Σάθια AG, Ανώτερος Αρχιτέκτονας στο Google – Σειρά Συνεντεύξεων

Ο Sathya AG είναι ειδικός στη διάδοση νέων τεχνολογιών, συγγραφέας του βιβλίου «Enterprise-Grade Hybrid and Multi-Cloud Strategies» και Senior Principal Architect στην Google, στον τομέα Retail Strategic Industries, με πάνω από 19 χρόνια εμπειρίας στην επιχειρησιακή αρχιτεκτονική και την AI. Έχει διεθνή αναγνώριση στον κλάδο, με διακρίσεις όπως το Top AI Influencer Award και το President’s Award της Google. Είναι συγγραφέας του Enterprise-Grade Hybrid and Multi-Cloud Strategies και μέλος της συμβουλευτικής επιτροπής του CAIO Circle. Είναι Fellow της British Computer Society (FBCS), Senior Member του IEEE και απόφοιτος του προγράμματος Stanford LEAD. Συμμετέχει ως ομιλητής σε εκδηλώσεις όπως οι AI Forward, Google Next και NRF, ενώ διδάσκει εθελοντικά AI και μηχανική μάθηση σε κοινότητες με περιορισμένη πρόσβαση σε σχετικούς πόρους.

Διευκρίνιση: Οι σκέψεις και οι απόψεις που ακολουθούν είναι προσωπικές και δεν αντικατοπτρίζουν απαραίτητα τις απόψεις ή τις θέσεις του εργοδότη του ή οποιουδήποτε οργανισμού με τον οποίο συνδέεται.

Εργαστήκατε για περισσότερο από μία δεκαετία στην Oracle (ORCL ) πριν αναλάβετε ανώτερο ρόλο αρχιτεκτονικής στην Google, όπου πλέον συνεργάζεστε με μεγάλες επιχειρήσεις λιανικής. Πώς άλλαξε η αντίληψή σας για την επιχειρησιακή AI καθώς οι εταιρείες πέρασαν από παραδοσιακά έργα εκσυγχρονισμού δεδομένων σε πρωτοβουλίες παραγωγικής AI και AI με πράκτορες;

Όταν εργαζόμουν στην Oracle ως αρχιτέκτονας επιχειρησιακών συστημάτων, βασική μου προτεραιότητα ήταν η δημιουργία των θεμελιωδών, ιδιαίτερα σύνθετων συστημάτων στα οποία στηρίζονται οι οργανισμοί για τη λειτουργία τους. Αντιμετωπίζαμε μεγάλης κλίμακας προβλήματα ενοποίησης, διακυβέρνησης και διαχείρισης βασικών δεδομένων, ώστε η επιχείρηση να διαθέτει μια ενιαία, ιδιαίτερα ανθεκτική πηγή έγκυρης πληροφορίας. Ο παραδοσιακός εκσυγχρονισμός δεδομένων αφορούσε ουσιαστικά την παθητική παρατήρηση: σχεδιάζαμε σημασιολογικά επίπεδα και αγωγούς επεξεργασίας δεδομένων που παρείχαν αξιόπιστη πληροφόρηση στους ανθρώπους που λάμβαναν αποφάσεις.

Η εξέλιξη της παραγωγικής AI και της AI με πράκτορες άλλαξε εντελώς το αρχιτεκτονικό πρότυπο, από την παθητική παρατήρηση σε ένα αυτόνομο σύστημα δράσης. Πλέον το ερώτημα είναι αν μπορούμε να αφήσουμε ένα σύστημα να ενεργήσει για λογαριασμό μας, σωστά και χωρίς επίβλεψη, σε μεγάλη κλίμακα. Αυτό ανεβάζει πολύ τις απαιτήσεις για ποιότητα δεδομένων, κατανόηση του πλαισίου και έλεγχο: μια λανθασμένη παραδοχή για τα δεδομένα δεν παράγει απλώς έναν λανθασμένο πίνακα παρακολούθησης, αλλά μια λανθασμένη ενέργεια. Ένας πράκτορας που ερμηνεύει λάθος τα αποθέματα δεν παραπληροφορεί απλώς κάποιον· καταλήγει να υποβάλλει λάθος παραγγελία.

