Dr Andrew Ng
De flesta organisationer har genomfört pilotprojekt inom AI. Få har gått vidare från dessa. Klyftan är inte teknisk – den är organisatorisk. Att bygga upp de interna strukturerna, teamen och beslutsförmågan som krävs för att införa AI i stor skala är den utmaning som de flesta ledningsgrupper ännu inte har löst. Utan ett systematiskt tillvägagångssätt ackumuleras AI-investeringarna utan att ge avkastning.
Att skala upp AI från isolerade pilotprojekt till en företagsomfattande kapacitet är den utmaning som Andrew Ng – som var med och grundade Google Brain, byggde upp Coursera till 150 miljoner deltagare och författade boken *AI Transformation Playbook* – har ägnat sin karriär åt att hjälpa organisationer att lösa.
Full Profile
Varför organisationer samarbetar med Andrew Ng
- Hans AI Transformation Playbook – ett namngivet ramverk i fem steg som härrör direkt från uppbyggnaden av AI-team hos Google och Baidu – ger organisationer en strukturerad väg för implementering, inte bara principer. Det är skillnaden mellan en riktning och en plan.
- Han har arbetat på båda sidor av utmaningen med AI-införandet: både som den som ansvarade för att omvandla två av världens största teknikföretag till AI-inriktade organisationer och som grundare av plattformar som har utbildat mer än 8 miljoner människor i AI-kompetens. Misslyckandena på båda sidor är inga teoretiska begrepp för honom.
- Hans tes ”AI är den nya elektriciteten” omdefinierar AI som en allmän infrastruktur snarare än en funktion eller en produkt – en distinktion som förändrar hur styrelser fördelar kapital och hur ledningsgrupper strukturerar ansvarsfördelningen.
- Han har utsetts till Time-tidningens första Time100 AI-lista (2023) – som erkänner aktivt, aktuellt inflytande inom området – och till Amazons styrelse. Det förstnämnda signalerar status bland kollegor; det sistnämnda signalerar trovärdighet i styrelserummet.
- Genom AI Aspire, som utvecklats i samarbete med Bain & Company, ger han råd till företag som går från AI-experiment till skalbar transformation – vilket ger organisationer tillgång till ett perspektiv som prövats inom venture building, hyperskalig verksamhet och massutbildning.
Höjdpunkter i biografin
- Medgrundare av Google Brain – forskarteamet som får äran för att ha omformat Googles strategi för artificiell intelligens
- Vice VD och chefsforskare på Baidu, där han ledde ett AI-team på 1 300 personer med ansvar för företagets globala AI-strategi
- Medgrundare och styrelseordförande för Coursera (NYSE: COUR), som idag betjänar över 150 miljoner registrerade deltagare världen över
- Grundare av DeepLearning.AI – över 8 miljoner människor har genomgått AI-kurser via hans program
- Utsedd till en av Time100:s mest inflytelserika personer (2012), Fast Companys mest kreativa personer (2014) och Time100 AI (2023)
- Ledamot i Amazons styrelse (utsedd i april 2024)
- Författare till AI Transformation Playbook och Machine Learning Yearning, båda i stor upplaga
- Har en kandidatexamen från Carnegie Mellon, en magisterexamen från MIT och en doktorsexamen från UC Berkeley; medförfattare till över 200 forskningsartiklar
Biografi
De flesta pilotprojekt inom AI blir aldrig till AI-företag. Andrew Ng har ägnat åratal åt att undersöka varför – först som grundare och ledare för Google Brain och sedan som vice vd och chefsforskare på Baidu, där han byggde upp ett AI-team på 1 300 personer. Klyftan mellan isolerade AI-experiment och företagsomfattande kapacitet är det problem han har studerat inifrån.
Hans bok *AI Transformation Playbook* – som bygger direkt på dessa erfarenheter – presenterar ett ramverk i fem steg för att ta AI-implementeringen från den inledande drivkraften till en företagsomfattande infrastruktur. Den har spridits i stor utsträckning eftersom den behandlar AI-omvandlingen som en operativ utmaning, inte som en teknisk fråga. Hans tes att AI är infrastruktur på samma sätt som elektricitet var infrastruktur ger styrelser en strategisk ram som gäller över branscher och affärsmodeller.
