Ian Leysen, Διευθύνων Σύμβουλος και Συνιδρυτής της Datadobi – Σειρά Συνεντεύξεων

Ian Leysen, Διευθύνων Σύμβουλος και Συνιδρυτής της Datadobi, είναι εκτελεστικός τεχνολογίας με περισσότερα από τρεις δεκαετίες εμπειρίας στη μηχανική λογισμικού, τη διασφάλιση ποιότητας και τη διαχείριση επιχειρησιακών δεδομένων. Συνέθεσε τη Datadobi το 2009 μετά από οκτώ χρόνια στην EMC ως Ανώτερος Διευθυντής Διασφάλισης Ποιότητας, μετά από ηγετικούς ρόλους στη Mediagenix και τη Wave Research. Σε όλη του την καριέρα, ο Leysen εστίασε έντονα στην οικοδόμηση οργανώσεων υψηλής ποιότητας μηχανικής λογισμικού, δημιουργώντας τρεις ομάδες διασφάλισης ποιότητας από το μηδέν. Στη Datadobi, επιβλέπει μια εταιρεία που εστιάζει στη βοήθεια μεγάλων επιχειρήσεων να διαχειρίζονται, να κυβερνούν, να μετακινούν και να προστατεύουν τα αδόμητα δεδομένα σε περιβάλλοντα on‑premises, cloud και υβριδικά. Η εταιρεία έχει εξελιχθεί πέρα από τις ρίζες της στη μαζική μεταφορά δεδομένων, προσφέροντας το StorageMAP, μια ανεξάρτητη από προμηθευτές πλατφόρμα σχεδιασμένη να παρέχει στις οργανώσεις μεγαλύτερη ορατότητα και έλεγχο πάνω σε σύνθετα αδόμητα δεδομένα, συμπεριλαμβανομένης της προετοιμασίας των επιχειρησιακών δεδομένων για πρωτοβουλίες AI.

Datadobi βοηθά τις επιχειρήσεις να αποκτήσουν μεγαλύτερη ορατότητα και έλεγχο πάνω σε ταχύτατα αυξανόμενους όγκους αδόμητων δεδομένων. Το λογισμικό της μπορεί να σαρώσει δισεκατομμύρια αρχεία για να εντοπίσει ξεπερασμένα δεδομένα, διπλότυπα, κενά ιδιοκτησίας και πιθανούς κινδύνους, ενώ εφαρμόζει ετικέτες μεταδεδομένων και ταξινόμησης που υποστηρίζουν τη διακυβέρνηση και αυτοματοποιημένες πολιτικές αρχειοθέτησης, διαγραφής και διατήρησης. Αυτό έχει γίνει όλο και πιο σημαντικό καθώς οι οργανισμοί προετοιμάζουν τα επιχειρησιακά δεδομένα για γενετική AI, όπου ανεπαρκώς κατανοητές ή παρωχημένες πληροφορίες μπορούν να δημιουργήσουν θόρυβο, προβλήματα συμμόρφωσης και κινδύνους ασφαλείας. Η Datadobi επίσης επιτρέπει στις εταιρείες να εντοπίζουν πιθανά πολύτιμα σύνολα δεδομένων, να τα οργανώνουν για επόμενη χρήση και να μεταφέρουν επιλεγμένες πληροφορίες σε λίμνες δεδομένων ή lakehouses, διατηρώντας την ανιχνευσιμότητα και τη διακυβέρνηση. Η πλατφόρμα παρέχει επίσης πληροφορίες για το κόστος αποθήκευσης και το αποτύπωμα άνθρακα, βοηθώντας τις οργανώσεις να λαμβάνουν πιο ενημερωμένες αποφάσεις για το ποια δεδομένα να διατηρήσουν και πού πρέπει να αποθηκευτούν.