Εδώ η αυστηρή επιχειρησιακή αρχιτεκτονική γίνεται κρίσιμο θεμέλιο των συστημάτων AI. Για να κατασκευάσουμε ασφαλή αυτόνομα συστήματα, πρέπει να γεφυρώσουμε ομαλά το χάσμα ανάμεσα στα ντετερμινιστικά επιχειρησιακά συστήματα και την πιθανοτική AI. Οι συζητήσεις αρχιτεκτονικής που συντονίζω σήμερα αφορούν τη δημιουργία ενός αξιόπιστου ενοποιημένου ιστού δεδομένων, ώστε ο αυτόνομος συλλογισμός σε πραγματικό χρόνο να υπόκειται σε αυστηρή διακυβέρνηση, ισχυρή παρατηρησιμότητα και την ίδια ακεραιότητα συναλλαγών που απαιτούσαμε ανέκαθεν από τα επιχειρησιακά συστήματα.

Έχετε υποστηρίξει ότι πολλά έργα AI αποτυγχάνουν λόγω αποφάσεων για τα δεδομένα και την αρχιτεκτονική που ελήφθησαν πολύ νωρίτερα, και όχι λόγω του μοντέλου. Ποιες αρχικές αρχιτεκτονικές επιλογές υπονομεύουν συχνότερα τα έργα AI χωρίς αυτό να γίνεται αμέσως αντιληπτό;

Το συνηθέστερο που βλέπω είναι εταιρείες να αντιμετωπίζουν μια αποθήκη ή λίμνη δεδομένων ως ενιαία πηγή έγκυρης πληροφορίας, ενώ στην πράξη είναι απλώς ένας ενιαίος προορισμός. Στέλνουν τα πάντα σε ένα σημείο και θεωρούν ότι έτσι εξασφαλίζουν «μία εκδοχή της αλήθειας». Δεν λύνουν όμως το πρόβλημα· απλώς συγκεντρώνουν τις ασυμφωνίες. Αν τρία συστήματα πηγής ορίζουν διαφορετικά τον ενεργό πελάτη, η συγκέντρωσή τους σε μία αποθήκη δίνει μία λανθασμένη απάντηση αντί για τρεις.

Υπάρχει επίσης η παγίδα του σχεδιασμού αποκλειστικά για την άμεση ανάγκη. Ένας αγωγός δεδομένων ρυθμίζεται τέλεια για έναν συγκεκριμένο πίνακα παρακολούθησης και λειτουργεί εξαιρετικά. Έξι μήνες αργότερα, όμως, ένα νέο μοντέλο χρειάζεται τα ίδια δεδομένα ταχύτερα ή με συχνότερη ενημέρωση, και η λύση πρέπει να ξηλωθεί αντί να επεκταθεί.

Τέλος, η παράλειψη της ιχνηλασιμότητας των δεδομένων και των μεταδεδομένων πάντα επιστρέφει ως πρόβλημα, επειδή αρχικά μοιάζουν με πρόσθετο κόστος που κανείς δεν ζήτησε. Δεν φαίνεται να προσφέρουν όφελος μέχρι τη μέρα που κάποιος ρωτά γιατί το μοντέλο πήρε μια συγκεκριμένη απόφαση και δεν υπάρχει τρόπος να ανασυνθέσουμε την πορεία της. Τότε μια φθηνή σχεδιαστική επιλογή μετατρέπεται σε ακριβή εκ των υστέρων διόρθωση.

Όταν συνεργάζεστε με επιχειρήσεις του Fortune 500, ποια σημάδια δείχνουν ότι ένας οργανισμός είναι πραγματικά έτοιμος να επεκτείνει την AI πέρα από πιλοτικά έργα;

Ειλικρινά, συνήθως μπορώ να το διακρίνω από τις πρώτες συζητήσεις. Η διαφορά ανάμεσα σε έναν οργανισμό που πειραματίζεται και έναν που είναι έτοιμος να εντάξει την AI στη λειτουργία του σε επιχειρησιακή κλίμακα φαίνεται από ορισμένα χαρακτηριστικά σημάδια. Συνήθως εξετάζω την ετοιμότητα σε τρεις βασικές κατηγορίες: στρατηγική δέσμευση, ενσωμάτωση στην επιχείρηση και λειτουργική ωριμότητα.

