Sathya AG, vrchní hlavní architekt ve společnosti Google – série rozhovorů

Sathya AG je technologický evangelista, publikovaný autor knihy “Enterprise-Grade Hybrid and Multi-Cloud Strategies“, a Senior Principal Architect at Google (Retail Strategic Industries), s více než 19 lety zkušeností v oblasti podnikové architektury a AI. Globální thought leader, který byl oceněn cenou Top AI Influencer Award a Google’s President’s Award, je autorem knihy Enterprise-Grade Hybrid and Multi-Cloud Strategies a členem poradního výboru pro CAIO Circle. Je Fellow of the British Computer Society (FBCS), Senior Member of IEEE, a absolventem Stanford LEAD. Žádaný řečník na AI Forward, Google Next, a NRF, Sathya také dobrovolně učí AI/ML v komunitách, které jsou znevýhodněny.

Disclaimer: Názory a myšlenky prezentované níže jsou autorovy vlastní a nemusí nutně odrážet názory, postoje nebo názory jeho zaměstnavatele nebo jakékoliv organizace, se kterou je spojen.

Vy strávil více než deset let v Oracle (ORCL ) předtím, než jste přešel do seniorní architektonické role v Google, kde nyní pracujete s velkými maloobchodními podniky. Jak se vaše pohled na podnikový AI změnil, když společnosti přešly z tradičních projektů modernizace dat na iniciativy generativního AI a agentic AI?

V dobách Oracle, jako podnikový architekt, můj hlavní zaměřením bylo vždy budování základních, vysoce komplexních systémů, na které organizace spoléhají, aby provozovaly svůj podnik. Řešili jsme masivní integrační, správní a Master Data Management výzvy, abychom zajistili, že podnik má jeden, vysoce odolný zdroj pravdy. Tradiční modernizace dat byla fundamentálně o pasivní observaci, navrhování sémantických vrstev a datových kanálů, které dodávaly důvěryhodné informace lidským rozhodnutím.

Evolve generativního a agentic AI zcela změnil architektonický paradigm z pasivní observace na autonomní systém akce. Nyní se zaměřujeme na to, zda můžeme nechat systém jednat naším jménem (a správně, bez dozoru), v měřítku. To je mnohem vyšší laťka pro kvalitu dat, kontext a kontrolu, protože nyní špatný předpoklad dat nevyvolá pouze špatný dashboard, ale špatnou akci. Agent, který špatně čte data o zásobách, neinformuje pouze někoho, ale také provede špatnou objednávku.

To je místo, kde se stává kritickou a základem pro AI systémy. Abychom mohli bezpečně budovat autonomní systémy, musíme bezproblémově překlenout propast mezi deterministickými podnikovými systémy a probabilistickým AI. Architektonické rozhovory, které vedu nyní, jsou o budování důvěryhodné datové tkaniny, zajišťující, že reálné autonomní uvažování je vázáno přísnou správou, robustní pozorovatelností a transakční integritou, kterou jsme vždy vyžadovali od podnikových systémů.

Vy jste argumentoval, že mnoho AI projektů selhává ne kvůli modelu, ale kvůli datům a architektonickým rozhodnutím, která byla učiněna mnohem dříve. Jaká jsou nejčastější raná architektonická rozhodnutí, která potichu podkopávají AI projekty později?

Jedno, co vidím nejčastěji, je, že společnosti považují sklad nebo jezero za jediný zdroj pravdy, když ve skutečnosti je to jen jeden cíl. Všechno se vtahuje do jednoho místa a předpokládá se, že to řeší problém “jedné verze pravdy”, ale ve skutečnosti to pouze centralizuje nesouhlas. Pokud tři zdrojové systémy definují aktivního zákazníka jinak, vtáhnutí jich do jednoho skladu vám dá jednu špatnou odpověď místo tří.

Pak je tu past, kdy se buduje přesně to, co je před vámi. Roura se ladí dokonale pro jeden dashboard, funguje skvěle a poté šest měsíců později nový model potřebuje stejné údaje rychleji nebo čerstvěji a celá věc se musí rozmontovat, místo aby se rozšířila.

A jeden, který vždycky vrátí lidem, je vynechání linie a metadat, protože to vypadá jako nadbytečné, které nikdo nepožádal. To nemá žádný efekt, dokud někdo nezeptá, proč model učinil konkrétní volbu, a není žádný způsob, jak to vysledovat. To se pak změní na drahé řešení, místo na levné rozhodnutí návrhu.

