Cassie Kozyrkov
De flesta organisationer lägger stora summor på AI utan att ha någon klar bild av vilka beslut som tekniken egentligen ska förbättra. Modeller lanseras, instrumentpaneler dyker upp överallt, och ledningen kan fortfarande inte avgöra om något av detta påverkar kvaliteten på de val som företaget fattar. Det som saknas är inte mer data eller bättre algoritmer, utan ett strukturerat sätt att koppla samman AI-resultaten med de beslut som företaget försöker fatta på rätt sätt.
Cassie Kozyrkov är före detta Chief Decision Scientist på Google och grundare av Decision Intelligence, ett område som hjälper organisationer att omvandla AI och data till bättre affärsbeslut.
Full Profile
Varför organisationer samarbetar med Cassie Kozyrkov
- Hon byggde upp funktionen Decision Intelligence inom Google från grunden och ledde den i fem år, vilket innebär att ledare får råd från någon som redan har löst det problem de försöker lösa, i stor skala.
- Det var hon som namngav och systematiserade själva området. När en VD frågar vad Decision Intelligence är och varför deras AI-investeringar bör ingå i det, är hon den främsta källan – inte någon som tolkar någon annans ramverk.
- Hon har personligen utbildat mer än 20 000 Googlers inom alla funktioner i datadrivet beslutsfattande och AI, så hon vet hur man får materialet att gå hem hos såväl icke-tekniska chefer som ingenjörer.
- Hon översätter AI och statistik till ett beslutsspråk som styrelser och verksamhetsledare kan använda. Hennes kurs ”Making Friends with Machine Learning”, som ursprungligen skapades enbart för Google, är nu den ledande förklarande resursen för tusentals ledare utanför företaget.
- Hon ger råd på den nivå som materialet kräver. Hennes plats i Federal Reserve Bank of New Yorks innovationsråd och hennes samarbete med Forbes kring AI visar att hennes analyser tas på allvar av politiska och mediala institutioner, inte bara av företagskunder.
Höjdpunkter i biografin
- Googles första Chief Decision Scientist (2018–2023), där hon ledde företagets verksamhet inom beslutsintelligens inom Research and Machine Intelligence.
- Grundare och VD för Kozyr, ett företag inom AI-rådgivning och utbildning som riktar sig till ledande befattningshavare och deras team.
- Har personligen utbildat mer än 20 000 Googlers i datadrivet beslutsfattande och AI, och lett över 500 projekt inom beslutsintelligens på Google.
- Skapare av ”Making Friends with Machine Learning”, ursprungligen en intern kurs hos Google, numera en kostnadsfri offentlig kurs på YouTube.
- Författare till Decision Intelligence Substack och utnämnd till ”Top Voice” på LinkedIn sex år i rad; hennes artiklar har publicerats i Harvard Business Review, Fortune, Fast Company, WIRED och The Wall Street Journal.
- Medlem i Federal Reserve Bank of New Yorks Innovation Advisory Council (2023–2024); utnämnd till Few-Glasson Distinguished Alumna vid Duke University.
Biografi
De flesta företag har inte ett dataproblem, utan ett beslutsproblem. Dashboards, pipelines och modeller finns på plats, men ändå kan ledningen fortfarande inte säga vilka beslut som bevisligen är bättre tack vare något av detta. Denna lucka är det ämne som Cassie Kozyrkov har arbetat med i ett decennium, först inom Google och nu tillsammans med ledare inom olika branscher.
På Google blev hon företagets första Chief Decision Scientist 2018 och innehade rollen fram till 2023. Hon skapade en ny funktion som låg mellan forskning och maskinintelligens å ena sidan och den operativa verksamheten å den andra, och använde den för att tillämpa AI och data inom en disciplin som hon kallar beslutsintelligens. När hon slutade hade hon personligen utbildat mer än 20 000 Googlare och påverkat över 500 projekt utifrån det ramverket.
Anledningen till att hennes arbete når utanför Googles väggar är att hon gjorde materialet lättbegripligt. Hennes kurs ”Making Friends with Machine Learning”, som utvecklades internt på Google och senare publicerades i sin helhet på YouTube, är en av de få förklaringarna som på ett genuint lättförståeligt sätt beskriver hur maskininlärning faktiskt passar in i affärsbeslut. Hennes artiklar i Harvard Business Review, Fortune, Fast Company, WIRED och The Wall Street Journal har gjort detsamma för icke-tekniskt inriktade chefer, och hennes Substack-kanal ”Decision Intelligence” har blivit en praktisk referens för yrkesverksamma inom området.
