Jorge: Zeker. Mijn rol, zo zal ik het noemen, heeft twee belangrijke aandachtspunten op twee gebieden. Eén daarvan is dat ik wereldwijd leiding geef aan de machine learning-engineeringactiviteiten van het bedrijf. En aan de andere kant lever ik ook alle analytische platforms die het bedrijf wereldwijd gebruikt. Dus in de belangrijkste rol in mijn engineering- en machine learning-activiteiten is wat mijn team doet het verzamelen van al deze modellen die onze gemeenschap van wereldwijd werkende datawetenschappers bedenken, we grijpen ze en we versterken ze. Onze belangrijkste missie hier is dat het eerste wat we moeten doen is ervoor zorgen dat we technische praktijken toepassen om ze klaar te maken voor productie en dat ze kunnen opschalen, ze ook kosteneffectief kunnen werken, en van daaruit zorgen we ervoor dat in mijn operationeel, ze zijn er als ze nodig zijn.
Bij veel van deze modellen zullen, naarmate ze onderdeel worden van onze dagelijkse activiteiten, een aantal specifieke serviceniveauverplichtingen gepaard gaan die we moeten nakomen, dus mijn team zorgt ervoor dat we die met de juiste verwachtingen waarmaken. En aan mijn andere kant, de analyseplatforms, doen we veel beschrijvend, voorspellend en prescriptief werk op het gebied van analyse. Het beschrijvende gedeelte waar je het alleen hebt over het reguliere dashboard, de samenvatting rond onze gegevens en waar de gegevens zich bevinden, al die analyseplatforms die het bedrijf gebruikt, is ook iets waar ik me zorgen over maak. En daarmee zou je denken dat ik een zeer brede klantenbasis heb in het bedrijf, zowel in termen van geografische gebieden, van sommige van onze bedrijven in Azië tot aan Noord-Amerika, maar ook in de hele organisatie, van marketing tot HR. en alles daar tussenin.
Als ik inga op uw tweede vraag over hoe machinaal leren onze consumenten in de supermarkt helpt, zal ik waarschijnlijk samenvatten dat het voor CPG allemaal draait om het juiste product tegen de juiste prijs, op de juiste locatie voor u. Wat dit betekent is dat het om het juiste product gaat; hun machine learning kan bijvoorbeeld veel van onze marketingteams helpen, zelfs nu de nieuwste generatieve AI-mogelijkheden opkomen, zoals brainstormen en nieuwe inhoud creëren voor onderzoek en ontwikkeling, wat we proberen te achterhalen uit wat de beste formules voor onze producten zijn, zeker nu ML die ruimte binnendringt, de juiste prijs, alles over winstgevendheid, van onze plannen tot onze distributiecentra, en ervoor zorgt dat we verspilling elimineren. Het benutten van de kracht van machine learning is iets wat we over de hele linie doen vanuit ons inkomstenbeheer, namelijk de juiste prijs voor mensen om onze producten te kopen.
En last but not least: de juiste locatie. We moeten er dus voor zorgen dat wanneer onze consumenten naar hun winkels gaan of onze producten online kopen, het product er voor u is en u onmiddellijk het product vindt dat u lekker vindt, met de smaak die u lekker vindt. En dus wordt er veel moeite gestoken in het voorspellen van onze vraag, het organiseren van onze toeleveringsketen, onze distributie, het plannen van onze plannen om ervoor te zorgen dat we de juiste hoeveelheden produceren en deze op de juiste plaatsen afleveren, zodat onze consumenten onze producten kunnen vinden.
laurier: Welnu, het is zeker logisch omdat data zo’n sleutelrol spelen bij de toepassing van geavanceerde technologieën, vooral machine learning. Dus hoe garandeert Kraft Heinz de beschikbaarheid, kwaliteit en veiligheid van al die gegevens op de juiste plaats op het juiste moment om effectieve machine learning-operaties, of MLOps, te stimuleren? Zijn er specifieke best practices die u heeft ontdekt?
Jorge: De beste praktijk die ik mensen waarschijnlijk kan adviseren, is dat data beslist de brandstof zijn van machinaal leren. Zonder data is er dus geen modellering. En data, het organiseren van uw data en de data die u intern en extern heeft, kost tijd. Het is belangrijk om ervoor te zorgen dat het niet alleen toegankelijk is en dat je het zo organiseert dat je niet met talloze technologieën te maken hebt, maar ik zou ook zeggen dat het samengesteld is. Het is een engagement voor de lange termijn. Daarom raad ik iedereen die nu luistert sterk aan om te begrijpen dat uw datareis zoals die is, een reis is, geen eindbestemming heeft en ook tijd zal vergen.
En hoe succesvoller u bent in het organiseren van alle gegevens die u nodig hebt en ervoor zorgen dat deze beschikbaar zijn, des te succesvoller zult u zijn in het gebruiken van al deze gegevens met modellen in machinaal leren en de geweldige dingen die er zijn om werkelijk te rijden. een bepaald bedrijfsresultaat. Een goede metafoor die ik graag zeg, is dat er veel onderzoekers zijn, en MIT staat bekend om zijn onderzoek, maar dat de onderzoekers niets kunnen doen zonder de bibliothecarissen, met al die mensen die de kennis zo organiseren dat je kunt gaan en daadwerkelijk doet wat u moet doen, in dit geval onderzoek. Vergeet nooit dat data brandstof zijn, en data kost moeite, het is een reis die nooit eindigt, want dat is wat ik eigenlijk zou noemen wat veel succesvolle inspanningen onderscheidt van niet-succesvolle.
laurier: Terug naar de mentaliteit van de juiste plaats op het juiste moment: de afgelopen jaren heeft de consumptiegoederensector, of zoals u eerder zei, de CPG-sector, zulke enorme verschuivingen gezien van veranderende klanteisen naar de proliferatie van e-commercekanalen. Hoe kunnen AI en machine learning-tools de bedrijfsresultaten helpen beïnvloeden of de operationele efficiëntie verbeteren?