Amit Sharma, CEO και Ιδρυτής της CData – Σειρά Συνεντεύξεων

Amit Sharma, CEO και Ιδρυτής του CData Software, είναι ένας τεχνολογικός εκτελεστής που έχει οδηγήσει την CData από την πρώιμη φάση εκκίνησης σε einen παγκόσμιο ηγέτη στη σύνδεση και ενσωμάτωση δεδομένων. Με μια καριέρα που περιλαμβάνει ρόλους ως μηχανικός λογισμικού στην Infosys και Elixar, τεχνικός αρχιτέκτονας στο /n Software, και αργότερα CTO στην CData, έχειสร้างσει βαθιά εμπειρία στη σύνδεση δεδομένων επιχειρήσεων και υποδομής. Από τότε που έγινε CEO το 2014, έχει ηγηθεί της αποστολής της CData για να απλοποιήσει τον τρόπο με τον οποίο οι οργανισμοί συνδέουν, ενσωματώνουν και χρησιμοποιούν δεδομένα σε διάφορες συστήματα, βοηθώντας να τοποθετήσει την εταιρεία ως θεμελιώδες στρώμα της σύγχρονης κίνησης δεδομένων.

CData Software είναι ένας ηγέτης στη παροχή λύσεων πρόσβασης και σύνδεσης δεδομένων. Τα προϊόντα δεδομένων αυτοεξυπηρέτησης και οι πλατφόρμες σύνδεσης της παρέχουν.universal πρόσβαση σε δεδομένα σε εκατοντάδες εφαρμογές που χρησιμοποιούνται rộngρά σε τοπικές και cloud εφαρμογές. Εκατομμύρια χρήστες παγκοσμίως εξαρτώνται από την CData για να υποστηρίξουν προηγμένα ανάλυση, να επιταχύνουν την υιοθέτηση cloud και να κατασκευάσουν πιο συνδεδεμένες, δεδομένα-κίνητες οργανώσεις. Σχεδιασμένες να είναι καταναλώσιμες από οποιοδήποτε χρήστη, προσιτές μέσα σε οποιαδήποτε εφαρμογή και κλιμακωτές για επιχειρήσεις όλων των μεγεθών, η CData αναedefinει τον τρόπο με τον οποίο οι επιχειρήσεις προσεγγίζουν και χρησιμοποιούν δεδομένα.

Ξεκινήσατε την καριέρα σας στην Ινδία στην Infosys και αργότερα μεταπηδητήκατε σε αμερικανικό λογισμικό επιχείρησης. Ποια πρώιμη διδασκαλία από εκείνη τη φάση ακόμη διαμορφώνει τον τρόπο με τον οποίο ηγείστε σήμερα;

Η εποχή μου στην Infosys μου έδωσε πρώιμη έκθεση στις απαιτήσεις της μεγάλης κλίμακας τεχνολογίας επιχείρησης — τις phứcικότητες, την ανάγκη για αξιοπιστία και τον τρόπο με τον οποίο οι μεγάλες οργανώσεις προσεγγίζουν τεχνικά προβλήματα. Αυτό διαμόρφωσε einen βαθύ σεβασμό για δομή και ποιότητα επιχείρησης. Αλλά όταν μεταπηδητήκατε σε ένα αμερικανικό startup, ανακάλυψα ότι ευδοκιμώ σε ταχύτητα, ευελιξία και την ικανότητα να κάνω άμεση επίδραση. Σήμερα, εκείνη η διπλή υπόβαθρο οδηγεί τον τρόπο με τον οποίο ηγείστε το CData Software: Επιμένω σε πρότυπα επιχείρησης και ρομποτική, ενώ καλλιεργώ μια λεπτή, γρήγορη κουλτούρα που αξιολογεί απλότητα, πραγματική χρησιμότητα και ταχεία εκτέλεση.

