Dominic Sartorio, VP of Product Marketing at Denodo – Rozhovorová série

Dominic Sartorio je VP of Product Marketing at Denodo. Dominic má více než 20 let zkušeností na trhu datové správy a řízení, přičemž zastával různé produktové a marketingové vedení v Informatica, Protegrity a dalších předních dodavatelích.

Denodo je globálním lídrem v datové správě, který poskytuje spolehlivé AI agenty a aplikace. Platforma Denodo, která je oceněným logickým řešením pro správu dat, transformuje podniková data na spolehlivé informace pro AI, analytiku a samoobslužné iniciativy. Organizace po celém světě používají Denodo k dodání AI-připravených, podnikových dat za zlomek času ve srovnání s tradičními datovými jezery, dosahují až 4x rychlejšího času na získání informací, 345% ROI a 10x lepšího výkonu. Na základě poznatků z 850 podnikových lídrů odhaluje Zpráva o AI Trust Gap od Denodo, proč mnoho AI projektů zápasí s přechodem za pilotní fázi a co musí organizace udělat, aby vytvořily spolehlivé, produkční AI.

Máte bohaté zkušenosti s vedoucími roli v společnostech jako Informatica, Protegrity, Infoworks a nyní Denodo, všechny se zaměřují na různé vrstvy podnikové datové infrastruktury. Jak se vaše perspektiva na „důvěryhodná data“ vyvinula, když se AI přesunula z analytiky do autonomních a agenticích systémů?

V počátcích své kariéry byla důvěryhodná data hlavně o přesnosti, původu, zabezpečení a poskytování analytikům důvěry v dashboardy a zprávy. U agenticích AI jsou však sázky mnohem vyšší, protože systémy nejsou pouze interpretovány, ale mohou také autonomně spouštět obchodní procesy nebo činit rozhodnutí s reálným dopadem. To znamená, že důvěryhodná data nyní musí zahrnovat živý provozní kontext, konzistentní obchodní význam a ochranná opatření, aby se zajistilo, že agenti jednají správně a bezpečně.

Zpráva o AI Trust Gap od Denodo zjistila, že 66 % organizací tvrdí, že AI data musí být reálná nebo téměř reálná, aby byla důvěryhodná. Proč si myslíte, že tolik podniků stále zápasí s dodáním živých provozních dat AI systémům?

Většina podniků nebyla architektonicky navržena pro AI agenty, které potřebují živou situační povědomí napříč mnoha systémy. Jejich data jsou rozptýlena napříč aplikacemi, cloudy, sklady, jezery, legacy systémy a dalšími provozními platformami. Mohou kopírovat tato data do centrálního skladu nebo datového jezera pro analytiku a BI, ale to není vhodné pro AI agenty, které potřebují živou situační povědomí. Jakmile jsou data zkopírována, již nejsou živá. Je možné streamovat v reálném čase, ale to se velmi rychle stává nákladným. To je přesně místo, kde se logické řízení dat od Denodo stává důležité, protože poskytuje AI systémům řízený přístup k živým datům bez nutnosti neustálého kopírování a opětovného nasazení všeho.

Jedním z nejvíce pozoruhodných zjištění v této zprávě je, že podnikové AI iniciativy nyní čerpají z stovek zdrojů dat, přičemž některé organizace přistupují k více než 1 000. Jak tato úroveň fragmentace mění způsob, jakým by podniky měly uvažovat o AI architektuře?

Při této úrovni fragmentace nemůže architektura záviset na fyzickém konsolidování každého zdroje předtím, než AI může být použita. Podniky potřebují abstrakční vrstvu, která může objevit, integrovat, řídit a dodávat data napříč distribuovanou realitou, kterou již mají. Podle mého názoru musí datová architektura stát více logická, metadata řízená a sémantická, aby agenti mohli najít správná data v kontextu bez pevného spojení s podkladovými systémy.

Zpráva argumentuje, že mnoho selhání AI jsou ve skutečnosti „datová architektonická selhání“ spíše než selhání modelu. Myslíte si, že průmysl strávil příliš mnoho času soustředěného na modely, zatímco podceňoval důležitost datové infrastruktury?

Ano. Modely jsou důležité, samozřejmě, ale mnoho neúspěšných AI projektů nezklamalo kvůli tomu, že model není schopen; zklamaly, protože model fungoval s neúplnými, zastaralými, nekonzistentními nebo špatně řízenými daty. Model fungoval skvěle v pilotním projektu, který používal dobře definovaný a kurátorský datový soubor, ale jednou nasazený v „reálném světě“ se svými rozptýlenými nesrovnalostmi, AI selhalo při produkci důvěryhodných výsledků. Má zkušenost ukazuje, že podniky dosahují mnohem lepších AI výsledků, když pohlížejí na datovou vrstvu jako na první třídu AI architektury, ne jako na následnou myšlenku.

