Dominic Sartorio, Αντιπρόεδρος Προϊόντων και Μάρκετινγκ στην Denodo – Σειρά Συνεντεύξεων

Dominic Sartorio είναι ο Αντιπρόεδρος Προϊόντων και Μάρκετινγκ στην Denodo. Ο Dominic έχει πάνω από 20 χρόνια εμπειρίας στη διαχείριση δεδομένων και κυβερνοασφάλειας, έχοντας κατέχει διάφορους ρόλους ηγεσίας προϊόντων και μάρκετινγκ στην Informatica, Protegrity, μεταξύ άλλων ηγετικών προμηθευτών.

Denodo είναι ένας παγκόσμιος ηγέτης στη διαχείριση δεδομένων, που παρέχει αξιόπιστους πράκτορες και εφαρμογές AI. Η πλατφόρμα Denodo, μια βραβευμένη λύση λογικής διαχείρισης δεδομένων, μετατρέπει τα δεδομένα των επιχειρήσεων σε αξιόπιστες πληροφορίες για τις εφαρμογές AI, ανάλυσης και αυτοεξυπηρέτησης. Οι οργανισμοί σε όλο τον κόσμο χρησιμοποιούν την Denodo για να παρέχουν δεδομένα που είναι έτοιμα για AI, έτοιμα για επιχειρήσεις, σε ένα κλάσμα του χρόνου σε σύγκριση με τις παραδοσιακές λίμνες δεδομένων, επιτυγχάνοντας μέχρι 4 φορές ταχύτερο χρόνο απόκτησης πληροφοριών, 345% ROI και 10 φορές καλύτερη απόδοση. Βασισμένο στις πληροφορίες από 850 ηγετικά στελέχη επιχειρήσεων, η αναφορά AI Trust Gap της Denodo αποκαλύπτει γιατί πολλά προγράμματα AI έχουν δυσκολίες να ξεπεράσουν τα στάδια πειραματισμού και τι πρέπει να κάνουν οι οργανισμοί για να xây dựng αξιόπιστους, έτοιμους για παραγωγή AI.

Έχετε κατέχει υψηλές θέσεις ηγεσίας σε εταιρείες όπως η Informatica, Protegrity, Infoworks και τώρα Denodo, όλες επικεντρωμένες σε διαφορετικά επίπεδα υποδομής δεδομένων επιχειρήσεων. Πώς έχει εξελιχθεί η άποψή σας για τα “αξιόπιστα δεδομένα” καθώς το AI έχει μετατοπιστεί από την ανάλυση σε αυτόνομες και αγεντικές συστήματα;

Στις αρχές της καριέρας μου, τα αξιόπιστα δεδομένα ήταν κυρίως σχετικά με την ακρίβεια, την προέλευση, την ασφάλεια και την παροχή εμπιστοσύνης στους αναλυτές στις αναφορές και στα γραφήματα. Με τα αγεντικά AI, τα στοιχήματα είναι πολύ υψηλότερα επειδή τα συστήματα δεν ερμηνεύουν μόνο δεδομένα, αλλά μπορεί επίσης να ενεργούν αυτόνομα, να ενεργοποιούν επιχειρηματικές διαδικασίες ή να λαμβάνουν αποφάσεις με πραγματικό κόσμο επίδραση. Αυτό σημαίνει ότι τα αξιόπιστα δεδομένα πρέπει τώρα να περιλαμβάνουν ζωντανούς επιχειρηματικούς контекστ, συνεπή επιχειρηματική σημασία και φρουρούς που επιβάλλονται ώστε να μπορείτε να έχετε εμπιστοσύνη ότι οι πράκτορες ενεργούν σωστά και ασφαλώς.

