Σάθια AG, Ανώτερος Αρχιτέκτονας στο Google – Σειρά Συνεντεύξεων

Σάθια AG είναι τεχνολογικός ευαγγελιστής, εκδότης του “Enterprise-Grade Hybrid and Multi-Cloud Strategies“, και Ανώτερος Αρχιτέκτονας στο Google (Επιχειρηματικές Στρατηγικές Βιομηχανιών), με πάνω από 19 χρόνια εμπειρίας σε επιχειρηματική αρχιτεκτονική και τεχνητή νοημοσύνη. Ένας παγκόσμιος ηγέτης σκέψης που αναγνωρίζεται με το βραβείο Top AI Influencer και το βραβείο του Προέδρου της Google, είναι ο συγγραφέας του Enterprise-Grade Hybrid and Multi-Cloud Strategies και μέλος του Συμβουλευτικού Συμβουλίου για τον CAIO Circle. Είναι Μέλος του Βρετανικού Συλλόγου Πληροφορικής (FBCS), Ανώτερος Μέλος του IEEE και απόφοιτος του Stanford LEAD. Ένας αναζητούμενος ομιλητής στο AI Forward, Google Next και NRF, ο Σάθια επίσης εθελοντικά διδάσκει τεχνητή νοημοσύνη/μηχανική μάθηση σε υποαπασχολημένες κοινότητες.

Διακοσμήσεις: Οι σκέψεις που μοιράζονται παρακάτω και οι εκφραζόμενες γνώμες είναι δικές του και δεν αναπαράγουν αναγκαστικά τις απόψεις, τις θέσεις ή τις γνώμες του εργοδότη του ή οποιασδήποτε οργάνωσης με την οποία είναι συνδεδεμένος.

Πέρασα περισσότερο από μια δεκαετία στην Oracle (ORCL ) πριν μετακομίσω σε μια ανώτερη αρχιτεκτονική θέση στο Google, όπου τώρα εργάζομαι με μεγάλες εταιρείες λιανικής. Πώς έχει αλλάξει η άποψή σας για την επιχειρηματική τεχνητή νοημοσύνη καθώς οι εταιρείες μετακινούνται από παραδοσιακές έργα μοντερνισμού δεδομένων σε πρωτοβουλίες γενετικής και αγεντικής τεχνητής νοημοσύνης;

Πίσω στα χρόνια της Oracle, ως επιχειρηματικός αρχιτέκτονας, ο πυρήνας μου ήταν πάντα να χτίζω τα θεμελιώδη, πολύπλοκα συστήματα στα οποία οι οργανισμοί βασίζονται για να λειτουργήσουν την επιχείρησή τους. Λύσαμε τεράστιες προκλήσεις ενσωμάτωσης, διακυβέρνησης και διαχείρισης δεδομένων για να διασφαλίσουμε ότι η επιχείρηση είχε μια seule, υψηλής αντοχής πηγή αλήθειας. Ο παραδοσιακός μοντερνισμός δεδομένων ήταν θεμελιωδώς για παθητική παρατήρηση, σχεδιασμό σημαντικών στρωμάτων και πιπών δεδομένων που παρείχαν αξιόπιστες εντυπώσεις σε ανθρώπινους αποφασίζοντες.

Η εξέλιξη της Γενετικής και Αγεντικής Τεχνητής Νοημοσύνης έχει完全 αλλαξει τον αρχιτεκτονικό παραδειγμα από παθητική παρατήρηση σε ένα αυτόνομο σύστημα δράσης. Τώρα, το φακό έχει μετατοπιστεί σε εάν μπορούμε να αφήσουμε ένα σύστημα να thựcεί μια δράση για λογαριασμό μας (και, σωστά, χωρίς επιτήρηση), σε κλίμακα. Αυτό είναι ένα πολύ υψηλότερο εμπόδιο για την ποιότητα δεδομένων, το контέκστ και τον έλεγχο γιατί τώρα μια λάθος υπόθεση δεδομένων δεν παράγει μόνο μια λάθος πίνακα ελέγχου, παράγει μια λάθος δράση. Ένας πράκτορας που διαβάζει λανθασμένα τα δεδομένα αποθέματος δεν μόνο πληροφορεί λανθασμένα κάποιον, αλλά και τοποθετεί μια λάθος παραγγελία.