Πέρασες οκτώ χρόνια ηγούμενος τη διασφάλιση ποιότητας στην EMC πριν συνιδρύσεις τη Datadobi το 2010. Τι είδες σε μεγάλης κλίμακας αποθηκευτικά και δεδομένα περιβάλλοντα που σε έπεισε ότι υπήρχε ανάγκη για μια εταιρεία, και πώς έχει εξελιχθεί αυτή η αρχική όραση καθώς τα αδόμητα δεδομένα γίνονται ολοένα και πιο σημαντικά για την AI;

Στην EMC, παρακολουθούσα χρόνια τις επιχειρήσεις να επενδύουν βαριά σε υποδομές αποθήκευσης ενώ δεν είχαν σχεδόν καμία ορατότητα στο τι πραγματικά αποθηκεύεται. Ήμασταν εξαιρετικοί στο να βοηθάμε τους πελάτες να αποθηκεύουν και να προστατεύουν δεδομένα, αλλά κανείς δεν έθετε το πιο δύσκολο ερώτημα: τι είναι αυτά τα δεδομένα, ποιος τα κατέχει, χρειάζονται τα ακόμη, και ποια είναι η αξία τους; Αυτό το χάσμα μεταξύ της δυνατότητας της υποδομής και της κατανόησης των δεδομένων ήταν η ευκαιρία. Ξεκινήσαμε τη Datadobi για να βοηθήσουμε τις οργανώσεις να μετακινούν και να διαχειρίζονται τα αδόμητα δεδομένα έξυπνα, όχι απλώς να τα μεταφέρουν από έναν πίνακα σε έναν άλλο.

Αυτό που έχει αλλάξει είναι το βάρος. Πριν από δεκαπέντε χρόνια, ένας μη διαχειριζόμενος κοινόχρηστος φάκελος ήταν ένα ζήτημα κόστους και συμμόρφωσης. Σήμερα, ο ίδιος μη διαχειριζόμενος φάκελος είναι μια υποχρέωση τη στιγμή που κάποιος στρέφει ένα μοντέλο AI ή έναν πράκτορα προς αυτόν. Τα αδόμητα δεδομένα έχουν μετατραπεί από κάτι που οι οργανισμοί αποθηκεύουν σε κάτι που καθορίζει αν οι πρωτοβουλίες AI τους θα πετύχουν ή θα αποτύχουν. Η αρχική μας ιδέα, ότι η υποδομή αποθήκευσης από μόνη της δεν μπορεί να σας πει τι σημαίνουν τα δεδομένα σας για την επιχείρηση, δεν έχει αλλάξει. Απλώς έχει γίνει επείγουσα με τρόπο που δεν είχε συμβεί ποτέ πριν.

Έχεις υποστηρίξει ότι η γενετική AI δεν δημιούργησε το πρόβλημα των επιχειρησιακών δεδομένων, αλλά αντίθετα αποκάλυψε και επιτάχυνε προβλήματα που υπήρχαν για δεκαετίες. Ποιες είναι οι μεγαλύτερες αδυναμίες που η AI αποκαλύπτει τώρα στον τρόπο που οι οργανισμοί διαχειρίζονταν ιστορικά τα δεδομένα τους;

Οι οργανισμοί έχουν δυσκολευτεί να κατανοήσουν τα επιχειρησιακά τους δεδομένα για δεκαετίες. Η AI δεν δημιούργησε αυτή τη δυσκολία, απλώς αφαίρεσε τα μέρη όπου κρυβόταν. Όταν τα δεδομένα έμειναν ήσυχα σε έναν κοινόχρηστο φάκελο ή σε ένα αρχείο, κανείς δεν έπρεπε να απαντήσει για το τι περιείχε. Τη στιγμή που στρέφεις ένα μεγάλο μοντέλο γλώσσας ή μια αλυσίδα RAG σε αυτά, κάθε αδυναμία γίνεται ορατή και συνεπακόλουθη.