Η αναφορά AI Trust Gap της Denodo βρήκε ότι το 66% των οργανισμών λέει ότι τα δεδομένα AI πρέπει να είναι σε πραγματικό χρόνο ή κοντά σε πραγματικό χρόνο για να είναι αξιόπιστα. Γιατί νομίζετε ότι τόσοι πολλοί οργανισμοί ακόμη έχουν δυσκολίες να παρέχουν ζωντανούς επιχειρηματικούς δεδομένα στα συστήματα AI;

Οι περισσότερες επιχειρήσεις δεν σχεδιάστηκαν για πράκτορες AI που χρειάζονται ζωντανούς επιχειρηματικούς контекστ σε πολλά συστήματα. Τα δεδομένα τους είναι διασκορπισμένα σε εφαρμογές, νεφώσεις, αποθήκες, λίμνες δεδομένων, legacy συστήματα και άλλα επιχειρηματικά πλαίσια. Μπορεί να αντιγράφουν αυτά τα δεδομένα σε một κεντρική αποθήκη ή λίμνη δεδομένων για ανάλυση και επιχειρηματική ευφυΐα, αλλά αυτό δεν είναι κατάλληλο για πράκτορες AI που χρειάζονται ζωντανούς επιχειρηματικούς контекστ. Μόλις τα δεδομένα αντιγραφούν, δεν είναι πλέον ζωντανούς. Είναι δυνατό να ρεύσουν σε πραγματικό χρόνο, αλλά αυτό γίνεται πολύ ακριβό πολύ γρήγορα. Αυτό είναι ακριβώς όπου η λογική διαχείριση δεδομένων της Denodo γίνεται σημαντική, επειδή παρέχει στα συστήματα AI μια διαχειριζόμενη πρόσβαση σε ζωντανούς δεδομένα χωρίς να απαιτεί από τις επιχειρήσεις να αντιγράφουν και να επαναπλατφορμίσουν όλα συνεχώς.

Μια από τις πιο εντυπωσιακές ανακαλύψεις στην αναφορά είναι ότι οι πρωτοβουλίες AI των επιχειρήσεων τώρα τραβούν από εκατοντάδες πηγές δεδομένων, με ορισμένες οργανώσεις να έχουν πρόσβαση σε περισσότερες από 1.000. Πώς αλλάζει αυτό το επίπεδο θραύσης τον τρόπο που οι επιχειρήσεις πρέπει να σκέφτονται την αρχιτεκτονική AI;

Σε αυτό το επίπεδο θραύσης, η αρχιτεκτονική δεν μπορεί να εξαρτάται από την φυσική ενοποίηση κάθε πηγής πριν το AI να το χρησιμοποιήσει. Οι επιχειρήσεις χρειάζονται ένα επίπεδο αφαίρεσης που μπορεί να ανακαλύψει, να ενσωματώσει, να διαχειριστεί και να παραδώσει δεδομένα σε διανεμημένη πραγματικότητα που ήδη έχουν. Κατά τη γνώμη μου, η αρχιτεκτονική δεδομένων πρέπει να γίνει πιο λογική, με μετα-δεδομένα και σημασιολογική, ώστε οι πράκτορες να possono να βρουν τα σωστά δεδομένα σε контекστ χωρίς να είναι στενά συνδεδεμένοι με τα υποκείμενα συστήματα.

Η αναφορά υποστηρίζει ότι πολλές αποτυχίες AI είναι στην πραγματικότητα “αποτυχίες αρχιτεκτονικής δεδομένων” και όχι αποτυχίες μοντέλων. Νομίζετε ότι η βιομηχανία έχει δαπανήσει πολύ χρόνο με την εμμονή στα μοντέλα ενώ υποτιμά την σημασία της υποδομής δεδομένων;

Ναι. Τα μοντέλα έχουν σημασία, φυσικά, αλλά πολλές αποτυχημένες πρωτοβουλίες AI δεν αποτυγχάνουν επειδή το μοντέλο είναι ανίκανο, αλλά επειδή το μοντέλο λειτουργεί με непλήρη, παλιά, ασυνεπή ή κακοδιαχειριζόμενα δεδομένα. Το μοντέλο δούλεψε καλά στο πείραμα, χρησιμοποιώντας ένα καλά καθορισμένο και επιμελημένο σύνολο δεδομένων, αλλά όταν αναπτύχθηκε στο “πραγματικό κόσμο”, με τη διανεμημένη ακαταστασία του, το AI αποτύχησε να παράγει αξιόπιστα αποτελέσματα. Η εμπειρία μου έχει δείξει ότι οι επιχειρήσεις λαμβάνουν καλύτερα αποτελέσματα AI όταν αντιμετωπίζουν το επίπεδο δεδομένων ως πρώτης τάξης μέρος της αρχιτεκτονικής AI, και όχι ως μια μετάνοια.