Μετά από περισσότερο από μια δεκαετία ως CEO της CData, ποια μετατόπιση στη στάση ή προσέγγιση ήταν η πιο σημαντική για την κλιμάκωση της εταιρείας από τις πρώτες μέρες της σε μια παγκόσμια επιχείρηση;

Η μεγαλύτερη μετατόπιση για μένα ήταν η μετάβαση από το να σκέφτομαι σαν κατασκευαστής τεχνολογίας σε κατασκευαστή οργανισμού. Στις πρώτες μέρες, η εστίασή μου ήταν σχεδόν εξ ολοκλήρου στο προϊόν· βέβαιο ότι ήταν εύγλωττο, αξιόπιστο και λύσε πραγματικά προβλήματα. Όταν η CData κλιμάκωσε, έπρεπε να μάθω ότι εξαιρετικό λογισμικό μόνο δεν είναι αρκετό· χρειάζεστε εξαιρετικά άτομα, ισχυροί ηγέτες και διαδικασίες που κλιμακώνονται χωρίς να σας επιβραδύνουν. Αυτό σήμαινε επένδυση νωρίτερα στην πρόσληψη, ενδυνάμωση ομάδων και κατασκευή επαναλαμβανόμενων συστημάτων σε πωλήσεις, υποστήριξη και λειτουργίες, ενώ ακόμη προστατεύω την κουλτούρα μηχανικής. Η μετατόπιση στη στάση ήταν η συνειδητοποίηση ότι η δουλειά μου δεν ήταν μόνο να κάνω εξαιρετική τεχνολογία, αλλά να δημιουργήσω ένα περιβάλλον όπου εξαιρετική τεχνολογία θα μπορούσε να κατασκευαστεί συνεχώς από μια αυξανόμενη παγκόσμια ομάδα.

Η CData έχει επικεντρωθεί για πολύ καιρό στην “απλοποίηση της πρόσβασης σε οποιαδήποτε δεδομένα, οπουδήποτε”. Πώς έχει εξελιχθεί αυτή η αποστολή καθώς η βιομηχανία μετακινείται sâu hơn στις εφαρμογές AI-γενικής;

Από την αρχή, η αποστολή μας στην CData ήταν να κάνουμε τα δεδομένα παγκοσμίως προσιτά χρησιμοποιώντας οικείες, τυποποιημένες διεπαφές, γιατί πιστεύαμε ότι το μεγαλύτερο εμπόδιο στην καινοτομία δεν ήταν η αποθήκευση ή η επεξεργασία, αλλά η πρόσβαση. Αυτή η βασική ιδέα δεν έχει αλλάξει, αλλά ο контекst έχει. Όταν οι οργανισμοί μετακινήθηκαν από ανάλυση σε cloud και τώρα σε AI, το κόστος της αποσυνδεδεμένης, ασυνέχειας πρόσβασης δεδομένων έχει αυξηθεί μόνο. Τι έχει εξελιχθεί είναι η ευθύνη μας: δεν είναι πλέον μόνο για τη σύνδεση εφαρμογών σε δεδομένα, αλλά για να βεβαιωθούμε ότι τα δεδομένα είναι αξιόπιστα, σε πραγματικό χρόνο και χρησιμοποιήσιμα σε όλο και πιο σύνθετα και κατανεμημένα περιβάλλοντα. Στην εποχή AI, η πρόσβαση μόνο δεν είναι αρκετή. Τα δεδομένα πρέπει να είναι αμέσως χρησιμοποιήσιμα χωρίς εβδομάδες προσαρμοσμένης μηχανικής.