Η μεγαλύτερη πρόκληση είναι ότι οι περισσότερες οργανώσεις διαχειρίζονται την αποθήκευση, όχι τα δεδομένα. Ξέρουν πού βρίσκονται οι όγκοι και τα buckets τους, αλλά όχι τι υπάρχει μέσα: ποια αρχεία είναι ξεπερασμένα, ποια περιέχουν ευαίσθητες ή ρυθμιζόμενες πληροφορίες, ποια είναι διπλότυπα δεκάδες φορές σε όλο το περιβάλλον, και ποιος έχει πραγματικά πρόσβαση. Η AI επίσης αποκαλύπτει πόσο κατακερματισμένη έχει γίνει η ιδιοκτησία. Τα δεδομένα συσσωρεύονται σε συστήματα on‑premises, πολλαπλά σύννεφα και αποθετήρια SaaS, και κανείς δεν κατέχει το πλήρες σύνολο. Δεν είναι νέα προβλήματα. Η AI απλώς έκανε το κόστος της αγνόησής τους άμεσο και ορατό.

Οι οργανισμοί συχνά εστιάζουν τις επενδύσεις AI τους σε πιο ισχυρά μοντέλα, GPUs και υποδομές. Γιατί δεν μπορεί περισσότερη υπολογιστική ισχύ ή αποθήκευση να λύσει ένα υποκείμενο πρόβλημα ετοιμότητας δεδομένων, και πού θα πρέπει οι επιχειρήσεις να επενδύσουν αντ’ αυτού;

Περισσότερη υπολογιστική ισχύς κάνει μια κακή απάντηση να φτάσει πιο γρήγορα. Δεν την κάνει ακριβή, ασφαλή ή συμμορφωμένη. Τα GPUs και η υποδομή αποθήκευσης εκτελούν αποφάσεις που δεν λαμβάνουν. Αν τροφοδοτήσεις ένα ισχυρό μοντέλο με ξεπερασμένα, διπλότυπα, λανθασμένα εξουσιοδοτημένα ή ευαίσθητα δεδομένα, θα πάρεις ένα ισχυρό μοντέλο που παράγει αναξιόπιστες ή επικίνδυνες εξόδους σε κλίμακα, και το κάνει γρήγορα.

Πιστεύουμε ότι η αγορά έφτασε σε ένα σημαντικό σημείο καμπής: ιστορικά, οι οργανισμοί βελτιστοποιούσαν την αποθήκευση· όλο και περισσότερο, χρειάζεται να βελτιστοποιήσουν τα δεδομένα. Αυτό σημαίνει επένδυση στην πειθαρχία που βρίσκεται πάνω από το επίπεδο της υποδομής, τη δυνατότητα να βλέπεις όλο το σύνολο των δεδομένων σου, να καταλαβαίνεις τι είναι κάθε κομμάτι δεδομένων και ποιος είναι υπεύθυνος για αυτό, να αποφασίζεις τι πρέπει να διατηρηθεί, να μετακινηθεί, να αρχειοθετηθεί ή να διαγραφεί, και στη συνέχεια να εκτελείς αυτή την απόφαση με συνέπεια. Η δαπάνη σε υποδομές χωρίς αυτή την πειθαρχία σημαίνει απλώς ότι οι οργανισμοί μπορούν να κάνουν το λάθος πιο γρήγορα.

Αυτό είναι ακριβώς το πρόβλημα που η πλατφόρμα διαχείρισης αδόμητων δεδομένων μας σχεδιάστηκε να λύσει. Παρέχει στις οργανώσεις μια ενιαία προβολή σε αποθηκευτικό χώρο on‑premises, cloud και SaaS, ταξινομεί τα δεδομένα με ετικέτες και ανάλυση μεταδεδομένων ώστε οι ομάδες να βλέπουν τι είναι πλεονασματικό, ξεπερασμένο ή πραγματικά πολύτιμο, και στη συνέχεια εκτελεί αποφάσεις, μετακινώντας, αρχειοθετώντας ή διαγράφοντας δεδομένα, μέσω ροών εργασίας που βασίζονται σε πολιτικές και λειτουργούν συνεχώς αντί για ένα εφάπαξ έργο. Αυτός ο συνδυασμός ορατότητας, ταξινόμησης και συνεπούς εκτέλεσης είναι αυτό που μετατρέπει το «έχουμε πολλά δεδομένα» σε «γνωρίζουμε ακριβώς τι έχουμε και τι πρέπει να κάνουμε με αυτά».