Když pracujete s podniky Fortune 500, jaké signály vám říkají, zda je organizace skutečně připravena škálovat AI za hranice pilotních projektů?

Upřímně, obvykle to vím během prvních několika rozhovorů. Rozdíl mezi organizací, která experimentuje s AI, a tou, která je připravena ji provozovat v podnikovém měřítku, spočívá v několika zásadních znameních. Obvykle hledám připravenost napříč třemi hlavními oblastmi: Strategická přesvědčení, Business Integrace a Operační zralost.

Zde je, co signalizuje skutečnou připravenost škálovat:

1. Strategická shoda a přesvědčení vedení

Čisté AI strategie, ne pouze AI závist: Vedení organizace prokazuje skutečné přesvědčení o své AI strategii. To lze snadno identifikovat položením několika vedoucích otázek o tom, jak AI mapuje na jejich podnikové cíle. Pokud mohou artikulovat přesnou obchodní hodnotu (například růst výnosů, zlepšení marží nebo zákaznické zkušenosti), spíše než pouze chtít “použít generativní AI”, jsou připraveni.

Připravené podnikové financování: Přestali být u izolovaných rozpočtů pro výzkum a vývoj. Existuje vyčleněný, mezioborový rozpočet přidělený nejen pro AI projekty, ale také pro změnu managementu, infrastrukturu a pokračující MLOps.

2. Připravenost řešení a obchodní integrace

Řešení správných problémů: Velká červená vlajka je zmatení standardní workflow automatizace nebo robotické procesní automatizace (RPA) s AI a vynucení AI na top, pouze aby se ukázalo, že je to AI adopce pro představenstvo. Připravené organizace rozumí odlišné hodnotě AI. Soustředí se na použití případů, kde AI nabízí paradigmatickou změnu schopností, spíše než pouze zaškrtnutí technologické položky na legacy procesu.

Vlastnictví obchodních jednotek: To je tišší signál, ale často největší překážka škálování. Pokud se AI nadšení nachází pouze v izolovaném “inovačním laboratoři” bez kůže v hře z reálných obchodních jednotek, pilotní projekty selžou. Skutečná připravenost je signalizována, když obchodní stakeholdeři aktivně spolupracují na řešení a vlastní konečnou obchodní výsledek, spíše než házení proof-of-concept přes zeď operacím.

3. Operační zralost a správa

Zabezpečení a dodržování předpisů od prvního dne: Chybějící zapojení bezpečnostních a správních týmů, nebo pokus o oddělení kritického AI použití od nich, aby se “pohybovalo rychleji”, je recept na selhání nasazení. Zralé organizace přivádějí InfoSec, právní a datové správy k tabulce od prvního dne. Považují tyto týmy za kritické akcelerátory, kteří budují zábrany nezbytné pro bezpečné škálování, spíše než brzdy.

Nakonec organizace, které úspěšně škálovat AI, považují ji ne za IT vědecký experiment, ale za transformační podnikovou schopnost se správným sponzorstvím, správnými zábranami a správnou obchodní shodou.

Co vypadá AI-připravená datová základna, zvláště pro podniky s fragmentovanými daty napříč ERP, CRM, obchodními, cloudovými a legacy systémy?

Většina podniků nemá problém s objemem dat, ale mají problém s důvěryhodností dat. To se zhoršuje, když je AI vrstva nad nimi. Není to o tom, mít lesklou novou platformu, ale o několika nezábavných vlastnostech, které platí napříč systémy.

Například stejný zákazník, produkt nebo obchod musí být rozpoznán jako stejná entita, bez ohledu na to, zda se nachází v legacy ERP, moderním CRM nebo obchodním systému. Pokud vaše systémy nemohou souhlasit s tím, kdo je zákazník, vaše AI personalizační a prognostické modely pracují s rozbitými daty, což vede k halucinované představě. Nemůžete předpovědět hodnotu zákazníka za život, pokud vaše AI považuje jednoho zákazníka za tři různé lidi.

Druhá, čerstvost dat, která odpovídá rozhodnutí, ne výchozímu nastavení zdrojového systému. Noční aktualizace zásob jsou v pořádku pro dlouhodobé plánování a zbytečné pro real-time plnění; skutečná základna podporuje obě rychlosti bez snižování všeho na nejrychlejší.