Ng var med och grundade Coursera, som idag betjänar över 150 miljoner registrerade deltagare, och grundade DeepLearning.AI, genom vilket mer än 8 miljoner människor har utbildat sig i AI-kompetens. Att bygga upp AI-kompetens i den skalan – och mäta vad som fungerar – ger honom ett konkret, beprövat perspektiv på vad omställningen av arbetskraften i praktiken faktiskt kräver. Få talare kan peka på jämförbara praktiska bevis.
Han har examina från Carnegie Mellon, MIT och UC Berkeley, har varit medförfattare till över 200 forskningsartiklar och sitter i Amazons styrelse. Han utnämndes till Times första Time100 AI-lista 2023 – där man uppmärksammar aktuellt inflytande snarare än historiska bidrag – och fortsätter att vara med och grunda AI-företag genom AI Fund samt ge råd till företag om AI-strategi genom AI Aspire, ett företag han byggt upp i samarbete med Bain & Company.
Viktiga föreläsningsämnen
- Införande och omvandling av AI i företag
- AI-strategi för styrelser och ledande befattningshavare
- Agentisk AI och nästa fas för AI-system
- Utveckling av AI-personal och kompetensuppbyggnad
- Ansvarsfull AI-utveckling och reglering
- Grunderna i maskininlärning och tillämpad AI
- Ekonomin bakom AI som allmän infrastruktur
Perfekt för
- Ledande befattningshavare och styrelser som fastställer AI-strategi och kapitalallokering
- Teknikchefer och digitala chefer som leder företagets AI-program
- Personaldirektörer och personalchefer som ansvarar för kompetensutveckling inom AI och omställning av arbetsstyrkan
- Förändringsledare och innovationsteam som går från AI-pilotprojekt till storskalig implementering
Resultat för målgruppen
- Ett strukturerat ramverk för att diagnostisera var företagets AI-införande har kört fast och vad som bör göras härnäst
- Tydlighet kring hur man bygger upp intern AI-kompetens – team, arbetsflöden och styrning – istället för att förlita sig på isolerade projektbaserade tillvägagångssätt
- Ett ramverk på styrelsenivå för AI som infrastruktur, med implikationer för investeringar, kompetens och konkurrensposition
- Praktisk förståelse för vad som krävs för att utveckla AI-kompetens i stor skala, baserat på program som har utbildat miljontals personer
- En mer välgrundad syn på ansvarsfull AI-utveckling – där man skiljer mellan trovärdiga risker och spekulativa farhågor – från en praktiker som har framfört dessa ståndpunkter offentligt och i politiska sammanhang
Utvecklingssamtal
Undersöker hur maskiner lär sig av ostrukturerade data för att driva utvecklingen inom områden som datorseende och naturlig språkbehandling, samt vad detta innebär för organisationer som bygger på AI-grunderna.
Viktiga slutsatser:
- Hur djupinlärning extraherar meningsfulla mönster ur ostrukturerade data, och var denna förmåga tillämpas i praktiken
- Skillnaden mellan övervakad och oövervakad inlärning, och när respektive metod är lämplig för användningsfall inom företag
- Vad det aktuella läget inom forskningen om maskininlärning innebär för organisationer som investerar i AI-infrastruktur
Utforskar hur artificiell intelligens omformar lärandet – genom att möjliggöra personanpassade, anpassningsbara upplevelser i stor skala – och vad detta innebär för organisationer som ansvarar för kompetensutveckling av personalen.
Viktiga slutsatser:
- Hur AI skapar personanpassade utbildningsvägar som traditionella utbildningsmodeller inte kan efterlikna i stor skala
- Vad ökad tillgång till kvalitetsutbildning innebär för globala talangreserver och konkurrensfördelar
- Konsekvenserna av livslångt lärande som ett strukturellt krav, inte en kulturell strävan
En översikt över den senaste utvecklingen inom AI och robotik inom tillverkningsindustrin, hälso- och sjukvården samt transportsektorn, med fokus på praktisk tillämpning och förutsättningarna för en ansvarsfull och människocentrerad implementering.
Huvudpunkter:
- Hur robotik och AI förändrar verksamheten inom viktiga sektorer, och var möjligheterna på kort sikt är koncentrerade
- Hur ett effektivt samarbete mellan människa och maskin ser ut i praktiken, bortom all hype
- De etiska och styrningsmässiga överväganden som organisationer måste integrera före införandet, inte efter