Τα σημάδια πραγματικής ετοιμότητας για επέκταση είναι τα εξής:

1. Στρατηγική ευθυγράμμιση και δέσμευση της διοίκησης

Σαφής στρατηγική AI, όχι απλώς ζήλια για την AI των άλλων: Η διοίκηση έχει ουσιαστική πεποίθηση για τη στρατηγική της. Αυτό φαίνεται εύκολα με μερικές στοχευμένες ερωτήσεις για το πώς η AI συνδέεται με τους επιχειρηματικούς στόχους. Αν μπορεί να περιγράψει τη συγκεκριμένη αξία, όπως αύξηση εσόδων, βελτίωση περιθωρίων ή εμπειρίας πελάτη, αντί απλώς να θέλει να «χρησιμοποιήσει παραγωγική AI», τότε είναι έτοιμη.

Δεσμευμένη χρηματοδότηση σε επίπεδο επιχείρησης: Έχει ξεπεράσει τους απομονωμένους προϋπολογισμούς έρευνας και ανάπτυξης. Υπάρχει ειδικός προϋπολογισμός που καλύπτει διαφορετικές λειτουργίες, όχι μόνο για τα έργα AI αλλά και για διαχείριση αλλαγών, υποδομή και συνεχή λειτουργία MLOps.

2. Αντιστοίχιση προβλήματος και λύσης και ενσωμάτωση στην επιχείρηση

Επίλυση των σωστών προβλημάτων: Σοβαρό προειδοποιητικό σημάδι είναι η σύγχυση της συνηθισμένης αυτοματοποίησης ροών εργασίας ή της ρομποτικής αυτοματοποίησης διαδικασιών (RPA) με την AI και η βεβιασμένη προσθήκη AI μόνο για να παρουσιαστεί η υιοθέτησή της στο διοικητικό συμβούλιο. Οι έτοιμοι οργανισμοί κατανοούν τη διακριτή αξία της AI. Εστιάζουν σε χρήσεις που αλλάζουν ουσιαστικά τις δυνατότητές τους, αντί να προσθέτουν απλώς μια τεχνολογική ένδειξη σε μια παλιά διαδικασία.

Ανάληψη ευθύνης από τις επιχειρηματικές μονάδες: Είναι λιγότερο εμφανές σημάδι, αλλά συχνά το μεγαλύτερο εμπόδιο στην επέκταση. Αν όλος ο ενθουσιασμός περιορίζεται σε ένα απομονωμένο «εργαστήριο καινοτομίας», χωρίς ουσιαστική δέσμευση των επιχειρηματικών μονάδων, τα πιλοτικά έργα δεν θα προχωρήσουν. Πραγματική ετοιμότητα υπάρχει όταν οι υπεύθυνοι της επιχείρησης συμμετέχουν ενεργά στην ανάπτυξη της λύσης και αναλαμβάνουν το τελικό επιχειρηματικό αποτέλεσμα, αντί να παραδίδουν απλώς ένα πειραματικό πρωτότυπο στην ομάδα λειτουργίας.

3. Λειτουργική ωριμότητα και διακυβέρνηση

Συμμετοχή ασφάλειας και συμμόρφωσης από την πρώτη ημέρα: Η απουσία ομάδων ασφάλειας και διακυβέρνησης, ή η προσπάθεια απομόνωσης μιας κρίσιμης χρήσης AI από αυτές για να «κινηθούμε ταχύτερα», οδηγεί σε αποτυχία κατά την εφαρμογή. Οι ώριμοι οργανισμοί φέρνουν την ασφάλεια πληροφοριών, τη νομική υπηρεσία και τη διακυβέρνηση δεδομένων στο τραπέζι από την πρώτη ημέρα. Τις αντιμετωπίζουν ως κρίσιμους υποστηρικτές που δημιουργούν τις απαραίτητες δικλίδες για ασφαλή επέκταση, όχι ως εμπόδια.

Τελικά, οι οργανισμοί που επεκτείνουν επιτυχώς την AI την αντιμετωπίζουν ως επιχειρηματική δυνατότητα μετασχηματισμού, με την κατάλληλη διοικητική στήριξη, τις σωστές δικλίδες και ευθυγράμμιση με την επιχείρηση, και όχι ως επιστημονικό πείραμα του τμήματος πληροφορικής.