Η Denodo συχνά μιλάει για σημασιολογική συν nhấtότητα και τη σημασία ενός παγκόσμιου σημασιολογικού επιπέδου. Όταν οι πράκτορες AI αρχίζουν να λαμβάνουν αποφάσεις αυτόνομα, πόσο κρίσιμο γίνεται η σημασιολογική ευθυγράμμιση για την πρόληψη λανθασμένων ενεργειών ή ψευδείς επιχειρηματικές λογικές;

Η σημασιολογική ευθυγράμμιση γίνεται απολύτως κρίσιμη. Αν ένα σύστημα ορίζει “πελάτη”, “έσοδα”, “κίνδυνο” ή “αποχώρηση” διαφορετικά από ένα άλλο, ένας πράκτορας AI μπορεί να παράγει μια τεχνικά πιθανή απάντηση που είναι ακόμη λανθασμένη για τον δεδομένο επιχειρηματικό контекστ. Ένα παγκόσμιο σημασιολογικό επίπεδο βοηθά να διασφαλίσει ότι οι πράκτορες λειτουργούν με συνεπή επιχειρηματική σημασία, και όχι μόνο με πρόσβαση σε сыρό δεδομένα.

Η συνεδρία σας στο AI & Big Data Expo επικεντρώθηκε στη μετατόπιση από πειράματα AI σε παραγωγή. Κατά τη γνώμη σας, ποια είναι τα μεγαλύτερα λόγια που οι επιχειρήσεις μένουν στο “στάδιο πειραματισμού” και δεν μπορούν να κλιμακώσουν το AI σε πραγματικά επιχειρηματικά συστήματα;

Τα πειράματα συχνά δουλεύουν επειδή είναι στενά, χειροκίνητα επιμελημένα και απομονωμένα από την πλήρη复雑η της επιχείρησης. Η παραγωγή AI πρέπει να αντιμετωπίσει ζωντανούς δεδομένα από πολλές πηγές, ασφάλεια, διαχείριση, απόδοση, ελέγχου, αλλαγές επιχειρηματικών κανόνων και ενσωμάτωση σε πραγματικές διαδικασίες. Πολλές οργανώσεις μένουν στο “στάδιο πειραματισμού” επειδή χτίζουν ένα εντυπωσιακό demo, αλλά όχι τη διαχειριζόμενη βάση δεδομένων που χρειάζεται για να λειτουργήσει το AI αξιόπιστα σε κλίμακα.

Η αναφορά αναφέρει προβλέψεις ότι ένα σημαντικό ποσοστό προγραμμάτων AI μπορεί να ακυρωθεί τα επόμενα χρόνια λόγω αυξανόμενων κοστών, ασαφούς αξίας ή ανεπαρκούς ελέγχου κινδύνων. Νομίζετε ότι η βιομηχανία εισέρχεται σε μια φάση όπου οι επιχειρήσεις θα γίνουν πολύ πιο επιλεκτικές σχετικά με ποια προγράμματα AI θα επιβιώσουν;

Ναι, και νομίζω ότι αυτό είναι υγιές. Η πρώτη κυμαία πειραματισμού AI ήταν σχετικά με τη δυνατότητα, η επόμενη κυμαία θα είναι σχετικά με την επιχειρηματική αξία, την πειθαρχία κοστών και την αξιόπιστη. Τα προγράμματα που θα επιβιώσουν θα είναι αυτά που συνδέονται με μετρήσιμες επιχειρηματικές αποτελέσματα και υποστηρίζονται από τα σωστά δεδομένα, διαχείριση και αρχιτεκτονική.