Η φράση «δεδομένα έτοιμα για AI» έχει γίνει κοινή στη βιομηχανία. Από την οπτική σου, τι καθιστά πραγματικά τα αδόμητα δεδομένα έτοιμα για AI, και ποια κριτήρια πρέπει να χρησιμοποιούν οι οργανισμοί πριν επιτρέψουν τα δεδομένα σε γενετική AI, σε pipeline ανάκτησης-ενισχυμένης δημιουργίας (RAG) ή σε εκπαιδευτική διαδικασία;

Τα δεδομένα έτοιμα για AI είναι δεδομένα που μια οργάνωση έχει ήδη επικυρώσει, όχι απλώς δεδομένα που κατέχει. Στην πράξη, αυτό σημαίνει ότι η οργάνωση μπορεί να απαντήσει με σιγουριά σε μια σειρά ερωτήσεων πριν αυτά τα δεδομένα φτάσουν ποτέ σε μοντέλο ή pipeline: Είναι αυτά τα δεδομένα ακριβή και ενημερωμένα, ή έχουν παραμείνει αμετάβλητα για χρόνια; Είναι διπλότυπα κάπου αλλού με τρόπο που θα παραμορφώσει ή θα αντιφάσκει τα αποτελέσματα; Περιέχουν ευαίσθητες, ρυθμιζόμενες ή προσωπικές πληροφορίες που δεν πρέπει να εκτεθούν; Ποιος έχει άδεια πρόσβασης και ανταποκρίνεται αυτό ακόμη σε αυτόν που θα έπρεπε; Προσθέτουν πραγματικά επιχειρηματική αξία στην περίπτωση χρήσης, ή είναι θόρυβος;

Χωρίς απαντήσεις σε αυτές τις ερωτήσεις, η τροφοδοσία δεδομένων σε γενετική AI ή pipeline RAG σημαίνει απλώς τη μεταφορά του προβλήματος διακυβέρνησής σας προς τα κάτω, σε ένα σύστημα που είναι πολύ καλύτερο στο να αποκαλύπτει ό,τι βρίσκει από ό,τι ήταν ποτέ οι κοινόχρηστοι φάκελοί σας. Η ετοιμότητα για AI είναι μια πειθαρχία δεδομενοδυναμικής, όχι ένα κουτάκι ελέγχου που εφαρμόζεις μία φορά πριν ξεκινήσει ένα έργο.

Οι επιχειρήσεις μπορούν να έχουν δισεκατομμύρια αρχεία διασκορπισμένα σε υποδομές on‑premises, πολλαπλά σύννεφα, αρχεία και επιχειρησιακές μονάδες. Πώς μπορούν να προσδιορίσουν ποια δεδομένα περιέχουν ουσιαστική επιχειρηματική αξία και ποια είναι πλεονασματικά, ξεπερασμένα, ασήμαντα ή απλώς θόρυβος που θα μπορούσε να μειώσει την απόδοση της AI;

Σε αυτήν την κλίμακα, κανείς δεν μπορεί να απαντήσει σε αυτήν την ερώτηση αρχείο προς αρχείο, και η χειροκίνητη αξιολόγηση δεν είναι βιώσιμη στρατηγική. Οι οργανισμοί χρειάζονται πρώτα ορατότητα σε όλο το επίπεδο της επιχείρησης: μια ενιαία, ακριβής προβολή σε αποθετήρια on‑premises, cloud και SaaS, επειδή δεν μπορείς να λάβεις απόφαση για δεδομένα που δεν βλέπεις. Από εκεί, πρόκειται για την εφαρμογή δεδομενοδυναμικής για την ταξινόμηση του τι υπάρχει πραγματικά στο περιβάλλον, ώστε τα ROT (πλεονασματικά, ξεπερασμένα και ασήμαντα) δεδομένα να εντοπίζονται και να διαχωρίζονται από τα δεδομένα που πραγματικά φέρουν επιχειρηματική αξία.