Třetí, vrstva linie, která umožňuje odpovědět na otázku “odkud toto číslo pochází” během několika minut, ne během vícedenního vyšetřování. Většina fragmentovaných podniků není krátká na data, ale krátká na vrstvu, která dělá data, která již mají, důvěryhodná a stopovatelná. To je skutečná základna, ne jakýkoli nástroj, který je připojen nahoře.

Kterou z 5 V dat (objem, rychlost, variabilita, důvěryhodnost a hodnota) tendují podnikoví lídři nejvíce podceňovat, když připravují data pro AI?

Důvěryhodnost dat, bez pochyby, následovaná hodnotou.

Objem je dán v dnešním big data ekosystému. Všichni se topí v datech. Variety a rychlost dostávají rozpočet, protože jsou viditelné na roadmapě – nové zdroje, potrubí a real-time kanály.

Důvěryhodnost je neviditelná, dokud to něco nestojí – obvykle model produkuje zjevně špatný výstup a někdo to stopne na duplicitní záznamy zákazníků nebo pole, které tři týmy vyplňují třemi různými způsoby.

Nakonec hodnota je podceňována jinak – lídři předpokládají, že pokud existují data, mají hodnotu, bez zjišťování, zda skutečně ovlivňují rozhodnutí. Většina podniků má malou část svých dat, která skutečně pracuje, a nikdo nezmapoval, která část to je.

Zvláště v maloobchodě, AI použití případů může zahrnovat personalizaci, prognózu, inventář, dodavatelský řetězec, zákaznickou službu a provoz obchodů. Kde vidíte největší mezеру mezi AI ambicí a datovou připraveností?

Zatímco AI ambice jsou rovnoměrně rozloženy napříč maloobchodem, datová připravenost je silně asymetrická.

Personalizace a prognóza mají nejrozumnější připravenost – maloobchodníci sbírají transakční a prohlížení dat po mnoho let.

Velká mezera je v dodavatelském řetězci a omni-kanálu, zvláště ve spojení mezi online a fyzickými obchody. Omni-kanál je neuvěřitelně složitý, protože nutí maloobchodníka vyřešit dva nejobtížnější datové problémy v reálném čase: sjednocenou identitu zákazníka a tekutou inventář.

Zákaznická služba a provoz obchodů jsou stále v raných fázích. Ambice jsou vysoké, ale základní provozní data, tj. personál, dokončení úkolů, reálné podmínky obchodů, jsou často nejméně digitalizovanou částí podniku. Ambice jsou rovnoměrně rozloženy napříč těmito použitími; připravenost není.

Jak by měly společnosti modernizovat legacy datové infrastruktury, aniž by narušily kritické systémy, na které podnik stále závisí každý den?

Legacy datové platformy často trpí provozními úzkými místy, vážnými problémy s kvalitou dat a organizačními omezeními škálování. Nejúčinnějším způsobem, jak chránit denní operace během modernizační cesty, je přísně se vyvarovat jediné, vysoce rizikové velké migrace. Primárním cílem modernizace datové platformy by mělo být učinit data prokazatelně užitečnější pro organizační rozhodování, spíše než považovat úsilí za čistou IT platformovou výměnu.

Aby organizace přizpůsobily AI éru, měly by přijmout datovou medaili a datovou síťovou architekturu. Tato strategie vytváří strukturovaný kanál, kde jsou data postupně rafinována z hrubého na podnikové. Efektivně zabraňuje tomu, aby špatná kvalita dat vstupovala do rozhodování. Rozdělováním dat do samostatných logických vrstev organizace vytváří jasnou linii, která umožňuje snadno stopovat, jak se informace transformují ze zdroje do cíle.

Balíčkováním ověřených dat do přístupných produktů organizace umožňuje svým týmům učinit strategická, důkazní rozhodnutí, spíše než spoléhat se na intuici. Kriticky, tento přístup vytváří základy důvěryhodnosti dat, které jsou požadovány pro podnikový AI. Budování AI agentů na top curatorovaných datových produktech zajišťuje, že modely se učí z bezpečných, přesných informací, spíše než z špinavých, neověřených datových sad.

Řízení je často přidáno až po AI projektu je již v běhu. Co se změní, když řízení, soukromí, zabezpečení a kvalita dat jsou považovány za architektonické požadavky od prvního dne?

Všechno se pohybuje rychleji, rozbití méně a škálovat lépe. S probabilistickou povahou generativního AI je řízení extrémně kritické, ale přesto nejvíce přehlížené aspekty v mnoha organizacích.