Όταν οι εφαρμογές AI-γενικής γίνονται ο κανόνας, η αποστολή μας έχει επεκταθεί για να περιλαμβάνει τη δημιουργία δεδομένων AI-έτοιμων από προεπιλογή. Αυτό σημαίνει την ενεργοποίηση συνεπούς σημασιολογίας, υψηλής απόδοσης σύνδεσης, διακυβέρνησης-ενήμερης πρόσβασης και πραγματικού χρόνου ενσωμάτωσης σε δομημένα και SaaS πηγές δεδομένων, ώστε τα μοντέλα και τα πράγματα να μπορούν να δουλέψουν με φρέσκα, αξιόπιστα στοιχεία, όχι χαλαρά σημεία ενσωμάτωσης ή παλιά αντίγραφα. Σε πρακτικούς όρους, επικεντρωνόμαστε στην εξάλειψη της τριβής μεταξύ του nơi ζουν τα δεδομένα και του nơi λειτουργούν τα συστήματα AI, ώστε οι ομάδες να μπορούν να μεταβούν από πειράματα σε παραγωγή γρηγορότερα. Βλέπουμε τον εαυτό μας όχι μόνο ως παρόχους σύνδεσης, αλλά ως θεμελιώδες στρώμα δεδομένων για τις επιχειρήσεις AI-κίνησης που λειτουργούν ήσυχα τα συστήματα που κάνουν τις έξυπνες εφαρμογές δυνατές.

Με την επιταχύνουσα γεννητική AI, τι σημαίνει πραγματικά “δεδομένα AI-έτοιμα” για σας, και πού βλέπετε τις οργανώσεις να παρερμηνεύουν αυτή την ιδέα το περισσότερο;

Για μένα, “δεδομένα AI-έτοιμα” σημαίνει δεδομένα που είναι προσιτά, αξιόπιστα, τρέχοντα και κατανοητά από ανθρώπους και μηχανές χωρίς στρώματα προσαρμοσμένης σωληνουργίας. Δεν είναι μόνο για το να μεταφέρετε δεδομένα σε μια λίμνη ή αποθήκες. Είναι για να βεβαιωθείτε ότι τα συστήματα, τα μοντέλα και τα πράγματα μπορούν να προσεγγίσουν συνεχώς τα σωστά δεδομένα στην σωστή στιγμή μέσω τυποποιημένων, διακυβέρνησης-ενήμερων διεπαφών. Η ετοιμότητα AI εξαρτάται λιγότερο από το πού αποθηκεύονται τα δεδομένα και περισσότερο από το αν μπορούν να ανακαλυφθούν, να ερωτηθούν, να εμπιστευτούν και να ενσωματωθούν σε πραγματικό χρόνο. Χωρίς αυτή τη βάση, ακόμη και τα πιο προηγμένα μοντέλα τελειώνουν να λειτουργούν με непλήρη ή παλιά πληροφορίες.

Πού βλέπω τις οργανώσεις να παρερμηνεύουν την έννοια είναι ότι υποθέτουν ότι η κεντρικοποίηση αυτόματα ισοδυναμεί με ετοιμότητα. Οι ομάδες συχνά πιστεύουν ότι μια φορά που τα δεδομένα είναι συνενωμένα σε μια seule πλατφόρμα, είναι “AI-έτοιμα”, όταν στην πραγματικότητα έχουν δημιουργήσει μια νέα θήκη. Άλλοι υπερεπενδύουν σε εργαλεία χωρίς να αντιμετωπίσουν την ποιότητα δεδομένων, σημασιολογία και σύνδεση, τα μη γламούρ προβλήματα που κάνουν ή σπάζουν πραγματικά συστήματα AI. Η AI δεν αποτυγχάνει επειδή των μοντέλων· αποτυγχάνει επειδή των ακατάστατων, μη προσιτών ή παλιών δεδομένων. Οι οργανώσεις που θα κερδίσουν είναι αυτές που αντιμετωπίζουν την ετοιμότητα δεδομένων ως λειτουργική πειθαρχία, όχι ως ένα πρότζεκτ μετεγκατάστασης μιας φοράς.

