Sathya AG, Senior Principal Architect at Google – Haastattelusarja

Sathya AG on teknologiaevankelista, teoksen ”Enterprise-Grade Hybrid and Multi-Cloud Strategies” kirjoittaja ja Googlen vähittäiskaupan strategisten toimialojen Senior Principal Architect. Hänellä on yli 19 vuoden kokemus yritysarkkitehtuurista ja tekoälystä. Hän on kansainvälisesti tunnettu alan vaikuttaja, jolle on myönnetty Top AI Influencer Award ja Googlen President’s Award. Hän on kirjoittanut teoksen Enterprise-Grade Hybrid and Multi-Cloud Strategies ja kuuluu CAIO Circlen neuvottelukuntaan. Hän on British Computer Societyn Fellow-jäsen (FBCS), IEEE:n Senior Member sekä Stanford LEAD -ohjelman alumni. Hän on kysytty puhuja AI Forward-, Google Next- ja NRF-tapahtumissa ja opettaa vapaaehtoisena tekoälyä ja koneoppimista yhteisöissä, joilla on niukasti mahdollisuuksia päästä tällaisen opetuksen piiriin.

Huomautus: Alla esitetyt ajatukset ja mielipiteet ovat kirjoittajan omia eivätkä välttämättä edusta hänen työnantajansa tai minkään hänen taustaorganisaationsa näkemyksiä, kantoja tai mielipiteitä.

Työskentelit yli vuosikymmenen Oraclella (ORCL ) ennen siirtymistäsi Googlen johtavaan arkkitehtirooliin, jossa työskentelet nyt suurten vähittäiskauppayritysten kanssa. Miten näkemyksesi yritysten tekoälystä on muuttunut, kun yritykset ovat siirtyneet perinteisistä datan modernisointihankkeista generatiiviseen ja agenttipohjaiseen tekoälyyn?

Oracle-aikoinani yritysarkkitehtina keskityin ennen kaikkea rakentamaan monimutkaisia perusjärjestelmiä, joiden varassa organisaatiot pyörittävät liiketoimintaansa. Ratkaisimme laajoja integraatioon, hallintamalleihin ja perustietojen hallintaan liittyviä haasteita, jotta yrityksellä olisi yksi erittäin häiriönsietokykyinen ja luotettava tiedon lähde. Perinteinen datan modernisointi perustui pohjimmiltaan passiiviseen havainnointiin: suunnittelimme semanttisia kerroksia ja dataputkia, jotka tuottivat luotettavaa tietoa ihmisten päätöksenteon tueksi.

Generatiivisen ja agenttipohjaisen tekoälyn kehitys on muuttanut arkkitehtuurin lähtökohdan passiivisesta havainnoinnista itsenäisesti toimivaksi järjestelmäksi. Nyt kysymys on siitä, voimmeko antaa järjestelmän toimia puolestamme suuressa mittakaavassa — ja toimia oikein ilman valvontaa. Tämä nostaa datan laadun, kontekstin ja kontrollien vaatimukset aivan uudelle tasolle. Virheellinen oletus datasta ei enää tuota vain väärää näkymää koontinäyttöön, vaan väärän toimenpiteen. Varastotietoja väärin tulkitseva agentti ei vain anna jollekulle virheellistä tietoa, vaan päätyy tekemään väärän tilauksen.

Siksi huolellinen yritysarkkitehtuuri on tekoälyjärjestelmien välttämätön perusta. Jotta autonomisia järjestelmiä voidaan rakentaa turvallisesti, determinististen yritysjärjestelmien ja todennäköisyyksiin perustuvan tekoälyn välinen kuilu on kurottava umpeen saumattomasti. Nykyisin johtamani arkkitehtuurikeskustelut koskevat luotettavan data fabric -kokonaisuuden rakentamista: reaaliaikainen autonominen päättely on sidottava tiukkaan hallintamalliin, vahvaan havainnoitavuuteen ja samaan tapahtumien eheyteen, jota olemme aina vaatineet yritysjärjestelmiltä.

Olet sanonut, että monet tekoälyhankkeet epäonnistuvat mallin sijaan paljon aiemmin tehtyjen data- ja arkkitehtuuripäätösten vuoksi. Mitkä varhaiset arkkitehtuurivalinnat tavallisimmin heikentävät tekoälyhankkeita myöhemmin?

Yleisimmin näen yritysten kohtelevan tietovarastoa tai datajärveä yhtenä luotettavana totuuden lähteenä, vaikka se on todellisuudessa vain yksi määränpää. Kaikki data ohjataan samaan paikkaan ja oletetaan, että tämä ratkaisee yhden yhteisen totuuden ongelman. Se ei ratkaise sitä, vaan keskittää ristiriidat. Jos kolme lähdejärjestelmää määrittelee aktiivisen asiakkaan eri tavalla, niiden yhdistäminen yhteen tietovarastoon antaa yhden väärän vastauksen kolmen sijaan.