Εδώ η πειθαρχία πρέπει να προχωρήσει πέρα από την απλή ορατότητα. Η παρατήρηση των δεδομένων σας είναι απαραίτητη αλλά όχι επαρκής. Οι οργανισμοί πρέπει να προχωρήσουν στην κατανόηση του τι είναι και τι σημαίνει αυτό το δεδομένο, να αποφασίσουν τι πρέπει να γίνει με αυτό — να το διατηρήσουν, να το μετακινήσουν, να το αρχειοθετήσουν, να το διαγράψουν ή να το χρησιμοποιήσουν για την AI — και στη συνέχεια να εκτελέσουν αυτήν την απόφαση με συνέπεια σε δισεκατομμύρια αντικείμενα. Η παράλειψη του βήματος από ορατότητα σε εισαγωγή στην AI είναι ακριβώς ο τρόπος με τον οποίο ο θόρυβος υποβαθμίζει την απόδοση του μοντέλου και πώς τα πραγματικά πολύτιμα δεδομένα θάβονται σε αυτόν.

Η ασφάλεια και η διακυβέρνηση γίνονται ιδιαίτερα σημαντικές όταν τα συστήματα AI μπορούν να αποκαλύψουν πληροφορίες που προηγουμένως ήταν δύσκολο για τους υπαλλήλους να εντοπίσουν. Πώς πρέπει οι οργανισμοί να αξιολογούν τα δικαιώματα πρόσβασης, τις ευαίσθητες πληροφορίες, την ιδιοκτησία και τον κανονιστικό κίνδυνο πριν εκθέσουν τα επιχειρησιακά δεδομένα σε συστήματα AI;

Αυτή είναι μία από τις περιοχές όπου η AI άλλαξε περισσότερο τον υπολογισμό του κινδύνου. Ένα αρχείο με υπερβολικά ή ξεπερασμένα δικαιώματα πρόσβασης ήταν παλαιότερα μια θεωρητική έκθεση, επειδή στην πραγματικότητα, κάποιος θα έπρεπε να γνωρίζει ότι υπάρχει και να το ψάξει. Ένα σύστημα AI με ευρεία πρόσβαση μπορεί να αποκαλύψει αυτό το ίδιο αρχείο σε οποιονδήποτε θέσει τη σωστή ερώτηση, άμεσα. Η αορατότητα δεν ήταν ποτέ πραγματικός έλεγχος, αλλά η AI αφαίρεσε το τελευταίο κομμάτι προστασίας που παρεμπιπτόντως παρείχε.

Πριν εκτεθεί οποιοδήποτε δεδομένο σε σύστημα AI, οι οργανισμοί χρειάζονται μια σαφή εικόνα του ποιος έχει πρόσβαση σε αυτό και αν αυτή η πρόσβαση εξακολουθεί να είναι λογική, τι ευαίσθητες ή ρυθμιζόμενες πληροφορίες περιέχει, ποιος το κατέχει και είναι υπεύθυνος γι’ αυτό, και ποιες κανονιστικές υποχρεώσεις το αφορούν — όπως η κατοικία δεδομένων, η διατήρηση και οι απαιτήσεις απορρήτου. Αυτή η αξιολόγηση δεν μπορεί να είναι μια εφάπαξ επιθεώρηση πριν την έναρξη. Τα επιχειρησιακά δεδομένα αλλάζουν συνεχώς, έτσι τα δικαιώματα, η ιδιοκτησία και ο κίνδυνος πρέπει να ελέγχονται σε συνεχή βάση, όχι μόνο τη στιγμή που ένα έργο AI τίθεται σε λειτουργία.