Αυτός είναι ο λόγος για τον οποίο η αυστηρή επιχειρηματική αρχιτεκτονική γίνεται κρίσιμη και θεμελιώδης για τα συστήματα τεχνητής νοημοσύνης. Για να χτίζουμε ασφαλή αυτόνομα συστήματα, πρέπει να γεφυρώσουμε ομαλά το χάσμα μεταξύ των детерμινιστικών επιχειρηματικών συστημάτων και των πιθανοτικών συστημάτων τεχνητής νοημοσύνης. Οι αρχιτεκτονικές συζητήσεις που οδηγώ τώρα είναι για το χτίσιμο ενός αξιόπιστου υφάσματος δεδομένων, διασφαλίζοντας ότι η αυτονομία σε πραγματικό χρόνο είναι δεσμευμένη από αυστηρή διακυβέρνηση, ρομποτική παρατηρησιμότητα και την ίδια συναλλακτική ακεραιότητα που έχουμε πάντα απαιτήσει από τα επιχειρηματικά συστήματα.

Έχετε υποστηρίξει ότι πολλά έργα τεχνητής νοημοσύνης αποτυγχάνουν όχι λόγω του μοντέλου, αλλά λόγω των αποφάσεων αρχιτεκτονικής και δεδομένων που λήφθηκαν πολύ νωρίτερα. Ποίες είναι οι πιο κοινές πρώιμες αρχιτεκτονικές επιλογές που σιωπηρά υπονομεύουν τα έργα τεχνητής νοημοσύνης αργότερα;

Το ένα που βλέπω πιο συχνά είναι οι εταιρείες που αντιμετωπίζουν ένα αποθήκη ή λίμνη ως την seule πηγή αλήθειας όταν στην πραγματικότητα είναι μόνο μια seule προορισμός. Πiping όλα σε ένα μέρος και υποθέτοντας ότι λύνει το πρόβλημα της “μίας εκδοχής της αλήθειας”, αλλά δεν το κάνει, αυτό μόνο κεντροποιεί τη διαμάχη. Εάν τρία συστήματα πηγής ορίζουν διαφορετικά τον ενεργό πελάτη, το να τα στείλετε όλα σε ένα αποθήκη σας δίνει μια λάθος απάντηση αντί για τρεις.

Στη συνέχεια, υπάρχει η παγίδα του χτίζματος ακριβώς για αυτό που είναι μπροστά σας. Ένας πιπές ρυθμίζεται τέλεια για ένα πίνακα ελέγχου, λειτουργεί καλά και μετά από έξι μήνες, ένα νέο μοντέλο χρειάζεται τα ίδια δεδομένα γρηγορότερα ή φρέσκα και όλο το πράγμα πρέπει να καταστραφεί αντί να επεκταθεί.

Και αυτό που πάντα επιστρέφει για να δαγκώσει τους ανθρώπους είναι το να παραλείψουν τη γραμμή και τα μεταδεδομένα γιατί φαίνεται σαν υπερβολική εργασία που κανείς δεν ζήτησε. Δεν έχει απόδοση μέχρι την ημέρα που κάποιος ρωτάει γιατί το μοντέλο έκανε μια συγκεκριμένη κλήση και δεν υπάρχει τρόπος να την ανατρέξουμε. Αυτό είναι όταν γίνεται μια ακριβή επιδιόρθωση αντί για μια φτηνή απόφαση σχεδιασμού.

