Direktör för teknik på Liberty IT, Stuart Greenlees, delar med sig av några av sina viktigaste lärdomar från att gräva in i AI-världen och hans bästa råd till de som börjar.
Stuart Greenlees har arbetat på Liberty IT i cirka 20 år och har under den tiden fått en bred erfarenhet av att arbeta i hela organisationen. I sin nuvarande roll som teknikchef fokuserar han på innovation. ”Jag gick med i företaget för att jag letade efter mer komplexa utmaningar att arbeta med och jag har inte blivit besviken”, sa han till SiliconRepublic.com.
Greenlees är särskilt intresserad av hur framväxande teknologier och professionella metoder kan användas för att lösa nya affärsproblem för teknikarmens moderbolag, Liberty Mutual Insurance, som han sa försäkrar ”allt från hus till flygplan och hästar, så det finns massor av variation i vilka typer av saker du kan arbeta med som håller det intressant”.
”Du måste kunna kommunicera för att förstå problemet du ska lösa”
Vad väckte först ditt intresse för en karriär inom AI och analys?
Jag började intressera mig för AI och analys för cirka sju år sedan när jag tog på mig rollen som senior portföljarkitekt. Vad jag snabbt upptäckte var att enbart mjukvaruteknik inte var tillräckligt för att lösa några av Liberty Mutual Insurances mest komplexa affärsproblem.
Sedan dess har jag varit mycket engagerad i AI. Vi har inte bara använt commodity AI för saker som kognitiva upplevelser och dokumentintelligens, utan vi har också byggt upp ett datavetenskapsteam som bygger anpassade prediktiva modeller, datorseende och NLP (natural language processing) och en maskininlärning (ML) ingenjörsdisciplin. med fokus på ML Ops.
Det senaste året har jag varit starkt fokuserad på generativ AI och hur Liberty Mutual Insurance som företag kan dra fördel av denna kraftfulla teknologi.
Vilka var de största överraskningarna du mötte på din karriärväg?
Inom AI och analys har det funnits massor av överraskningar och utmaningar som har hållit det både utmanande och intressant.
En av de största överraskningarna är antalet tekniska utmaningar kring en AI-lösning utöver att bygga själva ML-modellen. Till exempel är det ofta svårt att få tag i den data du behöver. När du väl har det är det svårt att få det rätt märkt.
Det finns utmaningar med att spåra dina experiment tillsammans med dina modeller och tillhörande data och funktionskod. När du väl har en modell finns det en mängd andra utmaningar när det gäller saker som att operationalisera modellen, övervaka dess prestanda, se efter dataavdrift och återanpassning av modellen.
I Liberty har vi ägnat de senaste åren åt att bygga våra ML Ops-praxis och verktyg för att tackla dessa utmaningar med målet att minska både cykeltiden det tar att få modeller i produktion och den tid som våra datavetenskapsteam behöver spendera på montera om modeller snarare än att bygga nya nettomodeller för att lägga till vår portfölj av modeller i produktion.
Var det någon person som var särskilt inflytelserik när din karriär utvecklades?
Inte bara en, så många! Jag har haft flera mentorer som hjälpt mig att bygga upp min tekniska och professionella kompetens som jag är otroligt tacksam för. Att vara mentor är också oerhört viktigt för mig.
Vad trivs du bäst med med ditt jobb?
Som någon som verkligen är intresserad av teknik tycker jag verkligen om att lära mig om ny teknik och sedan tillämpa den tekniken i den verkliga världen för att lösa problem som har en inverkan på vår verksamhet och våra kunder. Så mycket som jag tycker om att experimentera med teknik och bevisa idéer med proof of concepts, så räknas ingen av dessa saker verkligen förrän lösningen är i produktionen som gör skillnad.
Det andra jag verkligen tycker om är att arbeta med andra människor, särskilt när du kan hjälpa någon att använda sin passion för teknik för att komma vidare i sin karriär.
Vad är några av dina viktigaste lärdomar från att arbeta med AI?
Jag tror att jag kommer från en ingenjörsbakgrund att jag är van vid att ingenjörsrollen expanderar till att ta mig an fler och fler element, inklusive saker som testning och säkerhet till exempel. Så en av de största lärdomarna för mig när jag har blivit mer involverad i AI och analys är behovet av en bra grund inom matematik och statistik. För mer öppna problem, särskilt när det inte finns någon tydlig lösning, är dataanalys och statistisk utvärdering avgörande för att realisera värde för verksamheten.
Vad kan folk förvänta sig av karriärutveckling inom AI- och analysbranschen?
Med AI och analys som ett så nyckelområde inom branschen finns det så många möjligheter till karriärutveckling. I Liberty IT har vi ett tänkesätt att lära sig allt och att hjälpa människor att utvecklas i sin karriär är en viktig del av vår kultur. Liberty IT hjälper också ingenjörer med en stark vetenskaplig bakgrund att göra övergången till datavetenskap och har hjälpt våra datavetare att utveckla sina ML Ops-kunskaper.
Vilka råd skulle du ge till dem som funderar på en karriär inom AI och analys?
När du börjar inom en teknisk disciplin är det viktigt att verkligen fokusera på de tekniska aspekterna av den disciplinen. För AI kan det innebära en stark grund i statistik, programmering i Python eller R och maskininlärningskoncept.
Det är också otroligt viktigt att utveckla din kommunikationsförmåga då lösningar sällan skapas isolerat och du behöver kunna kommunicera för att förstå problemet du ska lösa.
Jag skulle också rekommendera att hitta någon med mer erfarenhet än du som kan mentor och ge dig tekniska och karriärråd och hålla dig ansvarig för framsteg.
Slutligen vill jag också verkligen uppmuntra att förbli nyfiken och fokusera på ett kontinuerligt lärande. Saker och ting förändras ständigt på det här området och att upptäcka nya färdigheter, verktyg eller metoder som du kan använda för att hjälpa dig lösa problem kommer verkligen att hjälpa dig att förbättra din yrkesutövning och framsteg i din karriär.
Ta reda på hur framväxande tekniska trender förändras i morgon med vår nya podcast, Future Human: The Series. Lyssna nu Spotifypå Äpple eller var du än får dina poddar.