Idag driver hon Kozyr, där hon ger ledningsgrupper råd om AI-strategi och beslutsdesign, och sitter i Federal Reserve Bank of New Yorks innovationsråd för AI och finansmarknader. Röda tråden är konsekvent. Hon är en av de få rösterna inom AI som utgår från det beslut som organisationen försöker fatta på rätt sätt och arbetar sig bakåt till tekniken, snarare än tvärtom.
Viktiga föreläsningsämnen
- Beslutsintelligens
- AI-strategi och införande
- Datadrivet beslutsfattande
- Maskininlärning för företagsledare
- Ansvarsfull och effektiv användning av AI
- AI-kompetens för företagsledare
- Partiskhet och bedömning i AI-system
Perfekt för
- VD:ar, styrelser och ledningsgrupper som fastställer AI-strategier och kapitalallokering utifrån dessa
- Chefer för data, analys och AI som bygger en operativ modell för beslutsstöd
- Transformations- och strategiledare som ansvarar för att omvandla AI-pilotprojekt till affärsresultat
- Ledarskapsprogram och offsite-möten som kräver genuin AI-kompetens, inte en säljpresentation från en leverantör
Resultat för deltagarna
- En fungerande definition av beslutsintelligens och var den placerar sig i förhållande till datavetenskap, analys och AI-investeringar.
- En tydligare analys av varför AI-projekt går i stå: felaktigt definierat beslut, fel ansvarig eller fel fråga ställd till modellen.
- Ett gemensamt språk för både tekniska och icke-tekniska ledare för att diskutera AI-initiativ utan att falla tillbaka på modeord.
- Konkreta metoder för att utsätta beslut för stresstester mot vanliga kognitiva snedvridningar, inklusive resultatbias och bekräftelsebias.
- En realistisk bild av vad dagens AI-system kan och inte kan anförtros att besluta om utan mänskligt omdöme i processen.
Utvecklingssamtal
Ett huvudanförande om vad ett AI-inriktat ledarskap egentligen kräver, och hur man integrerar AI i beslutsprocessen istället för att kringgå den.
Viktiga slutsatser:
- Vad förändras i en ledares arbete när AI går från att vara ett verktyg till att bli standard.
- Var AI hör hemma i beslutsprocessen, och var mänskligt omdöme fortfarande är avgörande.
- De organisatoriska förutsättningarna som skiljer företag som inför AI från företag som är AI-inriktade från grunden.
En direkt redogörelse för varför de flesta AI-program inte når upp till förväntningarna, baserad på insikter från Google och erfarenheter från rådgivning till ledare på andra håll.
Viktiga slutsatser:
- De återkommande misstagen som sätter stopp för AI-pilotprojekt innan de når produktionsstadiet.
- Hur man skiljer AI-hypen från de få beslut som verkligen drar nytta av den.
- Ett enkelt test för att avgöra om ett AI-projekt är värt att finansiera.
En introduktion till beslutsintelligens som det operativa lagret mellan data, AI och de beslut som ett företag faktiskt fattar.
Viktiga punkter:
- De centrala komponenterna i en Decision Intelligence-verksamhet.
- Hur man avgränsar beslut så att data och AI kan tillämpas på ett meningsfullt sätt.
- Vad man ska mäta för att veta om beslutskvaliteten förbättras.
En praktisk övning om de fördomar och processfel som försämrar ledningens beslut, med lösningar som kan tillämpas redan vid nästa möte.
Viktiga slutsatser:
- Resultatfördomar och bekräftelsefördomar i ledningsbeslut.
- Att skilja mellan kvaliteten på ett beslut och kvaliteten på dess resultat.
- Enkla åtgärder för beslut med höga insatser.
Ett föredrag om hur en enhetlig synvinkel inom data- och AI-team leder till systematiska blinda fläckar, och vad ledare kan göra åt saken.
Viktiga slutsatser:
- Var fördomar faktiskt tränger in i AI-system – i besluten snarare än i koden.
- De organisatoriska vanor som förstärker partiskheten i AI över tid.
- Praktiska åtgärder som ledare kan vidta för att bredda underlaget för sitt AI-arbete.