Όταν εργάζεστε με εταιρείες Fortune 500, ποια σήματα σας δείχνουν εάν μια οργάνωση είναι πραγματικά έτοιμη να κλιμακώσει την τεχνητή νοημοσύνη πέρα από πιλότους;

Ειλικρινά, μπορώ συνήθως να το καταλάβω μέσα στις πρώτες συζητήσεις. Η διαφορά μεταξύ μιας οργάνωσης που πειραματίζεται με την τεχνητή νοημοσύνη και μιας που είναι έτοιμη να την λειτουργήσει σε επιχειρηματική κλίμακα έρχεται xuống σε quelques σαφείς ενδείξεις. Συνήθως ψάχνω για έτοιμότητα σε τρεις κύριες κατηγορίες: Στρατηγική Πειθαρχία, Επιχειρηματική Ολοκλήρωση και Λειτουργική Ωριμότητα.

Εδώ είναι τι σήματα την αληθινή έτοιμότητα για κλιμάκωση:

1. Στρατηγική Σύνδεση & Εκτελεστική Πειθαρχία

Μια Σαφής Στρατηγική Τεχνητής Νοημοσύνης, Όχι Απλά AI Envy: Η ηγεσία της οργάνωσης δείχνει γνήσια πειθαρχία σχετικά με τη στρατηγική τους τεχνητής νοημοσύνης. Αυτό είναι εύκολο να εντοπιστεί με το να ζητήσετε quelques οδηγούς ερωτήσεις σχετικά με τον τρόπο με τον οποίο η τεχνητή νοημοσύνη αντιστοιχεί στους επιχειρηματικούς στόχους τους. Εάν μπορούν να артикуλιруют την ακριβή επιχειρηματική αξία (π.χ. αύξηση εσόδων, βελτίωση περιθωρίου, ή εμπειρία πελάτη) αντί να θέλουν απλά να “χρησιμοποιήσουν γενετική τεχνητή νοημοσύνη”, είναι έτοιμοι.

Επιδέξιο Επιχειρηματικό Χρηματοδότηση: Έχουν μετατοπιστεί πέρα από απομονωμένα προϋπολογισμούς R&D. Υπάρχει ένας αφιερωμένος, διαλειτουργικός προϋπολογισμός που έχει ανατεθεί όχι μόνο για έργα τεχνητής νοημοσύνης, αλλά και για διαχείριση αλλαγών, υποδομής και συνεχούς MLOps.

2. Προβλήματα-Λύσεις & Επιχειρηματική Ολοκλήρωση

Λύση των Σωστών Προβλημάτων: Ένα σημαντικό κόκκινο σημάδι είναι η σύγχυση του τυπικού αυτοματισμού ροής εργασιών ή αυτοματισμού διαδικασίας (RPA) με την τεχνητή νοημοσύνη και η force-πιάνοντας της τεχνητής νοημοσύνης στην κορυφή απλά για να δείξει την υιοθέτηση τεχνητής νοημοσύνης στο διοικητικό συμβούλιο. Οι έτοιμες οργανώσεις κατανοούν την ξεχωριστή αξία της τεχνητής νοημοσύνης. Εστιάζουν σε περιπτώσεις χρήσης όπου η τεχνητή νοημοσύνη προσφέρει μια παραδειγματική αλλαγή στην ικανότητα, αντί να την τοποθετούν απλά σε μια τεχνολογική θυρίδα σε μια παραδοσιακή διαδικασία.

Ιδιοκτησία Επιχειρηματικών Μονάδων: Αυτό είναι ένα πιο ήσυχο σήμα, αλλά συχνά το μεγαλύτερο εμπόδιο για κλιμάκωση. Εάν η ενθουσιασμός της τεχνητής νοημοσύνης ζει αποκλειστικά σε ένα απομονωμένο “εργαστήριο καινοτομίας” με κανένα δέρμα στο παιχνίδι από τις πραγματικές επιχειρηματικές μονάδες, οι πιλότοι θα αποτύχουν να αναπτύξουν. Η αληθινή έτοιμότητα σηματοδοτείται όταν οι επιχειρηματικοί μετόχοι συνεργάζονται ενεργά για την ανάπτυξη της λύσης και κατέχουν το τελικό επιχειρηματικό αποτέλεσμα, αντί να ρίχνουν μια απόδειξη концепτού στον τοίχο των επιχειρήσεων.