Η ασφάλεια και η διαχείριση εμφανίζονται σε όλη την αναφορά ως επαναλαμβανόμενες θεματικές, ιδιαίτερα γύρω από τα “φρουρά” για τα αγεντικά AI. Πώς πρέπει οι οργανισμοί να ισορροπήσουν τις αυτόνομες ικανότητες AI με την ανάγκη για αυστηρό έλεγχο πρόσβασης και ελέγχου;

Το κλειδί δεν είναι να αντιμετωπίζετε τη διαχείριση ως κάτι που είναι συνδεδεμένο μετά την κατασκευή του συστήματος AI. Ο έλεγχος πρόσβασης, η επιβολή πολιτικής, η προέλευση και ο έλεγχος πρέπει να είναι ενσωματωμένα στο επίπεδο πρόσβασης δεδομένων, ώστε οι πράκτορες AI να βλέπουν και να χρησιμοποιούν μόνο τα δεδομένα που είναι εξουσιοδοτημένοι να προσεγγίσουν. Με την Denodo, οι ίδιες πολιτικές διαχείρισης μπορούν να εφαρμοστούν συνεχώς σε διανεμημένες πηγές, το οποίο είναι απαραίτητο όταν το AI λειτουργεί σε υβριδικά και multi-νεφώσεις περιβάλλοντα.

Η Denodo θέτει τη λογική διαχείριση δεδομένων ως一种 τρόπο για να ενοποιήσετε την πρόσβαση σε υβριδικά και multi-νεφώσεις περιβάλλοντα χωρίς να μετακινήσετε συνεχώς δεδομένα. Όταν οι επιχειρήσεις υιοθετούν αρχιτεκτονικές AI που βασίζονται στην ανάκτηση, νομίζετε ότι οι αρχιτεκτονικές “μηδέν-αντίγραφο” ή “λογική-πρώτα” θα γίνουν η μακροπρόθεσμη κατεύθυνση για τις επιχειρηματικές AI;

Ναι. Οι αρχιτεκτονικές AI που βασίζονται στην ανάκτηση εξαρτώνται από το να λάβουν τα σωστά δεδομένα στο σωστό χρόνο, και όχι απαραίτητα να μετακινήσουν κάθε σύνολο δεδομένων σε μια seule αποθήκη πριν. Μια λογική-πρώτα, μηδέν-αντίγραφο προσέγγιση είναι πολύ καλύτερα ευθυγραμμισμένη με τον τρόπο που οι επιχειρήσεις λειτουργούν στην πραγματικότητα: τα δεδομένα παραμένουν διανεμημένα, αλλά το AI μπορεί να τα προσεγγίσει μέσω ενός διαχειριζόμενου, σημασιολογικού, πραγματικού χρόνου επιπέδου. Αυτή είναι η κατεύθυνση που πιστεύω ότι η επιχειρηματική AI πρέπει να πάρει.

Μακροπρόθεσμα, τα επόμενα 3-5 χρόνια, τι νομίζετε ότι θα ξεχωρίσει τις οργανώσεις που θα επιτύχουν την λειτουργία αξιόπιστων AI από αυτές που θα παραμείνουν στο στάδιο πειραματισμού;

Οι νικητές θα είναι οι οργανισμοί που αναγνωρίζουν ότι το AI δεν είναι μόνο μια στρατηγική μοντέλου, αλλά και μια στρατηγική δεδομένων, μια στρατηγική διαχείρισης και μια στρατηγική λειτουργικού μοντέλου. Θα επενδύσουν σε ζωντανούς δεδομένα, σημασιολογική συν nhấtότητα, επαναχρησιμοποιήσιμη διαχείριση, και αρχιτεκτονικές που μπορούν να καλύψουν ολόκληρη την επιχείρηση. Αυτοί που θα συνεχίσουν να χτίζουν απομονωμένα πειράματα σε θραυσμένα ή παλιά δεδομένα θα δυσκολευτούν να ξεπεράσουν το στάδιο πειραματισμού.

Ευχαριστώ για τη μεγάλη συνέντευξη, οι αναγνώστες που θέλουν να μάθουν περισσότερα μπορούν να επισκεφθούν την Denodo ή να κατεβάσουν την αναφορά AI Trust Gap της Denodo