Direktør for cloud-datateknik fortæller, hvordan han’bruger CustomGPT’er til at styrke ingeniører

Subash D'Souza er direktør for cloudbaseret datateknik på California State University. Han er også grundlægger af Data Con LA og Data 4 Good. Derudover har han haft ledende stillinger hos Headspace og Warner Bros.

Vi talte med Subash for at lære, hvordan han gør ingeniører i stand til at arbejde effektivt, samtidig med at han opretholder styring og gennemgange. Her er, hvad han sagde.

En karriere inden for data

Jeg er grundlægger af Data Con LA og Data 4 Good, en offentlig-privat nonprofit-tænketank, der arbejder sammen med organisationer om at løse samfundsproblemer ved hjælp af data, herunder problemer som hjemløshed og digital lighed, samtidig med at vi fremmer teknologisk innovation, data og analyse samt offentlig-private partnerskaber.

Jeg er også i øjeblikket direktør for cloudbaseret datateknik på California State University, kanslerens kontor. Jeg er medlem af PMC'et for datastyring i Linux Foundation. Før det var jeg chef for datateknik hos Headspace og direktør for Big Data og drift hos Warner Bros.

Ledelse af datateknik og AI

Jeg leder organisationen for datateknik og AI/ML på California State Universitys kanslerkontor, hvor jeg understøtter datainitiativer på tværs af CSU-systemet.

Vi undersøger, hvordan AI kan forbedre de studerendes rejse fra ansøgning til dimission. Ved at bygge videre på vores eksisterende dataplatform og studenterdata ønsker vi at bruge AI til at identificere mønstre, der forbedrer konverteringen af ansøgere, genkende studerende, der har brug for tidligere støtte, og i sidste ende forbedre fastholdelses- og dimissionsraterne. Det flytter os fra blot at rapportere, hvad der skete, til proaktivt at bruge data og AI til at hjælpe vores campusser med at træffe bedre og tidligere beslutninger, der understøtter de studerendes succes.

Vores cloudbaserede arkitektur bruger AWS, Databricks, Snowflake og analyseplatforme til at opbygge skalerbare datapipelines og dataprodukter. Mit team understøtter et komplekst miljø med flere campusser, hvor vi udvikler fælles løsninger, fastlægger tekniske standarder og gør det muligt for campusserne at opbygge og implementere deres egne dataprodukter gennem vores model for et ekspertisecenter for data.

Hvordan AI kan gøre ingeniører mere effektive, samtidig med at gennemgang og styring opretholdes

Jeg introducerede AI direkte i vores model for at gøre ingeniørerne mere effektive gennem CSU Data COE CustomGPT.

Tidligere var udviklerne primært afhængige af dokumentation og tekniske ledere til vejledning og fejlfinding. Vi skabte en CSU-specifik AI-mentor, der er baseret på vores praksis og dokumentation inden for datateknik, for at hjælpe udviklerne med at forstå vores arkitektur, udviklingsstandarder og arbejdsgange.

Den hjælper på tre måder:

• Med hensyn til viden giver CustomGPT ingeniørerne øjeblikkelig adgang til CSU-specifik vejledning om vores arkitektur, standarder og udviklingsprocesser i stedet for at søge gennem dokumentation eller vente på en ekspert.
• Med hensyn til udvikling hjælper den ingeniørerne med at forstå etablerede mønstre og navigere i vores Databricks-, Git-, test- og implementeringsarbejdsgange.
• Med hensyn til fejlfinding kan ingeniørerne beskrive en fejl eller et problem og bruge AI til at identificere sandsynlige årsager og mulige næste skridt.

Det gav teamene hurtigere adgang til ensartet teknisk vejledning, reducerede afhængigheden af individuelle eksperter og hjalp os med at skalere viden om datateknik på tværs af CSU’s campusser, samtidig med at vi bevarede vores etablerede processer for gennemgang og styring.

Hvorfor AI øger hastigheden, mens mennesker stadig er ansvarlige

Så vi bruger i stigende grad AI til at understøtte aktiviteter som kodeudvikling, fejlfinding, dokumentation, vejledning i test og til at hjælpe ingeniører med at navigere i vores CSU-standarder for datateknik gennem værktøjer som den CustomGPT, jeg nævnte ovenfor.

AI har dog endnu ikke erstattet menneskelig dømmekraft i komplekse arkitektur-, sikkerheds- eller produktionsbeslutninger. Vi har også konstateret, at AI har svært ved spørgsmål, der afhænger af meget specifik kontekst eller teknisk dokumentation, der ændrer sig hurtigt.

Den kan for eksempel foreslå en teknisk gyldig tilgang til et problem med implementering eller sikkerhed uden fuldt ud at forstå vores specifikke krav til AWS, Databricks, Snowflake, adgangskontrol eller godkendelser.

Derfor forbliver arkitekturbeslutninger, produktionsimplementeringer, beslutninger om sikkerhed og adgang samt endelige kodegennemgange eksplicit menneskelige. Vores udviklingsproces kræver fagfællebedømmelse, test, validering fra ende til anden og definerede godkendelser, før koden bevæger sig mod produktion.

Vi bruger AI til at accelerere ingeniørarbejdet og forbedre ensartetheden, mens mennesker fortsat er ansvarlige for beslutninger, der påvirker sikkerhed, arkitektur, styring og produktionssystemer.

Hvorfor CTO'er skal etablere styring, før de integrerer AI

Alle CTO'er bør forstå, at AI-transformation ikke primært er et teknologisk problem — det er et problem, der handler om mennesker, viden og styring.

AI kan dramatisk accelerere den måde, teams lærer, udvikler og løser problemer på, men værdien afhænger af pålidelig organisatorisk viden og et tydeligt menneskeligt ansvar.

Helt ærligt ville jeg ønske, at jeg tidligere havde indset, at værdien af AI i høj grad afhænger af kvaliteten og organiseringen af den viden, der ligger bag. Med vores CustomGPT kunne vi for eksempel have undgået nogle af de tidlige eksperimenter ved tidligere at fokusere på at kuratere den rette viden, definere hvor AI bør og ikke bør betros, og etablere tydelige menneskelige kontrolpunkter.

Min største læring fra dette var, at man ikke bare skal rulle et AI-værktøj ud. Først skal man opbygge den viden, styring og det menneskelige ansvar, der omgiver det.

Hvorfor CTO'er skal investere i både AI og deres medarbejdere

Jeg råder CTO'er til at betragte AI som en accelerator, ikke som en erstatningsstrategi.

Begynd med praktiske anvendelsestilfælde, hvor AI fjerner friktion, forbedrer udviklernes produktivitet og gør organisatorisk viden mere tilgængelig. Men fasthold menneskers ansvar for arkitektur-, sikkerheds- og produktionsbeslutninger.

Det er lige så vigtigt at investere i jeres medarbejdere. Vores erfaring med CSU Data COE viser, at kombinationen af AI, praktisk læring og samarbejde på tværs af teams opbygger stærkere tekniske kompetencer.

De organisationer, der får succes med AI, vil kombinere hurtige eksperimenter med stærk ingeniørdisciplin, styring og målbare resultater.

Følg med

Du kan følge Subash D'Souzas arbejde på LinkedIn. Besøg også Data Con LA og Data 4 Good.

Der kommer flere ekspertinterviews på The CTO Club!