3. Λειτουργική Ωριμότητα & Διακυβέρνηση

Ημέρα-Μία Ασφάλεια & Συμμόρφωση: Μια έλλειψη συμμετοχής από τις ομάδες ασφάλειας και διακυβέρνησης, ή η προσπάθεια να απομονώσετε μια κρίσιμη περίπτωση χρήσης της τεχνητής νοημοσύνης από αυτές για να “κινηθείτε γρηγορότερα”, είναι eine συνταγή για αποτυχία αναπτύξεως. Οι ώριμες οργανώσεις φέρνουν τις ομάδες InfoSec, νομικές και διακυβέρνησης δεδομένων στο τραπέζι από την πρώτη ημέρα. Τις θεωρούν ως κρίσιμους ενεργοποιητές που χτίζουν τις φρουρές που απαιτούνται για να κλιμακώσουν ασφαλώς, όχι ως εμπόδια.

Τελικά, οι οργανώσεις που επιτυγχάνουν να κλιμακώσουν την τεχνητή νοημοσύνη τη θεωρούν όχι ως ένα πειραματικό έργο IT, αλλά ως μια μεταμορφωτική επιχειρηματική ικανότητα με τη σωστή χορήγηση, τις σωστές φρουρές και τη σωστή επιχειρηματική ευθυγράμμιση.

Τι μοιάζει μια αληθινή βάση δεδομένων που είναι έτοιμη για την τεχνητή νοημοσύνη, ειδικά για τις επιχειρήσεις με θραυσματικά δεδομένα σε ERP, CRM, εμπόριο, cloud και legacy συστήματα;

Οι περισσότερες επιχειρήσεις δεν έχουν ένα πρόβλημα όγκου δεδομένων, αλλά ένα πρόβλημα αξιόπιστων δεδομένων. Αυτό είναι που εξαγριώνεται με την τεχνητή νοημοσύνη στην κορυφή. Δεν είναι τόσο για το να έχεις ένα καινούριο platform, αλλά για ένα χέρι από μη γламπέρ ιδιότητες που ισχύουν σε όλα τα συστήματα.

Για παράδειγμα, ο ίδιος πελάτης, προϊόν ή κατάστημα πρέπει να αναγνωρίζεται ως το ίδιο ον, ανεξάρτητα από το εάν βρίσκεται σε ένα legacy ERP, ένα σύγχρονο CRM ή ένα platform εμπορίου. Εάν τα συστήματά σας δεν μπορούν να συμφωνήσουν σε ποιος είναι ένας πελάτης, τα μοντέλα προσωποποίησης και προβλέψεως της τεχνητής νοημοσύνης σας λειτουργούν με θραυσματικά δεδομένα, με αποτέλεσμα μια φανταστική εικόνα. Δεν μπορείτε να προβλέψετε την αξία ζωής του πελάτη εάν η τεχνητή νοημοσύνη σας αντιμετωπίζει έναν πελάτη ως τρεις διαφορετικούς ανθρώπους.

Δεύτερον, η φρεσκάδα των δεδομένων που αντιστοιχεί στη λήψη αποφάσεων, όχι στην προεπιλογή του συστήματος πηγής. Οι νυχτερινές ενημερώσεις αποθέματος είναι καλές για μακροπρόθεσμες προβλέψεις και άχρηστες για την πραγματική εκπλήρωση. Μια αληθινή βάση υποστηρίζει και τις δύο ταχύτητες χωρίς να τις εξομαλύνει στην πιο αργή.