Η νέα έρευνά σας, Η Κατάσταση της Σύνδεσης Δεδομένων AI: 2026 Πρόβλεψη, δείχνει ότι μόνο το 6% των ηγετών AI πιστεύουν ότι η υποδομή δεδομένων τους είναι πλήρως έτοιμη για AI. Γιατί νομίζετε ότι το χάσμα ετοιμότητας είναι τόσο μεγάλο, και τι μας λέει αυτό για την τρέχουσα τροχιά της βιομηχανίας;

Το χάσμα είναι τόσο μεγάλο επειδή οι περισσότερες οργανώσεις επένδυσαν στη συλλογή και αποθήκευση δεδομένων πολύ πριν επενδύσουν στη δημιουργία τους χρησιμοποιήσιμων για AI. Κατά τη διάρκεια της τελευταίας δεκαετίας, οι εταιρείες έχουν κατασκευάσει λίμνες, αποθήκες και αγωγούς, αλλά σπάνια κατασκεύασαν ένα συνεκτικό στρώμα πρόσβασης που εξασφαλίζει ότι τα δεδομένα είναι συνεπή, σε πραγματικό χρόνο και διαθέσιμα σε όλα τα συστήματα. Καθώς οι ηγέτες ανακαλύπτουν ότι μια φορά που αρχίζουν να αναπτύσσουν AI σε πραγματικές ροές εργασίας, η υποκείμενη υποδομή τους δεν μπορεί να υποστηρίξει την ταχύτητα, την κλίμακα ή την αξιοπιστία που απαιτεί το AI. Το 6% δεν αντανακλά έλλειψη φιλοδοξίας, αλλά την πραγματικότητα ότι το AI εκθέτει αδυναμίες που ήταν πάντα εκεί αλλά δεν μετράνε τόσο πολύ στην παραδοσιακή ανάλυση.

Τι μας λέει η έρευνα για την βιομηχανία είναι ότι είμαστε στην αρχή της καμπύλης υιοθέτησης AI, όχι στο τέλος. Οι οργανώσεις πειραματίζονται επιθετικά στο επίπεδο εφαρμογής, αλλά τώρα αντιλαμβάνονται ότι η επιτυχία εξαρτάται από τη μοντερνοποίηση της θεμελιώδους βάσης δεδομένων τους. Εισερχόμαστε σε μια διορθωτική φάση όπου η εστίαση μετατοπίζεται από τις πειραματικές πιλότους σε λειτουργική ετοιμότητα—τυποποιημένη πρόσβαση, διακυβέρνηση-ενήμερη σύνδεση και σύνδεση σε πραγματικό χρόνο. Οι νικητές δεν θα είναι οι εταιρείες που κατασκευάζουν τα περισσότερα πειραματικά προτζεκτ, αλλά αυτές που μοντερνοποιούν την υποδομή δεδομένων τους αρκετά γρήγορα για να μεταφέρουν αυτά τα πειράματα σε παραγωγή σε κλίμακα.

Τα ευρήματα δείχνουν επίσης ότι το 71% των ομάδων AI ξοδεύουν περισσότερο από ένα τέταρτο του χρόνου τους σε σωληνουργία δεδομένων. Ποια μέρος αυτού του έργου είναι στην πραγματικότητα στρατηγικό και όχι μόνο τεχνικό χρέος;

Κάποιο μέρος της “σωληνουργίας δεδομένων” είναι απολύτως στρατηγικό όταν πρόκειται για τη δημιουργία ανθεκτικής πρόσβασης σε δεδομένα μέσω τυποποιημένων διεπαφών και σχεδίασης για κλιμάκωση και διακυβέρνηση από την αρχή. Η επένδυση σε συνεπή σύνδεση, κοινή σημασιολογία και αξιόπιστη σύνδεση είναι θεμελιώδες έργο που αποδίδει dividenda σε κάθε εφαρμογή και μοντέλο που έρχεται αργότερα. Το πρόβλημα είναι ότι οι περισσότερες ομάδες δεν κάνουν αυτό το είδος σωληνουργίας. Επανακατασκευάζουν μονοπάτια, γράφουν χαλαρά συνδέσμους και επιδιορθώνουν συνδέσεις που λύνουν μόνο ένα πρόβλημα μια φορά. Αυτό είναι τεχνικό χρέος που μεταμφιέζεται ως πρόοδος.

