Dominic Sartorio, VP de Marketing de Producto en Denodo – Serie de Entrevistas

Dominic Sartorio es VP de Marketing de Producto en Denodo. Dominic tiene más de 20 años de experiencia en el mercado de gestión y gobernanza de datos, habiendo ocupado diversos puestos de liderazgo en producto y marketing en Informatica, Protegrity, entre otros proveedores líderes.

Denodo es un líder global en gestión de datos, que permite la creación de agentes y aplicaciones de inteligencia artificial confiables. La Plataforma Denodo, una solución de gestión de datos lógicos galardonada, transforma los datos empresariales en conocimientos confiables para la inteligencia artificial, el análisis y las iniciativas de autoservicio. Las organizaciones de todo el mundo utilizan Denodo para entregar datos listos para la inteligencia artificial y el negocio en una fracción del tiempo en comparación con los lagos de datos tradicionales, logrando hasta 4 veces más velocidad en la obtención de conocimientos, un retorno de la inversión del 345% y un rendimiento 10 veces mejor. Basado en conocimientos de 850 líderes empresariales, el Informe de Brecha de Confianza en la Inteligencia Artificial de Denodo revela por qué muchos proyectos de inteligencia artificial luchan por avanzar más allá de las etapas de prueba y qué deben hacer las organizaciones para construir inteligencia artificial confiable y lista para la producción.

Ha ocupado puestos de liderazgo senior en empresas como Informatica, Protegrity, Infoworks y ahora Denodo, todas enfocadas en diferentes capas de la infraestructura de datos empresariales. ¿Cómo ha evolucionado su perspectiva sobre los “datos confiables” a medida que la inteligencia artificial ha pasado de la analítica a los sistemas autónomos y agentes?

Al comienzo de mi carrera, los datos confiables se referían principalmente a la precisión, la procedencia, la seguridad y dar a los analistas la confianza en los paneles y los informes. Con los agentes de inteligencia artificial, las apuestas son mucho más altas porque los sistemas no solo interpretan los datos, sino que también pueden actuar de forma autónoma, desencadenar flujos de trabajo empresariales o tomar decisiones con un impacto real en el mundo. Eso significa que los datos confiables ahora deben incluir el contexto operativo en vivo, el significado empresarial consistente y las barreras de seguridad para que se pueda tener la confianza de que los agentes actúan correctamente y de manera segura.

El Informe de Brecha de Confianza en la Inteligencia Artificial de Denodo encontró que el 66% de las organizaciones dice que los datos de la inteligencia artificial deben ser en tiempo real o casi en tiempo real para ser confiables. ¿Por qué cree que tantas empresas aún luchan por entregar datos operativos en vivo a los sistemas de inteligencia artificial?

La mayoría de las empresas no fueron diseñadas para agentes de inteligencia artificial que necesitan una conciencia situacional en vivo a través de muchos sistemas. Sus datos están dispersos en aplicaciones, nubes, almacenes, lagos de datos, sistemas legados y otras plataformas operativas. Pueden estar copiando estos datos a un almacén central o lago de datos para análisis y BI, pero esto no es adecuado para los agentes de inteligencia artificial que necesitan una conciencia situacional en vivo. Una vez que los datos se copian, ya no están en vivo. Es posible transmitir en tiempo real, pero esto se vuelve muy costoso muy rápidamente. Es aquí donde el enfoque de gestión de datos lógicos de Denodo se vuelve importante, porque proporciona a los sistemas de inteligencia artificial un acceso gobernado a los datos en vivo sin requerir que las empresas copien y re-plataformen constantemente todo.

Una de las conclusiones más sorprendentes del informe es que las iniciativas de inteligencia artificial empresarial ahora extraen de cientos de fuentes de datos, con algunas organizaciones accediendo a más de 1.000. ¿Cómo cambia eso la forma en que las empresas deben pensar sobre la arquitectura de la inteligencia artificial?

En ese nivel de fragmentación, la arquitectura no puede depender de consolidar físicamente cada fuente antes de que la inteligencia artificial la pueda utilizar. Las empresas necesitan una capa de abstracción que pueda descubrir, integrar, gobernar y entregar datos a través de la realidad distribuida que ya tienen. En mi opinión, la arquitectura de datos debe volverse más lógica, impulsada por metadatos y semántica, para que los agentes puedan encontrar los datos correctos en contexto sin estar estrechamente acoplados a los sistemas subyacentes.

El informe argumenta que muchos fracasos de la inteligencia artificial son en realidad “fracasos de arquitectura de datos” en lugar de fallos de modelo. ¿Cree que la industria ha pasado demasiado tiempo obsesionada con los modelos mientras subestimaba la importancia de la infraestructura de datos?

Sí. Los modelos son importantes, por supuesto, pero muchos proyectos de inteligencia artificial fallidos no fallan porque el modelo es incapaz; fallan porque el modelo opera con datos incompletos, estancados, inconsistentes o mal gobernados. El modelo funcionó bien en la prueba, utilizando un conjunto de datos bien definido y curado, pero una vez desplegado en el “mundo real”, con su desorden distribuido, la inteligencia artificial falla al producir resultados confiables. Mi experiencia ha sido que las empresas obtienen mejores resultados de inteligencia artificial cuando tratan la capa de datos como una parte de primera clase de la arquitectura de inteligencia artificial, no como un pensamiento posterior.