Πώς μοιάζει στην πράξη μια βάση δεδομένων έτοιμη να στηρίξει την AI, ιδίως σε επιχειρήσεις με κατακερματισμένα δεδομένα σε ERP, CRM, πλατφόρμες εμπορίου, cloud και παλαιότερα συστήματα;

Οι περισσότερες επιχειρήσεις δεν έχουν πρόβλημα όγκου δεδομένων αλλά εμπιστοσύνης στα δεδομένα. Αυτό το πρόβλημα επιδεινώνεται όταν προστίθεται AI. Το ζητούμενο δεν είναι τόσο μια εντυπωσιακή νέα πλατφόρμα όσο μερικές λιγότερο εντυπωσιακές ιδιότητες που πρέπει να ισχύουν σε όλα τα συστήματα.

Για παράδειγμα, ο ίδιος πελάτης, προϊόν ή κατάστημα πρέπει να αναγνωρίζεται ως η ίδια οντότητα, είτε βρίσκεται σε παλιό ERP, σύγχρονο CRM είτε σε πλατφόρμα εμπορίου. Αν τα συστήματα δεν συμφωνούν για την ταυτότητα του πελάτη, τα μοντέλα εξατομίκευσης και πρόβλεψης λειτουργούν με κατακερματισμένα δεδομένα και δημιουργούν πλασματική εικόνα. Δεν μπορείτε να προβλέψετε τη συνολική αξία ενός πελάτη σε βάθος χρόνου αν η AI τον αντιμετωπίζει ως τρία διαφορετικά άτομα.

Δεύτερον, η επικαιρότητα των δεδομένων πρέπει να αντιστοιχεί στην απόφαση και όχι απλώς στον προεπιλεγμένο ρυθμό του συστήματος πηγής. Οι νυχτερινές ενημερώσεις αποθέματος αρκούν για μακροπρόθεσμο σχεδιασμό, αλλά είναι άχρηστες για εκτέλεση παραγγελιών σε πραγματικό χρόνο. Μια σωστή βάση υποστηρίζει και τους δύο ρυθμούς, χωρίς να περιορίζει τα πάντα στον πιο αργό.

Τρίτον, χρειάζεται επίπεδο ιχνηλασιμότητας που επιτρέπει να απαντήσετε «από πού προήλθε αυτός ο αριθμός;» μέσα σε λεπτά και όχι ύστερα από πολυήμερη έρευνα. Οι περισσότερες επιχειρήσεις με κατακερματισμένα συστήματα δεν στερούνται δεδομένων· στερούνται του επιπέδου που κάνει τα υπάρχοντα δεδομένα αξιόπιστα και ιχνηλάσιμα. Αυτό είναι το πραγματικό θεμέλιο, όχι το εργαλείο που προστίθεται από πάνω.

Αναφέρεστε συχνά στα πέντε V των δεδομένων: Volume, Velocity, Variety, Veracity και Value, δηλαδή όγκο, ταχύτητα, ποικιλία, αξιοπιστία και αξία. Ποιο υποτιμούν περισσότερο οι ηγέτες των επιχειρήσεων όταν προετοιμάζουν δεδομένα για AI;

Την αξιοπιστία των δεδομένων, χωρίς αμφιβολία, και αμέσως μετά την αξία τους.

Ο όγκος θεωρείται δεδομένος στο σημερινό οικοσύστημα μεγάλων δεδομένων. Όλοι κατακλύζονται από δεδομένα. Η ποικιλία και η ταχύτητα εξασφαλίζουν προϋπολογισμό επειδή είναι ορατές στον οδικό χάρτη: νέες πηγές, αγωγοί επεξεργασίας και ροές πραγματικού χρόνου.

Η αξιοπιστία παραμένει αόρατη μέχρι να προκύψει κόστος. Συνήθως ένα μοντέλο παράγει προφανώς λανθασμένο αποτέλεσμα και κάποιος εντοπίζει την αιτία σε διπλές εγγραφές πελατών ή σε πεδίο που τρεις ομάδες συμπληρώνουν με τρεις διαφορετικούς τρόπους.