Τι είναι στρατηγικό είναι οτιδήποτε μειώνει τη μελλοντική τριβή: εξαλείφοντας τον προσαρμοσμένο κώδικα υπέρ των προτύπων, κατασκευάζοντας επαναλαμβανόμενες υπηρεσίες δεδομένων και συνδέοντας συστήματα με τρόπο που κλιμακώνεται σε ομάδες και περιπτώσεις χρήσης. Όταν η σωληνουργία γίνεται αόρατη και επαναλαμβανόμενη, σταματά να είναι φόρος στις ομάδες AI και γίνεται ενεργοποιητής. Ο πραγματικός στόχος δεν είναι να ξοδεύουν λιγότερο χρόνο σε δεδομένα. Είναι να σταματήσουν να ξοδεύουν χρόνο στα ίδια προβλήματα δεδομένων ξανά και ξανά.

Μια εντυπωσιακή στατιστική από την έρευνα είναι ότι το 46% των επιχειρήσεων τώρα απαιτούν πρόσβαση σε πραγματικό χρόνο σε έξι ή περισσότερες πηγές δεδομένων για μια seule περίπτωση χρήσης AI. Αντανακλά αυτό τι βλέπετε με τους πελάτες σας, και τι κάνει αυτό το επίπεδο σύνδεσης τόσο δύσκολο;

Ναι, αυτό συμφωνεί στενά με τι βλέπουμε με τους πελάτες μας. Σύγχρονες περιπτώσεις χρήσης AI, είτε προβλεπτική ανάλυση, μηχανές συστάσεων ή αυτονομικές ροές εργασίας, σπάνια εξαρτώνται από ένα μόνο σύστημα. Οι επιχειρήσεις συχνά χρειάζονται να συνδυάσουν ERP, CRM, SaaS εφαρμογές, πλατφόρμες ροής και legacy βάσεις δεδομένων για να παράγουν σημαντικές ερμηνείες. Το πρόβλημα δεν είναι μόνο ο αριθμός των πηγών· είναι η ποικιλία, διαφορετικά πρωτόκολλα, μορφές και συχνότητες ενημέρωσης, και η προσδοκία ότι αυτά τα δεδομένα θα είναι διαθέσιμα σε πραγματικό χρόνο για τα μοντέλα AI να καταναλώσουν.

Τι κάνει αυτό το επίπεδο σύνδεσης τόσο δύσκολο είναι ότι οι παραδοσιακές προσεγγίσεις ολοκλήρωσης δεν σχεδιάστηκαν ποτέ για την κλίμακα, την ταχύτητα και την αξιοπιστία που απαιτεί το AI. Οι μονοπαταγωγοί και οι αγωγοί batch δεν μπορούν να跟πουν. Η πραγματική πρόσβαση σε πραγματικό χρόνο απαιτεί τυποποιημένες, διαχειριζόμενες διεπαφές, συνεπή σημασιολογία σε όλα τα συστήματα και παρακολούθηση για να εξασφαλίσει την ποιότητα και τη διαθεσιμότητα δεδομένων. Χωρίς αυτή τη βάση, οι ομάδες ξοδεύουν περισσότερο χρόνο στη διόρθωση αγωγών παρά στη κατασκευή λύσεων AI, που επιβραδύνει την καινοτομία και εισάγει κίνδυνο. Οι οργανώσεις που θα επιτύχουν είναι αυτές που αντιμετωπίζουν τη σύνδεση ως στρατηγική ικανότητα, όχι ως τεχνικό χόρο.