Denodo habla con frecuencia sobre la consistencia semántica y la importancia de una capa semántica universal. A medida que los agentes de inteligencia artificial comienzan a tomar decisiones de forma autónoma, ¿cuán crítica se vuelve la alineación semántica para prevenir acciones incorrectas o lógica de negocio alucinada?

La alineación semántica se vuelve absolutamente crítica. Si un sistema define “cliente”, “ingresos”, “riesgo” o “abandono” de manera diferente a otro, un agente de inteligencia artificial puede producir una respuesta técnicamente plausible que aún es incorrecta para el contexto empresarial dado. Una capa semántica universal ayuda a garantizar que los agentes operen con un significado empresarial consistente, no solo con acceso a datos crudos.

Su sesión en la Expo de Inteligencia Artificial y Big Data se centró en pasar de las pruebas de inteligencia artificial a la producción. En su experiencia, ¿cuáles son las razones más grandes por las que las empresas se quedan atascadas en la “fase de prueba” y no logran escalar la inteligencia artificial a sistemas operativos reales?

Las pruebas a menudo funcionan porque son estrechas, curadas manualmente y aisladas de la complejidad completa de la empresa. La inteligencia artificial en producción tiene que lidiar con datos en vivo de muchas fuentes, seguridad, gobernanza, rendimiento, auditoría, reglas de negocio cambiantes e integración en flujos de trabajo reales. Muchas organizaciones se quedan atascadas porque construyen una demostración impresionante, pero no la base de datos gobernada necesaria para operar la inteligencia artificial de manera confiable a escala.

El informe cita predicciones de que un porcentaje significativo de proyectos de inteligencia artificial autónoma podrían ser cancelados en los próximos años debido a costos crecientes, valor poco claro o controles de riesgo inadecuados. ¿Cree que la industria está entrando en una fase en la que las empresas serán mucho más selectivas sobre qué proyectos de inteligencia artificial sobreviven?

Sí, y creo que eso es saludable. La primera ola de experimentación con la inteligencia artificial se centró en la posibilidad; la próxima ola se centrará en el valor operativo, la disciplina de costos y la confianza. Los proyectos que sobrevivirán serán aquellos vinculados a resultados empresariales medibles y respaldados por los datos, la gobernanza y la arquitectura adecuados.

La seguridad y la gobernanza aparecen en todo el informe como temas recurrentes, particularmente alrededor de “barreras de seguridad” para la inteligencia artificial autónoma. ¿Cómo deben las organizaciones equilibrar las capacidades autónomas de la inteligencia artificial con la necesidad de control de acceso estricto y auditoría?

La clave no es tratar la gobernanza como algo agregado después de que el sistema de inteligencia artificial esté construido. El control de acceso, la aplicación de políticas, la procedencia y la auditoría necesitan estar incrustados en la capa de acceso a datos en sí, para que los agentes de inteligencia artificial solo vean y utilicen los datos que están autorizados a acceder. Con Denodo, las mismas políticas de gobernanza pueden aplicarse consistentemente en fuentes distribuidas, lo cual es esencial cuando la inteligencia artificial opera en entornos híbridos y multi-nube.

Denodo posiciona la gestión de datos lógicos como una forma de unificar el acceso en entornos híbridos y multi-nube sin mover constantemente los datos. A medida que las empresas adoptan cada vez más arquitecturas de inteligencia artificial basadas en recuperación, ¿ve una arquitectura “sin copia” o “lógica en primer lugar” como la dirección a largo plazo para la inteligencia artificial empresarial?

Sí. La inteligencia artificial basada en recuperación depende de obtener los datos correctos en el momento correcto, no necesariamente mover cada conjunto de datos a un repositorio único con anticipación. Un enfoque “lógico en primer lugar” y “sin copia” está mucho mejor alineado con la forma en que las empresas operan en realidad: los datos permanecen distribuidos, pero la inteligencia artificial puede acceder a ellos a través de una capa gobernada, semántica y en tiempo real. Esa es la dirección en la que creo que la inteligencia artificial empresarial tiene que ir.

Mirando hacia adelante en los próximos tres a cinco años, ¿qué separará a las organizaciones que operacionalizan con éxito la inteligencia artificial confiable de aquellas que permanecen atascadas en el modo de experimentación?

Los ganadores serán las organizaciones que reconocen que la inteligencia artificial no es solo una estrategia de modelo; es una estrategia de datos, una estrategia de gobernanza y una estrategia de modelo de operación. Invertirán en el acceso a datos en vivo, la consistencia semántica, la gobernanza reutilizable, y arquitecturas que pueden abarcar toda la empresa. Aquellos que continúan construyendo pruebas aisladas en datos fragmentados o estancados lucharán por avanzar más allá de la experimentación.

Gracias por la gran entrevista, los lectores que deseen aprender más pueden visitar Denodo o descargar el Informe de Brecha de Confianza en la Inteligencia Artificial de Denodo