Η αξία υποτιμάται διαφορετικά: οι ηγέτες υποθέτουν ότι, αν υπάρχουν δεδομένα, έχουν αξία, χωρίς να ρωτούν αν επηρεάζουν πραγματικά μια απόφαση. Στις περισσότερες επιχειρήσεις μόνο ένα μικρό μέρος των δεδομένων προσφέρει ουσιαστικό έργο και κανείς δεν έχει χαρτογραφήσει ποιο είναι αυτό.

Ειδικά στη λιανική, η AI μπορεί να χρησιμοποιηθεί στην εξατομίκευση, τις προβλέψεις, τα αποθέματα, την εφοδιαστική αλυσίδα, την εξυπηρέτηση πελατών και τη λειτουργία καταστημάτων. Πού βλέπετε το μεγαλύτερο χάσμα ανάμεσα στις φιλοδοξίες και την ετοιμότητα των δεδομένων;

Οι φιλοδοξίες για AI κατανέμονται σχετικά ομοιόμορφα στη λιανική, αλλά η ετοιμότητα των δεδομένων είναι πολύ άνιση.

Η εξατομίκευση και οι προβλέψεις έχουν την πιο ικανοποιητική ετοιμότητα, καθώς οι επιχειρήσεις λιανικής συλλέγουν δεδομένα συναλλαγών και περιήγησης εδώ και χρόνια.

Το μεγαλύτερο χάσμα βρίσκεται στην εφοδιαστική αλυσίδα και την ενοποίηση των καναλιών πώλησης, ιδίως στη σύνδεση διαδικτυακών και φυσικών καταστημάτων. Η πολυκαναλική λειτουργία είναι εξαιρετικά σύνθετη, επειδή απαιτεί να λυθούν σε πραγματικό χρόνο δύο από τα δυσκολότερα προβλήματα δεδομένων: η ενιαία ταυτότητα πελάτη και η δυναμική διαχείριση αποθέματος. Οι περισσότερες επιχειρήσεις έχουν εικόνα αποθεμάτων ηλεκτρονικού εμπορίου σε πραγματικό χρόνο, αλλά μόνο περιοδική εικόνα των αποθεμάτων κάθε φυσικού καταστήματος, ορισμένες φορές στο τέλος της ημέρας.

Η εξυπηρέτηση πελατών και η λειτουργία καταστημάτων βρίσκονται ακόμη σε πρώιμο στάδιο. Οι φιλοδοξίες είναι υψηλές, αλλά τα υποκείμενα λειτουργικά δεδομένα, όπως στελέχωση, ολοκλήρωση εργασιών και πραγματικές συνθήκες στα καταστήματα, είναι συχνά το λιγότερο ψηφιοποιημένο τμήμα της επιχείρησης. Οι φιλοδοξίες είναι εξίσου μεγάλες σε αυτές τις χρήσεις· η ετοιμότητα δεν είναι.

Πώς μπορούν οι εταιρείες να εκσυγχρονίσουν παλαιότερες υποδομές δεδομένων χωρίς να διαταράξουν τα κρίσιμα συστήματα από τα οποία εξακολουθεί να εξαρτάται καθημερινά η επιχείρηση;

Οι παλαιότερες πλατφόρμες δεδομένων συχνά παρουσιάζουν λειτουργικά σημεία συμφόρησης, σοβαρά προβλήματα ποιότητας δεδομένων και περιορισμούς στην οργανωσιακή επέκταση. Ο αποτελεσματικότερος τρόπος προστασίας της καθημερινής λειτουργίας κατά τον εκσυγχρονισμό είναι να αποφεύγεται αυστηρά η εφάπαξ, υψηλού κινδύνου μετάβαση των πάντων. Πρωταρχικός στόχος πρέπει να είναι τα δεδομένα να γίνουν αποδεδειγμένα πιο χρήσιμα στη λήψη αποφάσεων, και όχι η προσπάθεια να αντιμετωπίζεται ως απλή αλλαγή πλατφόρμας πληροφορικής.

Για την εποχή της AI, οι οργανισμοί πρέπει να υιοθετήσουν αρχιτεκτονική δεδομένων medallion και data mesh. Η στρατηγική αυτή δημιουργεί έναν δομημένο αγωγό, όπου τα δεδομένα βελτιώνονται σταδιακά από ακατέργαστα σε έτοιμα για επιχειρηματική χρήση, αποτρέποντας τη χρήση δεδομένων χαμηλής ποιότητας στη λήψη αποφάσεων. Ο διαχωρισμός σε διακριτά λογικά επίπεδα εξασφαλίζει σαφή ιχνηλασιμότητα και διευκολύνει την παρακολούθηση του μετασχηματισμού της πληροφορίας από την πηγή μέχρι τον προορισμό.

