Cassie Kozyrkov
De fleste organisationer bruger store summer på AI uden at have et klart overblik over, hvilke beslutninger teknologien egentlig skal forbedre. Modellerne bliver taget i brug, dashboards skyder op overalt, og den øverste ledelse kan stadig ikke sige, om noget af det ændrer kvaliteten af de valg, virksomheden træffer. Det, der mangler, er ikke flere data eller bedre algoritmer, men en systematisk tilgang til at koble AI-resultaterne sammen med de beslutninger, virksomheden forsøger at træffe korrekt.
Cassie Kozyrkov er tidligere Chief Decision Scientist hos Google og grundlægger af Decision Intelligence, den disciplin, der hjælper organisationer med at omsætte kunstig intelligens og data til bedre forretningsbeslutninger.
Full Profile
Hvorfor virksomheder samarbejder med Cassie Kozyrkov
- Hun opbyggede Decision Intelligence-funktionen hos Google fra bunden og ledede den i fem år, hvilket betyder, at ledere får rådgivning fra en person, der allerede har løst det problem, de selv forsøger at løse, i stor skala.
- Hun gav selve området dets navn og definerede rammerne for det. Når en CEO spørger, hvad Decision Intelligence er, og hvorfor deres investering i AI bør indgå heri, er hun den primære kilde – ikke blot en fortolker af andres rammeværk.
- Hun har personligt uddannet mere end 20.000 Google-medarbejdere på tværs af alle funktioner i datadrevet beslutningstagning og AI, så hun ved, hvordan man får budskabet til at gå igennem hos både ikke-tekniske ledere og ingeniører.
- Hun oversætter AI og statistik til et beslutningssprog, som bestyrelser og ledere kan bruge. Hendes kursus »Making Friends with Machine Learning«, der oprindeligt kun var udviklet til Google, er nu den førende vejledning for tusindvis af ledere uden for virksomheden.
- Hun rådgiver på det niveau, som emnet kræver. Hendes plads i Federal Reserve Bank of New Yorks Innovationsråd og hendes samarbejde med Forbes om AI vidner om, at hendes analyser tages alvorligt af politiske og mediemæssige institutioner, ikke kun af virksomheder.
Højdepunkter i biografien
- Googles første Chief Decision Scientist (2018 til 2023), hvor hun ledede virksomhedens afgørelsesintelligens inden for Research and Machine Intelligence.
- Grundlægger og CEO af Kozyr, en virksomhed inden for AI-rådgivning og -uddannelse, der betjener ledende medarbejdere og deres teams.
- Har personligt uddannet mere end 20.000 Google-medarbejdere i datadrevet beslutningstagning og AI og har ledet over 500 projekter inden for beslutningsintelligens hos Google.
- Skaberen af »Making Friends with Machine Learning«, der oprindeligt var et internt kursus hos Google, men nu er et gratis offentligt kursus på YouTube.
- Forfatter til Decision Intelligence Substack og udnævnt til LinkedIn Top Voice seks år i træk; hendes artikler er blevet offentliggjort i Harvard Business Review, Fortune, Fast Company, WIRED og The Wall Street Journal.
- Medlem af Federal Reserve Bank of New Yorks Innovation Advisory Council (2023 til 2024); Duke University Few-Glasson Distinguished Alumna.
Biografi
De fleste virksomheder har ikke et dataproblem, de har et beslutningsproblem. Dashboards, pipelines og modeller er på plads, og alligevel kan de øverste ledere stadig ikke sige, hvilke beslutninger der påviseligt er bedre på grund af noget af det. Det er netop dette problem, Cassie Kozyrkov har arbejdet med i et årti, først hos Google og nu sammen med ledere på tværs af brancher.
Hos Google blev hun i 2018 virksomhedens første Chief Decision Scientist og bestred stillingen indtil 2023. Hun opbyggede en ny funktion, der lå mellem Research og Machine Intelligence på den ene side og den daglige drift på den anden, og brugte den til at anvende AI og data inden for en disciplin, hun kalder Decision Intelligence. Da hun forlod virksomheden, havde hun personligt uddannet mere end 20.000 Googlere og haft indflydelse på over 500 projekter inden for denne ramme.
Grunden til, at hendes arbejde rækker ud over Google, er, at hun gjorde materialet letforståeligt. Hendes kursus »Making Friends with Machine Learning«, der blev udviklet internt hos Google og senere udgivet i sin helhed på YouTube, er en af de få forklaringer, der på virkelig letforståeligt sprog beskriver, hvordan maskinlæring rent faktisk passer ind i forretningsbeslutninger. Hendes artikler i Harvard Business Review, Fortune, Fast Company, WIRED og The Wall Street Journal har gjort det samme for ikke-tekniske ledere, og hendes Decision Intelligence Substack er blevet en praktisk reference for fagfolk.