Τρίτον, ένα στρώμα γραμμής που σας επιτρέπει να απαντήσετε “πόθεν προέρχεται αυτό το νούμερο” σε λίγα λεπτά, όχι σε μια πολυήμερη έρευνα. Οι περισσότερες θραυσματικές επιχειρήσεις δεν είναι短 σε δεδομένα, αλλά σε ένα στρώμα που κάνει τα δεδομένα που ήδη έχουν αξιόπιστα και αναζητήσιμα. Αυτή είναι η αληθινή βάση, όχι το εργαλείο που κολλάει στην κορυφή.

Συχνά συζητάτε τα 5 V των δεδομένων: Όγκος, Ταχύτητα, Ποικιλία, Αξιοπιστία και Αξία. Ποιο από αυτά τα στοιχεία οι ηγέτες των επιχειρήσεων υποτιμούν περισσότερο όταν προετοιμάζουν δεδομένα για την τεχνητή νοημοσύνη;

Η αξιοπιστία των δεδομένων, χωρίς αμφιβολία, ακολουθούμενη στενά από την αξία των δεδομένων.

Ο όγκος είναι δεδομένος στο σημερινό οικοσύστημα μεγάλων δεδομένων. Όλοι πνίγονται στα δεδομένα. Η ποικιλία και η ταχύτητα λαμβάνουν προϋπολογισμό γιατί είναι ορατές σε μια οδική χάρτα – νέες πηγές, πιπές και πραγματικές ροές.

Η αξιοπιστία είναι αόρατη μέχρι να κοστίσει κάτι – συνήθως ένα μοντέλο παράγει μια σαφώς λάθος έξοδο, και κάποιος το αναζητά πίσω σε διπλά αρχεία πελάτη ή ένα πεδίο που τρεις ομάδες συμπληρώνουν τρεις διαφορετικούς τρόπους.

Τέλος, η αξία υποτιμάται διαφορετικά – οι ηγέτες υποθέτουν ότι εάν τα δεδομένα υπάρχουν, έχουν αξία, χωρίς να ρωτούν εάν στην πραγματικότητα μετακινούν μια απόφαση. Οι περισσότερες επιχειρήσεις έχουν ένα μικρό τμήμα των δεδομένων που κάνουν πραγματικά δουλειά και κανείς δεν έχει χαρτογραφήσει ποιο τμήμα είναι αυτό.

Στη λιανική ειδικά, οι περιπτώσεις χρήσης της τεχνητής νοημοσύνης μπορούν να εκτείνουν την προσωποποίηση, προβλέψη, αποθέμα, αλυσίδα εφοδιασμού, εξυπηρέτηση πελατών και επιχειρήσεις καταστημάτων. Πού βλέπετε το μεγαλύτερο χάσμα μεταξύ της φιλοδοξίας της τεχνητής νοημοσύνης και της ετοιμότητας δεδομένων;

Ενώ η φιλοδοξία της τεχνητής νοημοσύνης είναι ισομερώς κατανεμημένη στη λιανική, η ετοιμότητα δεδομένων είναι πολύ ασύμμετρη.

Η προσωποποίηση και η προβλέψη έχουν την πιο λογική ετοιμότητα – οι λιανοπωλητές έχουν συλλέξει δεδομένα συναλλαγών και περιήγησης για χρόνια.

Το μεγαλύτερο χάσμα είναι η αλυσίδα εφοδιασμού και η ολοκληρωμένη πώληση, ειδικά η σύνδεση μεταξύ online και φυσικών καταστημάτων. Η ολοκληρωμένη πώληση είναι εξαιρετικά σύνθετη γιατί αναγκάζει einen λιανοπωλητή να λύσει δύο από τα πιο δύσκολα προβλήματα δεδομένων σε πραγματικό χρόνο: την ενοποιημένη ταυτότητα πελάτη και τη ρευστή αποθήκη. Οι περισσότεροι λιανοπωλητές έχουν πραγματική αποθήκη ηλεκτρονικού εμπορίου, αλλά μόνο περιστασιακή, μερικές φορές την ημέρα, ορατότητα στο επίπεδο αποθέματος του καταστήματος.

