Dominic Sartorio, Denodon tuotejohtamisen varapuheenjohtaja – Haastattelusarja

Dominic Sartorio on Denodon tuotejohtamisen varapuheenjohtaja. Dominicilla on yli 20 vuoden kokemus datahallinnan ja -johtamisen markkinoilla, ja hän on toiminut useissa tuote- ja markkinointijohtamistehtävissä Informaticalla, Protegrityllä ja muilla johtavilla toimijoilla.

Denodo on maailmanlaajuinen datahallinnan johtaja, joka mahdollistaa luotettavien tekoälyagenttien ja -sovellusten kehittämisen. Denodon alusta, palkittu looginen datahallintaratkaisu, muuttaa yritysten dataa luotettaviksi näkymiksi tekoälylle, analytiikalle ja itsepalveluhankkeille. Yritykset ympäri maailmaa käyttävät Denodoa luotettavan, liiketoimintavalmiin datan toimittamiseen lyhyessä ajassa verrattuna perinteisiin data-jaotaloihin, saavuttaen jopa 4-kertaisen nopeamman ajan näkymään, 345 %:n tuoton ja 10-kertaisen suorituskyvyn. Denodon tekoälyluottamusrakon raportin mukaan, joka perustuu 850 yritysjohtajan kokemuksiin, moni tekoälyprojekti kamppailee siirtymisessä koepiloteista tuotantoon ja mitä yritysten on tehtävä luotettavan, tuotantovalmiin tekoälyn rakentamiseksi.

Olet toiminut useissa johtavissa tehtävissä Informaticalla, Protegrityllä, Infoworksilla ja nyt Denodolla, kaikki eri tasoilla yritysten data-infrastruktuurissa. Miten näkemyksesi “luotetusta datasta” on kehittynyt, kun tekoäly on siirtynyt analytiikasta autonomisiin ja agenteille?

Aikaisemmin urallani luotettava data oli pääasiassa tarkkuutta, polkua, turvallisuutta ja antoi analyytikoille luottamusta raportteihin ja taulukoihin. Autonomisella tekoälyllä panokset ovat paljon korkeammat, koska järjestelmät eivät vain tulkkaa dataa, vaan ne voivat toimia itsenäisesti, laukaista liiketoimintaprosesseja tai tehdä päätöksiä, joilla on todellinen vaikutus. Tämä tarkoittaa, että luotettava data on nyt sisällyttävä myös live-tilannekuvaa, johdonmukaista liiketoimintakontekstia ja turvallisuutta, jotta voidaan olla varmoja, että agentit toimivat oikein ja turvallisesti.

Denodon tekoälyluottamusrakon raportti osoittaa, että 66 %:lla yrityksistä on tekoälyn datan oltava reaaliaikainen tai lähes reaaliaikainen ollakseen luotettava. Miksi luulet, että moni yritys kamppailee edelleen toimittamassa live-tilannekuvaa tekoälyjärjestelmille?

Useimmat yritykset eivät ole suunniteltu tekoälyagenttien tarpeisiin, jotka tarvitsevat live-tilannekuvaa useista järjestelmistä. Heidän data on levittynyt sovelluksiin, pilviin, varastoihin, järviin, perinteisiin järjestelmiin ja muihin operatiivisiin alustoihin. He saattavat kopioida tätä dataa keskusvarastoon tai datajärveen analytiikkaa ja liiketoimintatiedotuksia varten, mutta tämä ei sovellu tekoälyagentteihin, jotka tarvitsevat live-tilannekuvaa. Kun data on kopioidu, se ei ole enää live. On mahdollista lukea dataa reaaliajassa, mutta se tulee hyvin kalliiksi hyvin nopeasti. Tässä Denodon looginen datahallintamenetelmä tulee tärkeäksi, koska se antaa tekoälyjärjestelmille hallitun pääsyn live-dataan ilman, että yritysten on kopioida ja uudelleenmuodostettava kaikkea jatkuvasti.

