Chefen för molndatateknik berättar hur han använder anpassade GPT:er för att ge ingenjörer bättre stöd

Subash D'Souza är chef för molndatateknik vid California State University. Han är också grundare av Data Con LA och Data 4 Good. Dessutom har han haft ledande befattningar på Headspace och Warner Bros.

Vi satte oss ner med Subash för att lära oss hur han gör det möjligt för ingenjörer att arbeta effektivt samtidigt som styrning och granskningar upprätthålls. Här är vad han berättade.

En karriär inom data

Jag är grundare av Data Con LA och Data 4 Good, en offentlig-privat ideell tankesmedja som samarbetar med organisationer för att hantera samhällsproblem med hjälp av data, bland annat frågor som hemlöshet och digital jämlikhet, samtidigt som vi främjar teknisk innovation, data och analys samt offentlig-privata partnerskap.

Jag är också för närvarande chef för molndatateknik vid Chancellor’s Office på California State University. Jag är medlem i Data Governance PMC vid Linux Foundation. Dessförinnan var jag chef för datateknik på Headspace och chef för Big Data och drift på Warner Bros.

Att leda datateknik och AI

Jag leder organisationen för datateknik och AI/ML inom Chancellor’s Office på California State University och stödjer datainitiativ i hela CSU-systemet.

Vi undersöker hur AI kan förbättra studentresan från ansökan till examen. Genom att bygga vidare på vår befintliga dataplattform och studentdata vill vi använda AI för att identifiera mönster som förbättrar konverteringen av ansökningar, upptäcka studenter som behöver stöd tidigare och i slutändan förbättra kvarhållande- och examensfrekvensen. Detta innebär att vi går från att enbart rapportera vad som har hänt till att proaktivt använda data och AI för att hjälpa våra campus att fatta bättre beslut tidigare, vilket stödjer studenternas framgång.

Vår molnbaserade arkitektur använder AWS, Databricks, Snowflake och analysplattformar för att bygga skalbara datapipelines och dataprodukter. Mitt team stödjer en komplex miljö med flera campus, där vi utvecklar gemensamma lösningar, fastställer tekniska standarder och gör det möjligt för campus att bygga och distribuera sina egna dataprodukter genom vår modell med ett kompetenscentrum för data.

Hur AI kan stärka ingenjörer samtidigt som granskning och styrning upprätthålls

Jag introducerade AI direkt i vår modell för att stärka ingenjörerna genom CSU Data COE CustomGPT.

Tidigare förlitade sig utvecklarna främst på dokumentation och tekniska ledare för vägledning och felsökning. Vi skapade en CSU-specifik AI-mentor som baseras på våra metoder och vår dokumentation inom datateknik för att hjälpa utvecklarna att förstå vår arkitektur, våra utvecklingsstandarder och våra arbetsflöden.

Den hjälper till på tre sätt:

• För kunskap ger CustomGPT ingenjörerna omedelbar tillgång till CSU-specifik vägledning om vår arkitektur, våra standarder och våra utvecklingsprocesser, i stället för att de behöver söka igenom dokumentation eller vänta på en expert.
• För utveckling hjälper den ingenjörerna att förstå etablerade mönster och navigera i våra arbetsflöden för Databricks, Git, testning och distribution.
• För felsökning kan ingenjörerna beskriva ett fel eller problem och använda AI för att identifiera troliga orsaker och möjliga nästa steg.

Detta gav teamen snabbare tillgång till enhetlig teknisk vägledning, minskade beroendet av enskilda experter och hjälpte oss att skala upp kunskapen om datateknik på CSU:s campus, samtidigt som våra etablerade processer för granskning och styrning förblev på plats.

Varför AI ökar hastigheten medan människor fortfarande är ansvariga

Vi använder därför i allt högre grad AI för att stödja aktiviteter som kodutveckling, felsökning, dokumentation, vägledning vid testning och för att hjälpa ingenjörer att navigera bland våra CSU-standarder för datateknik genom verktyg som CustomGPT, som jag nämnde ovan.

AI har dock ännu inte ersatt mänskligt omdöme i komplexa arkitektur-, säkerhets- eller produktionsbeslut. Vi har också konstaterat att AI har svårt att hantera frågor som är beroende av mycket specifik kontext eller teknisk dokumentation som förändras snabbt.

Den kan exempelvis föreslå en tekniskt giltig metod för ett distributions- eller säkerhetsproblem utan att fullt ut förstå våra specifika krav på AWS, Databricks, Snowflake, åtkomstkontroll eller godkännanden.

Det är därför som arkitekturbeslut, produktionsdistributioner, beslut om säkerhet och åtkomst samt slutliga kodgranskningar uttryckligen fortfarande är mänskliga. Vår utvecklingsprocess kräver kollegial granskning, testning, validering från början till slut och definierade godkännanden innan koden går vidare mot produktion.

Vi använder AI för att accelerera ingenjörsarbetet och förbättra konsekvensen, medan människor fortfarande är ansvariga för beslut som påverkar säkerhet, arkitektur, styrning och produktionssystem.

Varför CTO:er måste bygga upp styrning innan de integrerar AI

Alla CTO:er bör förstå att AI-transformation inte främst är ett teknikproblem — det är ett problem som rör människor, kunskap och styrning.

AI kan dramatiskt accelerera hur team lär sig, utvecklar och löser problem, men dess värde beror på tillförlitlig organisatorisk kunskap och tydligt mänskligt ansvar.

Ärligt talat önskar jag att jag tidigare hade insett att AI:s värde i hög grad beror på kvaliteten och organiseringen av den kunskap som ligger bakom. Med vår CustomGPT hade vi till exempel kunnat undvika en del av den tidiga experimenteringen genom att tidigare fokusera på att sammanställa rätt kunskap, definiera var AI bör och inte bör betros samt etablera tydliga mänskliga kontrollpunkter.

Min viktigaste lärdom av detta var att man inte bara ska rulla ut ett AI-verktyg. Först måste man bygga upp kunskapen, styrningen och det mänskliga ansvaret kring det.

Varför CTO:er måste investera i både AI och sina medarbetare

Jag råder CTO:er att se AI som en accelerator, inte som en ersättningsstrategi.

Börja med praktiska användningsområden där AI minskar friktionen, förbättrar utvecklarnas produktivitet och gör organisatorisk kunskap mer tillgänglig. Men låt människor fortsätta vara ansvariga för arkitektur-, säkerhets- och produktionsbeslut.

Det är lika viktigt att investera i medarbetarna. Vår erfarenhet från CSU Data COE visar att kombinationen av AI, praktiskt lärande och samarbete mellan team bygger starkare teknisk kompetens.

De organisationer som lyckas med AI kommer att kombinera snabba experiment med stark ingenjörsmässig disciplin, styrning och mätbara resultat.

Följ med

Du kan följa Subash D'Souzas arbete på LinkedIn. Besök också Data Con LA och Data 4 Good.

Fler expertintervjuer kommer på The CTO Club!