Toinen ansa on rakentaa vain juuri käsillä olevaa tarvetta varten. Dataputki viritetään täydellisesti yhtä koontinäyttöä varten ja toimii erinomaisesti. Puolen vuoden päästä uusi malli tarvitsee saman datan nopeammin tai tuoreempana, ja koko ratkaisu on purettava laajentamisen sijaan.

Yksi valinta kostautuu lähes aina: datan alkuperän jäljitettävyyden ja metatietojen sivuuttaminen, koska ne näyttävät ylimääräiseltä työltä, jota kukaan ei pyytänyt. Niiden hyöty ei näy ennen päivää, jolloin joku kysyy, miksi malli teki tietyn päätöksen, eikä syytä voida jäljittää. Silloin edullisesta suunnittelupäätöksestä tuleekin kallis korjaushanke.

Kun työskentelet Fortune 500 -yritysten kanssa, mitkä merkit kertovat, että organisaatio on todella valmis laajentamaan tekoälyn käyttöä pilotteja pidemmälle?

Rehellisesti sanottuna sen huomaa yleensä jo ensimmäisissä keskusteluissa. Tekoälyä kokeilevan organisaation ja sen yritystasoiseen käyttöön valmiin organisaation erottaa muutamasta tunnusmerkistä. Tarkastelen yleensä kolmea osa-aluetta: strategista sitoutumista, kytkentää liiketoimintaan ja toiminnallista kypsyyttä.

Todellisesta laajentamisvalmiudesta kertovat seuraavat asiat:

1. Strateginen linjaus ja johdon sitoutuminen

Selkeä tekoälystrategia, ei pelkkää tekoälykateutta: Organisaation johto on aidosti sitoutunut tekoälystrategiaansa. Tämä selviää muutamalla tarkentavalla kysymyksellä siitä, miten tekoäly liittyy liiketoiminnan tavoitteisiin. Jos johto pystyy nimeämään täsmällisen liiketoiminta-arvon — esimerkiksi liikevaihdon kasvun, kannattavuuden paranemisen tai asiakaskokemuksen — eikä vain halua ”käyttää generatiivista tekoälyä”, organisaatio on valmis.

Sitova yritystason rahoitus: Erillisistä tutkimus- ja kehitysbudjeteista on siirrytty pidemmälle. Käytössä on oma, toimintorajat ylittävä budjetti, josta rahoitetaan tekoälyhankkeiden lisäksi muutoksen johtamista, infrastruktuuria ja jatkuvaa MLOps-toimintaa.

2. Ongelman ja ratkaisun yhteensopivuus sekä kytkentä liiketoimintaan

Oikeiden ongelmien ratkaiseminen: Vakava varoitusmerkki on tavallisen työnkulkuautomaation tai ohjelmistorobotiikan (RPA) sekoittaminen tekoälyyn ja tekoälyn väkisin lisääminen vain siksi, että hallitukselle voitaisiin näyttää sen käyttöönottoa. Valmiit organisaatiot ymmärtävät tekoälyn erityisen arvon. Ne keskittyvät käyttötapauksiin, joissa tekoäly muuttaa kyvykkyyksiä olennaisesti, eivät vain lisää uutta teknologiaa vanhaan prosessiin.

Liiketoimintayksiköiden omistajuus: Tämä on huomaamattomampi merkki, mutta usein suurin laajentamisen este. Jos tekoälyinnostus rajoittuu erilliseen innovaatiolaboratorioon eivätkä varsinaiset liiketoimintayksiköt ole mukana kantamassa vastuuta, pilotit eivät lähde lentoon. Todellinen valmius näkyy siinä, että liiketoiminnan osapuolet kehittävät ratkaisua aktiivisesti yhdessä ja vastaavat lopullisesta liiketoimintatuloksesta. Ne eivät vain heitä konseptikokeilua tuotantotiimin hoidettavaksi.

3. Toiminnallinen kypsyys ja hallintamallit

Turvallisuus ja vaatimustenmukaisuus mukaan ensimmäisestä päivästä: Tietoturva- ja hallintatiimien puuttuminen tai kriittisen tekoälykäyttötapauksen eristäminen niistä ”nopeamman etenemisen” vuoksi johtaa helposti käyttöönoton epäonnistumiseen. Kypsät organisaatiot ottavat tietoturvan, juristit ja datanhallinnan mukaan heti alussa. Näitä tiimejä pidetään tärkeinä mahdollistajina, jotka rakentavat turvalliseen laajentamiseen tarvittavat suojarajat, eivät esteinä.

Tekoälyn käyttöä onnistuneesti laajentavat organisaatiot käsittelevät sitä lopulta liiketoimintaa muuttavana kykynä, jolla on oikea johdon tuki, asianmukaiset suojarajat ja selkeä yhteys liiketoimintaan — eivät IT:n tieteellisenä kokeena.