Denodo často mluví o sémantické konzistenci a důležitosti univerzální sémantické vrstvy. Jak kritická se stává sémantická shoda pro prevenci nesprávných akcí nebo halucinovaných obchodních logik, když se AI agenti začínají rozhodovat autonomně?

Sémantická shoda se stává absolutně kritickou. Pokud jeden systém definuje „zákazníka“, „výnos“, „riziko“ nebo „odchod“ odlišně od jiného, AI agent může produkovat technicky přijatelnou odpověď, která je stále špatná pro daný obchodní kontext. Univerzální sémantická vrstva pomáhá zajistit, že agenti fungují se sémanticky konzistentním obchodním významem, ne pouze s přístupem k syrým datům.

Vaše přednáška na AI & Big Data Expo se zaměřila na přechod z AI pilotů do produkce. Z vašich zkušeností, jaké jsou největší důvody, proč podniky uvíznou v „pilotní fázi“ a nejsou schopny škálovat AI do skutečných provozních systémů?

Piloty často fungují, protože jsou úzké, ručně kurátorské a izolované od plné komplexity podniku. Produkční AI musí mít co do činění s živými daty z mnoha zdrojů, zabezpečením, řízením, výkonem, auditovatelností, měnícími se obchodními pravidly a integrací do skutečných pracovních postupů. Mnoho organizací uvíznou, protože vytvářejí působivou demonstraci, ale neřízenou datovou základnu, která je potřebná pro spolehlivé fungování AI ve velkém měřítku.

Zpráva cituje předpovědi, že významný procentní podíl agenticích AI projektů by mohl být zrušen v příštích několika letech kvůli eskalujícím nákladům, nejasné hodnotě nebo nedostatečným kontrolám rizik. Myslíte si, že průmysl vstupuje do fáze, ve které podniky budou mnohem více selektivní ohledně toho, které AI projekty přežijí?

Ano, a myslím si, že to je zdravé. První vlna AI experimentování se soustředila na možnost; další vlna se bude soustředit na provozní hodnotu, nákladovou disciplínu a důvěru. Projekty, které přežijí, budou ty, které jsou spojeny s měřitelnými obchodními výsledky a podporovány správnými daty, řízením a architekturou.

Zabezpečení a řízení se objevují po celé zprávě jako opakující se téma, zejména kolem „ochranných opatření“ pro agenticí AI. Jak by měly organizace vyvážit autonomní AI schopnosti se potřebou přísné kontroly přístupu a auditovatelnosti?

Klíč je nelézt řízení jako něco, co je přidáno po postavení AI systému. Kontrola přístupu, vynucení zásad, původ a auditovatelnost potřebují být vestavěny do datové přístupové vrstvy samotné, aby AI agenti viděli a používali pouze data, ke kterým jsou oprávněni přistupovat. S Denodo lze stejné řídící zásady aplikovat konzistentně napříč distribuovanými zdroji, což je nezbytné, když AI funguje napříč hybridními a multi-cloudovými prostředími.

Denodo позиционирует логическое управление данными как способ унифицировать доступ к данным в гибридных и многооблачных средах без постоянного перемещения данных. Когда предприятия все чаще принимают архитектуру AI, основанную на извлечении, видите ли вы „безкопирование“ или логическую архитектуру как долгосрочное направление для корпоративного AI?

Ano. Архитектура AI, основанная на извлечении, зависит от получения правильных данных в правильное время, а не от перемещения каждого набора данных в один репозиторий заранее. Логический подход без копирования лучше соответствует тому, как предприятия фактически работают: данные остаются распределенными, но AI может получить к ним доступ через управляемый, семантический, реальный слой. Это направление, в котором, по моему мнению, корпоративный AI должен развиваться.

Когда вы смотрите вперед на следующие три-пять лет, что, по вашему мнению, будет отличать организации, которые успешно операционализируют достоверный AI, от тех, которые останутся в экспериментальном режиме?

Победители будут теми организациями, которые признают, что AI не только стратегия модели; это стратегия данных, стратегия управления и операционная модель. Они инвестируют в живой доступ к данным, семантическую последовательность, многоразовое управление и архитектуру, которая может охватить весь предприятие. Те, кто продолжает строить изолированные пилотные проекты на фрагментированных или устаревших данных, будут бороться, чтобы перейти за пределы экспериментирования.

Дякуємо за велике інтерв’ю, читачам, які хочуть дізнатися більше, повинні відвідати Denodo або завантажити звіт Denodo про розрив довіри AI AI Trust Gap Report