Η Datadobi προωθεί τη μετατόπιση της συζήτησης από τη διαχείριση της υποδομής αποθήκευσης στη διαχείριση των δεδομένων ως επιχειρηματικό περιουσιακό στοιχείο. Πώς φαίνεται αυτή η μετάβαση στην πράξη και πώς αλλάζει τη σχέση μεταξύ των ομάδων IT, των ομάδων δεδομένων, των ηγετών ασφαλείας και των επιχειρησιακών μονάδων;

Στην πράξη, σημαίνει ότι η συζήτηση δεν αφορά πλέον την χωρητικότητα, την ταξινόμηση ή τη διαθεσιμότητα, αλλά τα αποτελέσματα: μείωση κόστους, μείωση κινδύνου, συμμόρφωση με κανονισμούς και δυνατότητα AI. Αυτά θεωρούνταν ξεχωριστές πρωτοβουλίες, η κάθε μία με τα δικά της εργαλεία και ιδιοκτήτες. Πιστεύουμε ότι αυτή η άποψη γίνεται ολοένα και πιο ξεπερασμένη. Όλα εξαρτώνται από την κατανόηση των ίδιων υποκείμενων επιχειρησιακών δεδομένων, και αυτό που χρειάζεται είναι ένα νέο λειτουργικό μοντέλο εστιασμένο στα δεδομένα που τα συνδέει, αντί να αντιμετωπίζει κάθε πρωτοβουλία σαν να εξαρτάται από ξεχωριστό, απομονωμένο σύστημα. Η πλατφόρμα μας είναι ο τρόπος με τον οποίο υλοποιούμε αυτό το λειτουργικό μοντέλο.

Αυτό φυσικά αλλάζει το ποιος βρίσκεται στο δωμάτιο. Η IT δεν είναι πλέον ο μοναδικός ιδιοκτήτης της συζήτησης, επειδή οι αποφάσεις για το ποια δεδομένα να διατηρηθούν, να μετακινηθούν ή να εκτεθούν στην AI είναι επιχειρηματικές αποφάσεις, ενημερωμένες από τη δεδομενοδυναμική, όχι αποφάσεις υποδομής. Οι ηγέτες ασφαλείας και συμμόρφωσης χρειάζονται ορατότητα στο ίδιο τοπίο δεδομένων που διαχειρίζεται η IT. Οι επιχειρησιακές μονάδες χρειάζονται φωνή στο τι δεδομένα πραγματικά επηρεάζουν τα αποτελέσματά τους. Η διαχείριση δεδομένων δεν αποτελεί πλέον λειτουργία back‑office IT, αλλά γίνεται μια κοινή πειθαρχία λειτουργίας με την IT, την ασφάλεια και την επιχείρηση να λαμβάνουν αποφάσεις βασισμένες στις ίδιες πληροφορίες.

Μία πρόκληση με την επιχειρησιακή AI είναι ότι τα δεδομένα αλλάζουν συνεχώς. Μπορεί η ετοιμότητα για AI να επιτευχθεί μία φορά, ή απαιτεί μια συνεχή διαδικασία για την ανακάλυψη, την ταξινόμηση, τη διακυβέρνηση, την αρχειοθέτηση και τη μετακίνηση των δεδομένων καθώς εξελίσσονται;

Είναι συνεχής, τελειωμένο. Τα επιχειρησιακά δεδομένα αλλάζουν συνεχώς, δημιουργούνται νέα αρχεία, τα δικαιώματα μεταβάλλονται, οι υπάλληλοι εντάσσονται και αποχωρούν, οι κανονισμοί εξελίσσονται, έτσι η διαχείριση δεδομένων πρέπει να γίνει μια συνεχής λειτουργική δυνατότητα αντί για μια σειρά ανεξάρτητων έργων. Η αντιμετώπιση της ετοιμότητας για AI ως εφάπαξ καθαρισμού πριν την έναρξη ενός έργου είναι σαν να δηλώνεις ένα κτίριο ασφαλές μετά από μία μόνο επίσκεψη κλειδαρά και να μην ελέγχεις ξανά τις πόρτες.