Raportin yksi hämmästyttävimmistä löydöksistä on, että yritysten tekoälyhankkeet nyt käyttävät satoja data-lähteitä, ja jotkut yritykset pääsevät yli 1 000 lähteeseen. Miten tämä tasolla oleva fragmentaatio muuttaa sitä, miten yritysten on tarkasteltava tekoälyarkkitehtuuria?

Tällä tasolla fragmentaatiota ei voida riippua fyysisestä konsolidoinnista kaikesta lähteestä ennen kuin tekoäly voi käyttää sitä. Yritysten on tarvittaessa abstraktiotaso, joka voi löytää, integroida, hallita ja toimittaa dataa jakautuneessa todellisuudessa, jota he jo omistavat. Mielestäni data-arkkitehtuuri on muuttunut loogisemmaksi, metadata-ohjatuksi ja semanttiseksi, jotta agentit voivat löytää oikean datan kontekstissa ilman, että ne ovat tiiviisti kytkettyjä perustuvien järjestelmien kanssa.

Raportti väittää, että monet tekoälyepäonnistumiset ovat itse asiassa “data-arkkitehtuuri-epäonnistumisia” eikä mallin epäonnistumisia. Luuletko, että teollisuus on viettänyt liian paljon aikaa mallien parissa ja aliarvioinut data-infrastruktuurin merkitystä?

Kyllä. Mallit ovat tärkeitä, mutta monet epäonnistuneet tekoälyprojektit eivät epäonnistu, koska malli on kykenemätön; ne epäonnistuvat, koska malli toimii epätäydellisen, vanhenneen, epäjohdonmukaisen tai huonosti hallitun datan kanssa. Malli toimi hyvin koepilottina, jossa käytettiin hyvin määriteltyä ja kuratoitua datajoukkoa, mutta kun se otettiin käyttöön “oikeassa maailmassa” sen jakautuneella sekavuudella, tekoäly epäonnistui tuottamasta luotettavia tuloksia. Kokemukseni on, että yritykset saavuttavat parempia tekoälytuloksia, kun ne kohdeltavat datakerrosta ensisijaisena osana tekoälyarkkitehtuuria, eikä jälkitoimintana.

Denodo puhuu usein semanttisen johdonmukaisuuden ja yleisen semanttisen kerroksen merkityksestä. Kun tekoälyagentit alkavat tehdä päätöksiä itsenäisesti, kuinka kriittistä semanttinen johdonmukaistus on estääkseen väärät toimet tai “hallusinoidun” liiketoimintalogiikan?

Semanttinen johdonmukaistus on absoluuttisen kriittinen. Jos järjestelmä määrittelee “asiakkaan”, “liikevaihdon”, “riskin” tai “katoamisen” toisin kuin toinen järjestelmä, tekoälyagentti voi tuottaa teknisesti uskottavan vastauksen, joka on silti väärä liiketoimintakontekstissa. Yleinen semanttinen kerros auttaa varmistamaan, että agentit toimivat johdonmukaisella liiketoimintamerkityksellä, eikä pelkästään raakadatan pääsyllä.

AI & Big Data Expo -sessiosi keskittyi siirtymiseen tekoälykoepiloteista tuotantoon. Kokemuksesi perusteella, mitkä ovat suurimmat syyt, miksi yritykset jäävät “pilottivaiheeseen” eivätkä pysty skaalaamaan tekoälyä todellisiksi operatiivisiksi järjestelmiksi?

Koepilotit toimivat usein, koska ne ovat kapeat, manuaalisesti kuratoitujat ja eristetyt yrityksen täydellisestä monimutkaisuudesta. Tuotantotekoäly on pakko selviytyä live-datan kanssa useista lähteistä, turvallisuudesta, hallinnasta, suorituskyvystä, auditoinnista, muuttuvista liiketoimintasäännöistä ja integraatiosta todellisiin työnkulkuihin. Monet yritykset jäävät jumiin, koska ne rakentavat vaikuttavan demon, mutta eivät hallittua data-perustaa, jota tarvitaan tekoälyn luotettavaan toimintaan skaalattavasti.