Με τη συσκευασία επαληθευμένων δεδομένων σε προσβάσιμα προϊόντα δεδομένων, οι οργανισμοί επιτρέπουν στις ομάδες τους να λαμβάνουν στρατηγικές αποφάσεις βάσει στοιχείων αντί διαίσθησης. Κυρίως, αυτή η προσέγγιση δημιουργεί την εμπιστοσύνη στα δεδομένα που απαιτεί η επιχειρησιακή AI. Η ανάπτυξη πρακτόρων AI πάνω σε επιμελημένα προϊόντα δεδομένων εξασφαλίζει ότι τα μοντέλα μαθαίνουν από ασφαλείς, ακριβείς πληροφορίες αντί από ακατάστατα, ανεξέλεγκτα σύνολα δεδομένων.

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

Όλα κινούνται ταχύτερα, παρουσιάζουν λιγότερες αστοχίες και επεκτείνονται καλύτερα. Λόγω της πιθανοτικής φύσης της παραγωγικής AI, η διακυβέρνηση είναι εξαιρετικά κρίσιμη, αλλά παραμένει η πιο παραμελημένη πτυχή σε πολλούς οργανισμούς.

Όταν αυτά τα στοιχεία αντιμετωπίζονται ως αρχιτεκτονικές απαιτήσεις από την πρώτη ημέρα και όχι ως κατάλογος ελέγχου της τελευταίας στιγμής, περνάτε από τον περιορισμό ζημιών στην ταχύτητα. Οι αλλαγές είναι οι εξής:

Πρώτον, αποφεύγετε την επώδυνη φάση πλήρους αντικατάστασης, όπου ολοκληρωμένα έργα AI απορρίπτονται επειδή παραβιάζουν πρότυπα συμμόρφωσης ή ιδιωτικότητας.

Στη συνέχεια, η ασφάλεια και η ποιότητα δεδομένων δεν προστίθενται ως πρόχειρα επιθέματα, αλλά ενσωματώνονται στον αγωγό επεξεργασίας. Τα μοντέλα λειτουργούν με αξιόπιστα δεδομένα και παράγουν αποτελέσματα που εμπιστεύονται πραγματικά η διοίκηση και οι χρήστες.

Τέλος, αντί να προσκρούετε σε κανονιστικό εμπόδιο κατά τη μετάβαση από το πειραματικό πρωτότυπο στην παραγωγή, η διαδρομή προς την εφαρμογή είναι ήδη προετοιμασμένη και αυτοματοποιημένη.

Με λίγα λόγια, η διακυβέρνηση δεν είναι φρένο στην καινοτομία· είναι το σύστημα διεύθυνσης που σας επιτρέπει να κινείστε γρήγορα με ασφάλεια.

Ως σύμβουλος του CAIO Circle, πώς πιστεύετε ότι πρέπει να εξελιχθεί ο ρόλος του Chief AI Officer και πού αρχίζουν και τελειώνουν οι ευθύνες του σε σχέση με τον CIO, τον CDO και τους επικεφαλής των επιχειρηματικών μονάδων;

Η συμμετοχή μου στο CAIO Circle μού έχει δώσει ιδιαίτερα χρήσιμη εικόνα, επειδή σήμερα ο ρόλος διαφέρει πολύ από επιχείρηση σε επιχείρηση. Πολλές τον δημιούργησαν αντιδραστικά, λόγω του ενθουσιασμού γύρω από την παραγωγική AI, και όχι για να καλύψουν ένα σαφές λειτουργικό κενό. Πιστεύω ότι αυτό θα ξεκαθαρίσει γρήγορα, όπως πρέπει. Για αποτελεσματική λειτουργία, η κατανομή ευθυνών στη διοίκηση χρειάζεται να είναι σαφής:

Ο CIO έχει την ευθύνη της υποδομής και της αξιοπιστίας συστημάτων. Ο CDO έχει την ευθύνη των δεδομένων ως επιχειρησιακού περιουσιακού στοιχείου: ποιότητα, διακυβέρνηση και προσβασιμότητα. Ο CAIO έχει την ευθύνη της μετατροπής των τεχνολογικών δυνατοτήτων της AI σε πραγματικά επιχειρηματικά αποτελέσματα.