Αυτό που χρειάζονται οι οργανισμοί είναι μια λειτουργική πειθαρχία που προχωρά συνεχώς μέσω της ορατότητας, της κατανόησης, της απόφασης και της εκτέλεσης, ανακαλύπτοντας ποια δεδομένα υπάρχουν, ταξινομώντας και κατανοώντας τα, αποφασίζοντας τι πρέπει να γίνει με αυτά και στη συνέχεια ενεργώντας σύμφωνα με αυτήν την απόφαση, επανειλημμένα. Οι οργανισμοί που υπερβαίνουν τους συναδέλφους τους θα είναι εκείνοι που μπορούν να διασχίσουν αυτόν τον κύκλο συνεχώς και σε επιχειρησιακή κλίμακα, όχι αυτοί που αντιμετωπίζουν την ετοιμότητα AI ως έργο με ημερομηνία λήξης.

Καθώς οι επιχειρήσεις υλοποιούν όλο και περισσότερο AI πράκτορες που μπορούν να αναζητούν σε συστήματα και να λαμβάνουν αυτόνομες ενέργειες, γίνεται η διαχείριση αδόμητων δεδομένων ακόμη πιο σημαντική; Ποιοι νέοι κίνδυνοι εμφανίζονται όταν ένας AI πράκτορας μπορεί να έχει πρόσβαση σε πληροφορίες διασκορπισμένες σε όλη την οργάνωση αντί να ανταποκρίνεται απλώς σε μια ερώτηση χρήστη;

Καθίσταται σημαντικά πιο σημαντικό, επειδή ένας πράκτορας αλλάζει τη φύση της έκθεσης. Ένα chatbot που απαντά σε μια ερώτηση περιορίζεται από αυτό που ένας χρήστης ρωτά και βλέπει. Ένας πράκτορας που μπορεί να αναζητήσει σε συστήματα και να ενεργήσει αυτόνομα μπορεί να διασχίσει πολύ μεγαλύτερο μέρος του περιβάλλοντος από ό,τι θα έκανε οποιοσδήποτε υπάλληλος, και μπορεί να ενεργήσει με ό,τι βρει, μετακινώντας, μοιράζοντας ή χρησιμοποιώντας δεδομένα, χωρίς απαραίτητα να ελέγχει κάθε βήμα ένας άνθρωπος.

Αυτό εισάγει κίνδυνο που υπερβαίνει την απλή ανακάλυψη. Αν ένας πράκτορας έχει πρόσβαση σε δεδομένα που δεν θα έπρεπε (απαράδεκτα δικαιώματα αρχείων, ξεπερασμένα ευαίσθητα αρχεία, πληροφορίες που έπρεπε να είχαν αρχειοθετηθεί ή διαγραφεί χρόνια πριν), μπορεί να ενεργήσει με αυτά τα δεδομένα σε ταχύτητα και κλίμακα μηχανής, όχι μόνο να τα εμφανίσει σε έναν περίεργο χρήστη. Οι οργανισμοί που υλοποιούν πράκτορες πιο επιτυχώς είναι εκείνοι που θεωρούν τη διακυβέρνηση δεδομένων προαπαιτούμενο, όχι μεταγενέστερη σκέψη, επειδή ένας πράκτορας θα εκμεταλλευτεί πιστά τα κενά που υπάρχουν στη δεδομενοδυναμική σας.