Η εξυπηρέτηση πελατών και οι επιχειρήσεις καταστημάτων είναι ακόμη σε πρώιμα στάδια. Η φιλοδοξία είναι υψηλή, αλλά τα υποκείμενα λειτουργικά δεδομένα, δηλαδή η στελέχωση, η ολοκλήρωση εργασιών, οι πραγματικές συνθήκες του καταστήματος, είναι συχνά το λιγότερο ψηφιοποιημένο μέρος της επιχείρησης. Η φιλοδοξία είναι ισομερώς κατανεμημένη σε αυτές τις περιπτώσεις χρήσης. Η ετοιμότητα δεν είναι.

Πώς πρέπει οι εταιρείες να μοντερνοποιήσουν την κληρονομική υποδομή δεδομένων χωρίς να διαταράσσουν τις κρίσιμες συστήματα που η επιχείρηση εξακολουθεί να εξαρτάται από αυτά κάθε μέρα;

Οι κληρονομικές πλατφόρμες δεδομένων συχνά υποφέρουν από λειτουργικές συμφράξεις, σοβαρά προβλήματα ποιότητας δεδομένων και οργανωσιακές οριακές περιορισμοί. Ο πιο αποτελεσματικός τρόπος για να προστατεύσετε την καθημερινή λειτουργία κατά τη διάρκεια μιας διαδικασίας μοντερνοποίησης είναι να αποφύγετε μια seule, υψηλού κινδύνου μετανάστευση. Ο πρωταρχικός στόχος της μοντερνοποίησης της πλατφόρμας δεδομένων πρέπει να είναι το να κάνει τα δεδομένα πιο χρήσιμα για την οργανωσιακή λήψη αποφάσεων, αντί να την αντιμετωπίζει ως μια καθαρή ανταλλαγή πλατφόρμας IT.

Για να ανταποκριθούν στην εποχή της τεχνητής νοημοσύνης, οι οργανώσεις πρέπει να υιοθετήσουν μια αρχιτεκτονική δεδομένων και μια αρχιτεκτονική πλέγματος δεδομένων. Αυτή η στρατηγική δημιουργεί μια δομημένη πιπή όπου τα δεδομένα βελτιώνονται σταδιακά από ακατέργαστα σε επιχειρηματικά έτοιμα, αποτρέποντας αποτελεσματικά τα κακά δεδομένα από τη λήψη αποφάσεων. Διαχωρίζοντας τα δεδομένα σε ξεχωριστές λογικές στρώσεις, οι οργανώσεις καθιερώνουν σαφή προέλευση, καθιστώντας εύκολη την ανάκληση πώς η πληροφορία μετατρέπεται από πηγή σε προορισμό.

Συμπαγαλίζοντας τα επιβεβαιωμένα δεδομένα σε προσιτά προϊόντα, οι οργανώσεις ενδυναμώνουν τις ομάδες τους να λαμβάνουν στρατηγικές, βασισμένες σε αποδείξεις αποφάσεις αντί να βασίζονται στην直觉. Κρίσιμο, αυτή η προσέγγιση καθιερώνει τα θεμέλια της αξιόπιστης βάσης δεδομένων που απαιτείται για την επιχειρηματική τεχνητή νοημοσύνη. Χτίζοντας πράκτορες τεχνητής νοημοσύνης στην κορυφή των προϊόντων δεδομένων, διασφαλίζεται ότι τα μοντέλα μαθαίνουν από ασφαλή, ακριβή πληροφορίες αντί για ακατάστατα, μη ελεγμένα σύνολα δεδομένων.

Η διακυβέρνηση συχνά προστίθεται μετά από ένα έργο τεχνητής νοημοσύνης που έχει ήδη ξεκινήσει. Τι αλλάζει όταν η διακυβέρνηση, η ιδιωτικότητα, η ασφάλεια και η ποιότητα δεδομένων αντιμετωπίζονται ως αρχιτεκτονικές απαιτήσεις από την πρώτη ημέρα;

Όλα κινούνται γρηγορότερα, σπάζουν λιγότερο και κλιμακώνονται καλύτερα. Με την πιθανοτική φύση της γενετικής τεχνητής νοημοσύνης, η διακυβέρνηση είναι εξαιρετικά κρίσιμη αλλά και το πιο παραμελημένο στοιχείο σε πολλές οργανώσεις.