Η έρευνα τονίζει τη σημασιολογική συνεπή, το контέκστ και τη σύνδεση ως οριστικά χαρακτηριστικά της ώριμης υποδομής δεδομένων AI. Πώς πρέπει οι οργανώσεις να σκέφτονται την ακολουθία αυτών των προτεραιοτήτων;

Όταν σκέφτεστε την ακολουθία, οι οργανώσεις πρέπει να αρχίσουν με τη σύνδεση. Αν τα δεδομένα δεν είναι αξιόπιστα προσιτά σε όλα τα συστήματα, όλα τα άλλα γίνονται ασήμαντα. Τα μοντέλα AI δεν μπορούν να μάθουν από αυτά που δεν μπορούν να φτάσουν. Η εγκατάσταση τυποποιημένων, διαχειριζόμενων συνδέσεων σε όλα τα κρίσιμα δεδομένα πηγές lays την βάση για όλα τα που ακολουθούν. Χωρίς αυτό το στρώμα, οι ομάδες κατασκευάζουν εύθραυστα, μονοπάτια που δημιουργούν περισσότερο έργο αργότερα.

Όταν η σύνδεση είναι στη θέση της, η σημασιολογική συνεπή γίνεται η επόμενη προτεραιότητα. Τα δεδομένα χρειάζονται μια κοινή γλώσσα ώστε η πληροφορία από πολλές πηγές να μπορεί να ερμηνευτεί σωστά και να συνδυαστεί με νόημα. Το контέκστ φυσικά ακολουθεί: κατανοώντας όχι μόνο τις τιμές αλλά και τη σημασία τους μέσα στη διαδικασία επιχείρησης, το χρόνο και τις σχέσεις, εξασφαλίζει ότι τα μοντέλα AI μπορούν να κάνουν ακριβείς, ενεργούς προβλέψεις. Θέτοντας αυτά τα στοιχεία ως μια δομημένη ακολουθία—σύνδεση πρώτα, σημασιολογία δεύτερη, контέκστ τρίτη—επιτρέπει στις οργανώσεις να κατασκευάσουν μια υποδομή δεδομένων AI-έτοιμων που κλιμακώνεται και υποστηρίζει αξιόπιστη, έτοιμη παραγωγής ευφυΐα.

Οι παρόχοι λογισμικού AI-γενικής τώρα απαιτούν περίπου τρεις φορές περισσότερες εξωτερικές ενσωματώσεις από τους παραδοσιακούς προμηθευτές. Τι οδηγεί αυτό το διευρυμένο χάσμα, και τι αποκαλύπτει για το πού πηγαίνει το λογισμικό;
Το διευρυμένο χάσμα οδηγείται από τη φύση του AI ίδια: οι εφαρμογές AI-γενικής ευδοκιμούν σε διαφορετικά, σε πραγματικό χρόνο δεδομένα από πολλές πηγές. Σε αντίθεση με το παραδοσιακό λογισμικό, το οποίο συχνά λειτουργεί μέσα σε ένα μόνο σύστημα ή σουίτα, τα μοντέλα AI χρειάζονται να καταναλώσουν, να συσχετίσουν και να αναλύσουν πληροφορίες σε ERP συστήματα, CRM πλατφόρμες, SaaS εφαρμογές, πλατφόρμες ροής και περισσότερα. Κάθε ενσωμάτωση είναι απαραίτητη για να δώσει στο AI αρκετό контέκστ και κάλυψη για να παράγει ακριβείς προβλέψεις, συστάσεις ή αυτοματοποιημένες ενέργειες.

Αυτή η τάση αποκαλύπτει ότι το λογισμικό μετακινείται από απομονωμένες εφαρμογές προς διασυνδεδεμένα, έξυπνα οικοσυστήματα. Οι νικητές δεν θα είναι τα προϊόντα που λειτουργούν καλά μόνα τους. Θα είναι οι πλατφόρμες που μπορούν να προσεγγίσουν και να ενσωματώσουν δεδομένα όπου ζουν. Σε πρακτικούς όρους, αυτό σημαίνει ότι η σύνδεση, η τυποποίηση και η ενσωμάτωση σε πραγματικό χρόνο δεν είναι πλέον ευχαρίστως δέκτες. Είναι θεμελιώδεις ικανότητες για το λογισμικό AI-γενικής να παράγει πραγματική αξία.