I dag leder hun Kozyr, hvor hun rådgiver ledelsesteam om AI-strategi og beslutningsdesign, og hun sidder i Federal Reserve Bank of New Yorks Innovationsrådgivningsudvalg for AI og finansielle markeder. Rødtråden er konsekvent. Hun er en af de få stemmer inden for AI, der tager udgangspunkt i den beslutning, organisationen forsøger at træffe korrekt, og arbejder sig baglæns frem til teknologien i stedet for omvendt.
Vigtigste foredragstemaer
- Beslutningsintelligens
- AI-strategi og implementering
- Datadrevet beslutningstagning
- Maskinlæring for virksomhedsledere
- Ansvarlig og effektiv brug af AI
- AI-forståelse for ledere
- Bias og vurdering i AI-systemer
Ideel til
- CEO'er, bestyrelser og ledelsesteam, der fastlægger en AI-strategi og tildeler kapital i overensstemmelse hermed
- Chief Data, Analytics og AI Officers, der opbygger en beslutningsbaseret driftsmodel
- Transformations- og strategiledere, der har ansvaret for at omsætte AI-pilotprojekter til forretningsresultater
- Lederuddannelser og offsite-møder, der kræver ægte AI-forståelse, ikke blot en leverandørpræsentation
Resultater for målgruppen
- En brugbar definition af beslutningsintelligens og hvor den placerer sig i forhold til datavidenskab, analyse og AI-investeringer.
- En skarpere diagnose af, hvorfor AI-projekter går i stå: forkert afgrænset beslutning, forkert ansvarlig eller forkert spørgsmål stillet til modellen.
- Et fælles sprog blandt tekniske og ikke-tekniske ledere, så de kan drøfte AI-initiativer uden at ty til buzzwords.
- Konkrete teknikker til at teste beslutninger mod almindelige fordomme, herunder resultatfordomme og bekræftelsesfordomme.
- En realistisk vurdering af, hvilke beslutninger de nuværende AI-systemer kan og ikke kan betros uden menneskelig indgriben.
Samtaler
Et hovedindlæg om, hvad »AI-first«-ledelse egentlig kræver, og hvordan man integrerer AI i beslutningerne i stedet for at omgå dem.
Vigtige pointer:
- Hvad ændrer sig i en leders arbejde, når AI går fra at være et værktøj til at være standard?
- Hvor AI hører hjemme i beslutningsprocessen, og hvor menneskelig dømmekraft fortsat spiller en bærende rolle.
- De organisatoriske forudsætninger, der adskiller virksomheder, der indfører AI, fra virksomheder, der er AI-baserede fra starten.
En direkte redegørelse for, hvorfor de fleste AI-programmer ikke lever op til forventningerne, baseret på erfaringer fra Google og rådgivning til ledere andre steder.
Vigtige pointer:
- De tilbagevendende fejl, der sætter en stopper for AI-pilotprojekter, inden de når produktionsfasen.
- Hvordan man skelner mellem AI-hype og de få beslutninger, der reelt drager fordel af teknologien.
- En enkel test til at afgøre, om et AI-projekt er værd at finansiere.
En introduktion til Decision Intelligence som det operationelle lag mellem data, AI og de beslutninger, en virksomhed rent faktisk træffer.
Vigtige pointer:
- De centrale komponenter i en Decision Intelligence-praksis.
- Hvordan man afgrænser beslutninger, så data og AI kan anvendes på en nyttig måde i forbindelse med dem.
- Hvad man skal måle for at vide, om beslutningskvaliteten forbedres.
En praktisk øvelse om de fordomme og procesfejl, der forringer ledelsens beslutninger, med løsninger, der kan anvendes allerede ved det næste møde.
Vigtige pointer:
- Resultatforudindtagethed og bekræftelsesforudindtagethed i ledelsesbeslutninger.
- At skelne mellem kvaliteten af en beslutning og kvaliteten af dens resultat.
- Enkle tiltag til beslutninger med store konsekvenser.
Et foredrag om, hvordan ensartede perspektiver inden for data- og AI-teams skaber systematiske blinde vinkler, og hvad ledere kan gøre ved det.
Vigtige pointer:
- Hvor bias faktisk trænger ind i AI-systemer – i beslutningerne snarere end i koden.
- De organisatoriske vaner, der forstærker AI-bias over tid.
- Praktiske tiltag, som ledere kan iværksætte for at udvide input til deres AI-arbejde.