Když tyto prvky považujete za architektonické požadavky od prvního dne, spíše než poslední-minute kontrolní seznam, přecházíte z poškození na rychlost. Zde je, co se změní:

Nejprve se vyhněte bolestivému “roztržení a nahrazení” fázi, kde plně postavené AI projekty jsou zrušeny, protože porušují dodržování předpisů nebo soukromí.

Dále, zabezpečení a kvalita dat nejsou opravovány nahoře; jsou vestavěny do potrubí. Vaše modely běží na spolehlivých datech, poskytujících výstupy, kterým vedení a uživatelé skutečně důvěřují.

Nakonec, místo toho, aby narazily na regulační zeď, když přecházejí z proof-of-concept do produkce, cesta k nasazení je již vyčištěna a automatizována.

Stručně řečeno, řízení není brzdou inovace, ale spíše řídicím systémem, který umožňuje jet rychle bezpečně.

Jako poradce CAIO Circle, jak byste chtěl, aby se role Chief AI Officer vyvinula, a kde by měly začínat a končit její odpovědnosti ve vztahu k CIO, CDO a obchodním lídrům?

Být součástí CAIO Circle bylo skutečně užitečným oknem do tohoto, protože nyní je role všude, protože mnoho podniků ji vytvořilo reaktivně, v reakci na generativní AI hype, spíše než aby vyplňovalo jasnou provozní mezeru. Domnívám se, že se to brzy urovná a musí se to urovnat. Aby to fungovalo efektivně, by měla být výkonná struktura jasná:

CIO vlastní infrastrukturu a systémovou spolehlivost. CDO vlastní data jako podnikový asset (jeho kvalitu, správu a dostupnost). CAIO vlastní překladovou vrstvu mezi surovou AI schopností a skutečnými obchodními výsledky.

Tato překladová vrstva znamená, že přebírá explicitní vlastnictví AI portfolia, určuje, co postavit, identifikuje oblasti podniku, které lze zlepšit a lépe obsloužit prostřednictvím AI technologií, a slouží jako konečná autorita pro to, kde by se AI mělo a nemělo nasadit.

Největší mezera v meisten podnicích dnes je hodnocení rizik a obchodních výhod napříč soutěžícími obchodními jednotkami. Blokování vysoce rizikového AI iniciativy, kterou jedna obchodní jednotka zoufale potřebuje, vyžaduje někoho, jehož pobídky nejsou vázané na krátkodobné cíle této jednotky, a kdo je technicky dostatečně způsobilý, aby přímo ohodnotil riziko. To je přesně ten nezávislý, technicky založený brzda, kterým by se role CAIO měla stát.

Pohledem vpřed, co bude oddělovat společnosti, které dosáhnou trvalé AI výhody, od těch, které pouze experimentují s nejnovějšími AI nástroji?

Nebudou to ty, které mají přístup k nejlepším modelům. Schopnost modelu se rychle sbližuje a surová technologie nebude zůstávat trvalým diferencátorem.

Místo toho je jádrem dlouhodobého AI úspěchu – ať už interního nebo zákaznického – důvěra.

Důvěra je přímo úměrná schopnosti organizace postavit AI-připravenou základnu a prostředí, kde lze nové schopnosti testovat, bezpečně nasazovat a škálovat na rychlost. Konkrétně to vyžaduje tři věci:

Důvěryhodná datová základna: Čistá, důvěryhodná data, aby každé nové použití případu nevyžadovalo masivní, jednorázovou čistící projekt.

Aktivní správa: Riziková a dodržovací procesy dostatečně rychlé, aby držely krok s tím, jak rychle se základní modely vyvíjejí.

Výsledkem řízená metrika: Podniková kultura, která měří AI podle obchodní hodnoty, ne technické sofistikovanosti.

Společnosti, které budou stále uvíznuté v “experimentálním režimu” za tři roky, budou ty, které nikdy nepostavily tuto základnu – budou pokračovat v učení stejných datových a správních lekcí na každém jednotlivém AI projektu.

Vítězové s trvalou výhodou budou ty, kde desátý AI použití případu se stane dramaticky levnějším a rychlejším k nasazení než první, protože základna byla postavena správně poprvé.

Děkuji vám za skvělý rozhovor, čtenáři mohou také číst jeho knihu Enterprise-Grade Hybrid and Multi-Cloud Strategies.