Όταν αντιμετωπίζετε αυτά τα στοιχεία ως αρχιτεκτονικές απαιτήσεις από την πρώτη ημέρα αντί για μια τελευταία λίστα ελέγχου, μετατοπίζετε από τον έλεγχο ζημιών στην ταχύτητα. Εδώ είναι τι αλλάζει:

Πρώτον, αποφεύγετε τη đauenouσά φάση “rip-and-replace” όπου ολοκληρωμένα έργα τεχνητής νοημοσύνης απορρίπτονται γιατί παραβιάζουν πρότυπα συμμόρφωσης ή ιδιωτικότητας.

Επόμενο, η ασφάλεια και η ποιότητα δεδομένων δεν είναι επικολλημένες στην κορυφή. Είναι ενσωματωμένες στην πιπή. Τα μοντέλα σας τρέχουν σε αξιόπιστα δεδομένα, παράγοντας εξόδους που η ηγεσία και οι χρήστες πραγματικά εμπιστεύονται.

Τέλος, αντί να χτυπάτε έναν τοίχο συμμόρφωσης όταν μεταφέρετε από απόδειξη концепτού σε παραγωγή, ο δρόμος για την ανάπτυξη είναι ήδη καθαρός και αυτοματοποιημένος.

Σύντομα, η διακυβέρνηση δεν είναι ένα φρένο στην καινοτομία, αλλά το σύστημα διεύθυνσης που σας επιτρέπει να οδηγείτε γρήγορα με ασφάλεια.

Ως σύμβουλος του CAIO Circle, πώς νομίζετε ότι ο ρόλος του Chief AI Officer πρέπει να εξελιχθεί και πού πρέπει να αρχίσουν και να τελειώσουν οι ευθύνες του σε σχέση με τον CIO, τον CDO και τους ηγέτες των επιχειρηματικών μονάδων;

Το να είμαι μέρος του CAIO Circle ήταν πραγματικά χρήσιμο παράθυρο σε αυτό, γιατί τώρα ο ρόλος είναι παντού γιατί πολλές επιχειρήσεις τον δημιούργησαν αντιδραστικά, ως απάντηση στην υποστήριξη της γενετικής τεχνητής νοημοσύνης, αντί να γεμίζουν μια σαφή λειτουργική lacuna. Πιστεύω ότι αυτό θα καθιερωθεί γρήγορα και πρέπει να το κάνει. Για να λειτουργήσει αποτελεσματικά, η εκτελεστική διάρθρωση πρέπει να είναι σαφής:

Ο CIO κατέχει την υποδομή και την αξιοπιστία του συστήματος. Ο CDO κατέχει τα δεδομένα ως επιχειρηματικό περιουσιακό στοιχείο (ποιότητα, διακυβέρνηση και προσβασιμότητα). Ο CAIO κατέχει το στρώμα μετάφρασης μεταξύ της ακατέργαστης ικανότητας της τεχνητής νοημοσύνης και των πραγματικών επιχειρηματικών αποτελεσμάτων.

Αυτό το στρώμα μετάφρασης σημαίνει την λήψη σαφούς ιδιοκτησίας του χαρτοφυλακίου της τεχνητής νοημοσύνης, την καθορισμό του τι να χτιστεί, την αναγνώριση των περιοχών της επιχείρησης που μπορούν να βελτιωθούν και να εξυπηρετηθούν καλύτερα μέσω της τεχνολογίας της τεχνητής νοημοσύνης και την εξουσία για να αποφασίσει πού πρέπει να αναπτυχθεί η τεχνητή νοημοσύνη και πού όχι.