Raportti mainitsee, että merkittävä osa agenteista tekoälyprojekteja voidaan perua seuraavien vuosien aikana kasvavien kustannusten, epäselvän arvon tai riittämättömien riskienhallintatoimien vuoksi. Luuletko, että teollisuus on siirtymässä vaiheeseen, jossa yritykset tulevat olemaan paljon valikoivampia siitä, mitkä tekoälyprojektit selviävät?

Kyllä, ja luulen, että se on terveellistä. Ensimmäinen aalto tekoälykokeiluja oli mahdollisuuksien etsintää; seuraava aalto on operatiivinen arvo, kustannuskurin ja luottamus. Selviävät projektit ovat niitä, jotka ovat kytketty mittaavissa liiketoimintatuloksiin ja tuettu oikealla datalla, hallinnalla ja arkkitehtuurilla.

Turva ja hallinta näkyvät koko raportissa toistuvina teemoina, erityisesti “turvallisuuden” yhteydessä agenteille tekoälylle. Miten yritysten on tasapainotettava autonomisen tekoälyn kykyjen kanssa tiukkojen pääsyoikeuksien ja auditoinnin tarpeen?

Avain on, ettei hallintaa kohdella jossakin vaiheessa tekoälyjärjestelmän jälkeen. Pääsyoikeuksien, käytäntöjen, polkujen ja auditoinnin on oltava upotettuna itse data-pääsykerrokseen, jotta tekoälyagentit näkevät ja käyttävät vain sitä dataa, johon heillä on valtuudet päästä käsiksi. Denodon kanssa samat hallintapolitiikat voidaan soveltaa johdonmukaisesti jakautuneisiin lähteisiin, mikä on välttämätöntä, kun tekoäly toimii hybridien ja monipilvisympäristöjen yli.

Denodo esittää loogista datahallintaa yhtenä tavan, jolla voidaan yhdistää pääsy hybridien ja monipilvisympäristöjen yli ilman, että dataa on jatkuvasti siirrettävä. Kun yritykset omaksuvat yhä enemmän hakupohjaisia tekoälyarkkitehtuureja, luuletko, että “zerokopio”- tai loogisesti ensisijaiset arkkitehtuurit tulevat olemaan pitkän aikavälin suuntaus yritysten tekoälylle?

Kyllä. Hakupohjainen tekoäly riippuu oikean datan saamisesta oikeaan aikaan, eikä välttämättä siirtää kaikkia datajoukkoja yhteen varastoon etukäteen. Loogisesti ensisijainen, zerokopio-approksi on paljon paremmin sopiva sille, miten yritykset tosiasiassa toimivat: data pysyy jakautuneena, mutta tekoäly voi päästä siihen käsiksi hallitun, semanttisen, reaaliaikaisen kerroksen kautta. Se on suuntaus, johon uskon, että yritysten tekoäly on menossa.

Katsoessaan eteenpäin seuraavien kolmen viiden vuoden ajan, mitä luulet erottavan yritykset, jotka onnistuvat operationalisoida luotettavan tekoälyn, niistä, jotka jäävät kokeiluvaiheeseen?

Voittajat ovat yritykset, jotka tunnustavat, että tekoäly ei ole vain mallistrategia; se on datastrategia, hallintastrategia ja operatiivinen mallistrategia. He panostavat live-datan pääsyyn, semanttiseen johdonmukaisuuteen, uudelleenkäytettävään hallintaan ja arkkitehtuureihin, jotka voivat kattaa koko yrityksen. Ne, jotka jatkavat eristyneiden koepilottien rakentamista fragmentoiduilla tai vanhentuneilla tiedoilla, kamppailevat siirtymisessä kokeiluvaiheesta.

Kiitos haastattelusta, lukijat, jotka haluavat oppia lisää, voivat vierailla Denodossa tai ladata Denodon tekoälyluottamusrakon raportin