Για μια επιχείρηση που έχει συσσωρεύσει δεκαετίες αδόμητων δεδομένων και θέλει να κλιμακώσει τις AI πρωτοβουλίες της, ποια πρακτικά βήματα θα πρότεινες να γίνουν πρώτα, και ποια λάθη πρέπει να αποφύγουν οι ηγέτες όταν αρχίζουν να ελέγχουν το σύνολο των δεδομένων τους;

Ξεκινήστε με την ορατότητα. Δεν μπορείτε να λάβετε καλές αποφάσεις για δεδομένα που δεν βλέπετε, έτσι το πρώτο πρακτικό βήμα είναι η απόκτηση μιας ακριβούς, σε όλη την επιχείρηση, εικόνας του τι δεδομένα υπάρχουν σε περιβάλλοντα on‑premises, cloud και SaaS. Από εκεί, προχωρήστε στην κατανόηση, την ταξινόμηση αυτών των δεδομένων ώστε να γνωρίζετε τι είναι πολύτιμο, τι είναι ευαίσθητο και τι είναι απλώς θόρυβος, πριν προχωρήσετε σε αποφάσεις για διατήρηση, μεταφορά, αρχειοθέτηση ή διαγραφή.

Υπάρχει επίσης μια πραγματικότητα προϋπολογισμού που οι ηγέτες δεν μπορούν να αγνοήσουν. Οι περισσότεροι CIO δεν διαθέτουν ξεχωριστό, απεριόριστο προϋπολογισμό AI· εργάζονται με ένα σταθερό ποσό χρημάτων που τώρα ανταγωνίζεται την AI με όλα τα άλλα που διατηρούν τη λειτουργία της επιχείρησης. Η παρόρμηση να χρηματοδοτηθεί η AI αφαιρώντας επενδύσεις από την υπάρχουσα υποδομή είναι λανθασμένη κίνηση, επειδή αυτή η ίδια υποδομή, αποθήκευση, αγωγούς δεδομένων, διακυβέρνηση, είναι ακριβώς αυτό που η AI χρειάζεται για να πετύχει. Η πιο βιώσιμη πορεία είναι η δημιουργία περιθωρίου εντός της υπάρχουσας περιουσίας: η βελτίωση της ορατότητας και η μείωση της σπατάλης αποθήκευσης μέσω του είδους βελτιστοποίησης δεδομένων για το οποίο έχει σχεδιαστεί το StorageMAP ελευθερώνει πραγματικό προϋπολογισμό, χωρίς να αγγίζει τη χωρητικότητα που θα χρειαστούν πραγματικά οι AI πρωτοβουλίες.

Το μεγαλύτερο λάθος που βλέπω είναι οι οργανισμοί να παραλείπουν το βήμα της ορατότητας και της κατανόησης και να περνούν κατευθείαν στην εκτέλεση, στρέφοντας την AI στο σύνολο των δεδομένων τους ή ξεκινώντας ένα έργο καθαρισμού, χωρίς πρώτα να χτίσουν αυτή τη βάση. Το δεύτερο λάθος είναι η αντιμετώπιση του ως εφάπαξ πρωτοβουλίας αντί για λειτουργική δυνατότητα· τα δεδομένα συνεχίζουν να αλλάζουν, έτσι η πειθαρχία πρέπει να είναι συνεχής. Και το τρίτο είναι η άφησή του ως καθαρά τεχνική άσκηση. Οι οργανισμοί που πετυχαίνουν το αντιμετωπίζουν ως επιχειρηματική απόφαση, με IT, ασφάλεια και επιχειρησιακούς ενδιαφερόμενους εναρμονισμένους σχετικά με την αξία των δεδομένων και το τι πρέπει να γίνει με αυτά, όχι μόνο ως έργο μεταφοράς ή αποθήκευσης που ανατίθεται στην IT.

Σας ευχαριστούμε για τη σπουδαία συνέντευξη, οι αναγνώστες που θέλουν να μάθουν περισσότερα θα πρέπει να επισκεφθούν το Datadobi.