kan fokusera på. Jag föreslår att jag blir bekväm med Python och SQL, go-to för de flesta datapersonal. Lär dig vad de stora molnleverantörerna erbjuder eftersom du mer än troligt kommer att arbeta med dem i någon form eller form.
Och när det gäller det snabbt utvecklande området av Genai, bli bekväm med de verktyg och ramar som används: Langchain, Langgraph och Ragas är några av de framstående.