Αυτό σημαίνει ρητή ανάληψη ευθύνης για το χαρτοφυλάκιο AI: τι θα αναπτυχθεί, ποιοι τομείς της επιχείρησης μπορούν να βελτιωθούν και να εξυπηρετηθούν καλύτερα από την AI και τελική αρμοδιότητα για το πού πρέπει ή δεν πρέπει να εφαρμοστεί.

Το μεγαλύτερο κενό στις περισσότερες επιχειρήσεις σήμερα είναι η αξιολόγηση κινδύνου και αξίας μεταξύ ανταγωνιστικών επιχειρηματικών μονάδων. Για να σταματήσει μια πρωτοβουλία AI υψηλού κινδύνου που επιθυμεί έντονα μια μονάδα, χρειάζεται κάποιος του οποίου τα κίνητρα δεν συνδέονται με τους βραχυπρόθεσμους στόχους της και ο οποίος διαθέτει αρκετή τεχνική κατάρτιση για να αξιολογήσει άμεσα τον κίνδυνο. Αυτός ο ανεξάρτητος, τεχνικά καταρτισμένος υπεύθυνος ελέγχου είναι ακριβώς αυτό που πρέπει να γίνει ο CAIO.

Κοιτάζοντας μπροστά, τι θα ξεχωρίσει τις εταιρείες που αποκτούν διατηρήσιμο πλεονέκτημα από την AI από όσες απλώς πειραματίζονται με τα πιο πρόσφατα εργαλεία;

Δεν θα είναι η πρόσβαση στα καλύτερα μοντέλα. Οι δυνατότητες των μοντέλων συγκλίνουν γρήγορα και η τεχνολογία από μόνη της δεν θα αποτελεί διαρκές στοιχείο διαφοροποίησης.

Αντίθετα, το βασικό κριτήριο μακροπρόθεσμης επιτυχίας της AI, είτε εσωτερικά είτε σε εφαρμογές προς πελάτες, συνοψίζεται σε ένα πράγμα: εμπιστοσύνη.

Η εμπιστοσύνη είναι ευθέως ανάλογη της ικανότητας ενός οργανισμού να δημιουργήσει θεμέλια έτοιμα για AI και ένα περιβάλλον όπου οι νέες δυνατότητες δοκιμάζονται, εφαρμόζονται με ασφάλεια και επεκτείνονται γρήγορα. Συγκεκριμένα, αυτό απαιτεί τρία πράγματα:

Αξιόπιστη βάση δεδομένων: Καθαρά, αξιόπιστα δεδομένα, ώστε κάθε νέα χρήση να μην απαιτεί ένα τεράστιο, ξεχωριστό έργο καθαρισμού.

Ευέλικτη διακυβέρνηση: Διαδικασίες κινδύνου και συμμόρφωσης αρκετά γρήγορες ώστε να συμβαδίζουν με την εξέλιξη των υποκείμενων μοντέλων.

Δείκτες προσανατολισμένους στα αποτελέσματα: Οργανωσιακή κουλτούρα που αξιολογεί την AI βάσει επιχειρηματικής αξίας και όχι τεχνολογικής πολυπλοκότητας.

Οι εταιρείες που θα βρίσκονται ακόμη σε «πειραματική λειτουργία» σε τρία χρόνια θα είναι όσες δεν δημιούργησαν ποτέ αυτά τα θεμέλια. Θα συνεχίζουν να ξαναμαθαίνουν τα ίδια μαθήματα για δεδομένα και διακυβέρνηση σε κάθε έργο AI.

Οι νικητές με διατηρήσιμο πλεονέκτημα θα είναι εκείνοι για τους οποίους η δέκατη χρήση AI είναι πολύ φθηνότερη και ταχύτερη στην εφαρμογή από την πρώτη, επειδή τα θεμέλια χτίστηκαν σωστά εξαρχής.

Ευχαριστούμε για την ενδιαφέρουσα συνέντευξη. Οι αναγνώστες μπορούν επίσης να διαβάσουν το βιβλίο του Enterprise-Grade Hybrid and Multi-Cloud Strategies.