Το μεγαλύτερο χάσμα στις περισσότερες επιχειρήσεις σήμερα είναι η αξιολόγηση των κινδύνων και των ανταλλαγών αξίας μεταξύ ανταγωνιστικών επιχειρηματικών μονάδων. Το μπλοκάρισμα μιας υψηλού κινδύνου πρωτοβουλίας της τεχνητής νοημοσύνης που μια επιχειρηματική μονάδα θέλει απελπιστικά απαιτεί κάποιον που οι ενθαρρύνσεις του δεν είναι συνδεδεμένες με τους βραχυπρόθεσμους στόχους της μονάδας και είναι τεχνικά αρκετά ώστε να αξιολογήσει τον κίνδυνο trực tiếp. Αυτός ο ανεξάρτητος, τεχνικά εδραιωμένος φράκτης είναι ακριβώς αυτό που ο ρόλος του CAIO πρέπει να γίνει.

Κοιτάζοντας μπροστά, τι θα διακρίνει τις εταιρείες που επιτύχουν μια ανθεκτική πλεονέκτημα της τεχνητής νοημοσύνης από αυτές που απλά πειραματίζονται με τα τελευταία εργαλεία της τεχνητής νοημοσύνης;

Δεν θα είναι αυτές που έχουν πρόσβαση στα καλύτερα μοντέλα. Η ικανότητα του μοντέλου συγκλίνει γρήγορα και η сырой τεχνολογία δεν θα παραμείνει ένας διαρκής διαφοροποιητής.

Αντίθετα, ο πυρήνας του διαρκούς επιτυχίας της τεχνητής νοημοσύνης – είτε εσωτερικά είτε προς τους πελάτες – έρχεται xuống σε ένα πράγμα: Εμπιστοσύνη.

Η εμπιστοσύνη είναι άμεσα ανάλογη της ικανότητας μιας οργάνωσης να χτίσει μια αξιόπιστη βάση και ένα περιβάλλον όπου οι νέες ικανότητες μπορούν να δοκιμαστούν, να αναπτυχθούν ασφαλώς και να κλιμακωθούν με ταχύτητα. Συγκεκριμένα, αυτό απαιτεί τρία πράγματα:

Μια Αξιόπιστη Βάση Δεδομένων: Καθαρά, αξιόπιστα δεδομένα ώστε κάθε νέα περίπτωση χρήσης να μην απαιτεί ένα τεράστιο, μοναδικό έργο καθαρισμού.

Αγίλη Διακυβέρνηση: Διαδικασίες κινδύνου και συμμόρφωσης που κινούνται αρκετά γρήγορα για να跟πουν τον τρόπο με τον οποίο εξελίσσονται τα υποκείμενα μοντέλα.

Μετρήσεις Αποτελεσμάτων: Μια οργανωσιακή κουλτούρα που μετρά την τεχνητή νοημοσύνη με επιχειρηματική αξία, όχι τεχνική σοφία.

Οι εταιρείες που θα παραμείνουν στην “πειραματική λειτουργία” τρία χρόνια από τώρα θα είναι αυτές που δεν χτίσανε ποτέ αυτή τη βάση – θα συνεχίσουν να μαθαίνουν τις ίδιες μαθήματα δεδομένων και διακυβέρνησης σε κάθε έργο της τεχνητής νοημοσύνης.

Οι νικητές με μια ανθεκτική πλεονέκτημα θα είναι αυτοί όπου η δέκατη περίπτωση χρήσης της τεχνητής νοημοσύνης γίνεται δραματικά φθηνότερη και ταχύτερη να αναπτυχθεί από την πρώτη, γιατί η βάση χτίστηκε σωστά την πρώτη φορά.

Ευχαριστώ για τη μεγάλη συνέντευξη, οι αναγνώστες μπορεί επίσης να θέλουν να διαβάσουν το βιβλίο του Enterprise-Grade Hybrid and Multi-Cloud Strategies.