Κοιτάζοντας μπροστά πέντε χρόνια, τι πιστεύετε ότι θα γίνει το πιο σημαντικό εμπόδιο για την επιτυχία του AI—σύνδεση, αγωγοί σε πραγματικό χρόνο, μοντέλα σημασιολογίας, διακυβέρνηση, ή κάτι άλλο εντελώς;

Κοιτάζοντας μπροστά, πιστεύω ότι η διακυβέρνηση και η ασφάλεια θα γίνουν το πιο σημαντικό εμπόδιο για την επιτυχία του AI. Ενώ η σύνδεση και οι αγωγοί σε πραγματικό χρόνο παραμένουν θεμελιώδεις—τα μοντέλα AI μπορούν να είναι τόσο αποτελεσματικά όσο τα δεδομένα που μπορούν να προσεγγίσουν—οι οργανώσεις γρήγορα αντιλαμβάνονται ότι η αδιατηρημένη AI είναι αβέβαιη και πιθανώς επικίνδυνη. Όταν το AI μετακινείται από πειράματα σε παραγωγή και αρχίζει να επηρεάζει κρίσιμες επιχειρηματικές αποφάσεις, οι κίνδυνοι της προκατάληψης, των παραβιάσεων συμμόρφωσης, της διαρροής δεδομένων και των λειτουργικών λαθών πολλαπλασιάζονται εκθετικά.

Το πρόβλημα δεν είναι μόνο για το να μεταφέρετε δεδομένα· είναι για το να μεταφέρετε τα σωστά δεδομένα, με τα σωστά ελέγχους, στα σωστά συστήματα, με έναν αναγνωρίσιμο και ελέγξιμο τρόπο. Οι οργανώσεις που αποτυγχάνουν να ενσωματώσουν ισχυρά πλαίσια διακυβέρνησης και πρωτόκολλα ασφαλείας από την αρχή θα αντιμετωπίσουν αυξανόμενη πίεση κανονισμού, κίνδυνο φήμης και τελικά, συστήματα AI που δεν μπορούν να εμπιστευτούν ή να κλιμακώσουν. Βλέπουμε ήδη πρώιμα σημάδια: επιχειρήσεις που διστάζουν να αναπτύξουν AI επειδή δεν μπορούν να εξασφαλίσουν τη διαδρομή δεδομένων, τους ελέγχους πρόσβασης ή τη συμμόρφωση με τις εξελισσόμενες κανονιστικές προδιαγραφές.

Οι πιο επιτυχημένες οργανώσεις πέντε χρόνια από τώρα θα είναι αυτές που αντιμετωπίζουν τη διακυβέρνηση και την ασφάλεια όχι ως μεταγενέστερες σκέψεις, αλλά ως θεμελιώδεις ενεργοποιητές του AI. Ναι, χρειάζεστε σύνδεση και αγωγούς σε πραγματικό χρόνο για να μεταφέρετε δεδομένα· αλλά χωρίς διακυβέρνηση και ασφάλεια στη θέση, τα δεδομένα γίνονται ευθύνη αντί για περιουσία. Το μέλλον του AI δεν είναι μόνο για την ταχύτητα ή την κλίμακα· είναι για την εμπιστοσύνη, την ευθύνη και την υπεύθυνη ανάπτυξη σε κάθε στρώμα της στοίβας δεδομένων.

Ευχαριστώ για τη μεγάλη συνέντευξη, οι αναγνώστες που επιθυμούν να μάθουν περισσότερα πρέπει να επισκεφθούν CData Software.