Miltä tekoälyyn valmis dataperusta todella näyttää pinnan alla, erityisesti yrityksissä, joiden tiedot ovat hajallaan ERP-, CRM-, kaupankäynti-, pilvi- ja vanhoissa järjestelmissä?

Useimpien yritysten ongelma ei ole datan määrä vaan luottamus dataan. Tekoälyn lisääminen tämän päälle pahentaa ongelmaa. Kyse ei niinkään ole hienosta uudesta alustasta kuin muutamasta arkisesta ominaisuudesta, joiden on toteuduttava järjestelmien välillä.

Sama asiakas, tuote tai myymälä on esimerkiksi tunnistettava samaksi kokonaisuudeksi riippumatta siitä, onko tieto vanhassa ERP:ssä, modernissa CRM:ssä vai kaupankäyntialustalla. Jos järjestelmät eivät ole yhtä mieltä asiakkaan henkilöllisyydestä, tekoälyn personointi- ja ennustemallit toimivat hajanaisen datan varassa ja muodostavat harhaisen kuvan. Asiakkaan elinkaariarvoa ei voi ennustaa, jos tekoäly pitää yhtä asiakasta kolmena eri ihmisenä.

Toiseksi datan tuoreuden on vastattava päätöksen tarpeita, ei vain lähdejärjestelmän oletusrytmiä. Öisin päivittyvä varastotieto sopii pitkän aikavälin suunnitteluun mutta on hyödytön reaaliaikaisessa tilausten täyttämisessä. Kunnollinen perusta tukee molempia nopeuksia pakottamatta kaikkea hitaimman rytmiin.

Kolmanneksi tarvitaan jäljitettävyyskerros, jonka avulla kysymykseen ”mistä tämä luku tuli” voi vastata minuuteissa monipäiväisen selvityksen sijaan. Hajanaisilta yrityksiltä ei yleensä puutu dataa vaan kerros, joka tekee niiden nykyisestä datasta luotettavaa ja jäljitettävää. Se on todellinen perusta, ei mikä tahansa sen päälle liitetty työkalu.

Puhut usein datan viidestä V:stä: määrästä (Volume), nopeudesta (Velocity), monimuotoisuudesta (Variety), luotettavuudesta (Veracity) ja arvosta (Value). Mitä näistä yritysjohtajat useimmiten aliarvioivat valmistellessaan dataa tekoälyä varten?

Datan luotettavuutta, ehdottomasti, ja heti sen jälkeen datan arvoa.

Määrä on nykyisessä massadatan ympäristössä itsestäänselvyys. Kaikki hukkuvat dataan. Monimuotoisuus ja nopeus saavat budjettia, koska ne näkyvät tiekartalla uusina lähteinä, dataputkina ja reaaliaikaisina syötteinä.

Luotettavuus on näkymätöntä, kunnes sen puute tulee kalliiksi. Yleensä malli tuottaa selvästi väärän tuloksen ja joku jäljittää sen päällekkäisiin asiakastietoihin tai kenttään, jonka kolme tiimiä täyttää kolmella eri tavalla.

Arvoa aliarvioidaan eri tavalla: johtajat olettavat datan olevan arvokasta vain siksi, että sitä on olemassa, kysymättä, vaikuttaako se todella johonkin päätökseen. Useimmissa yrityksissä vain pieni osa datasta tekee todellista työtä, eikä kukaan ole kartoittanut, mikä osa se on.

Vähittäiskaupassa tekoälyä voidaan käyttää personointiin, ennustamiseen, varastonhallintaan, toimitusketjuun, asiakaspalveluun ja myymälätoimintoihin. Missä näet suurimman kuilun tekoälytavoitteiden ja datavalmiuden välillä?

Tekoälytavoitteet jakautuvat melko tasaisesti koko vähittäiskauppaan, mutta datavalmius on hyvin epätasaista.

Personoinnin ja ennustamisen valmiudet ovat kohtuullisimmat, sillä kauppiaat ovat keränneet tapahtuma- ja selaustietoja vuosien ajan.

Suurempi kuilu on toimitusketjussa ja monikanavaisuudessa, erityisesti verkkokaupan ja fyysisten myymälöiden yhteydessä. Monikanavaisuus on erittäin monimutkaista, koska kauppiaan on ratkaistava reaaliajassa kaksi vaikeinta dataongelmaa: yhtenäinen asiakastunnistus ja jatkuvasti muuttuva varastotilanne. Useimmilla kauppiailla verkkokaupan varastotieto on reaaliaikaista, mutta myymäläkohtaiseen varastoon on näkyvyys vain ajoittain, joskus vasta päivän lopussa.

Asiakaspalvelu ja myymälätoiminnot ovat vielä alkuvaiheessa. Tavoitteet ovat korkealla, mutta niiden operatiivinen perusdata — henkilöstötilanne, tehtävien valmistuminen ja myymälöiden reaaliaikaiset olosuhteet — on usein liiketoiminnan vähiten digitalisoitu osa. Tavoitteet jakautuvat tasaisesti näihin käyttötapauksiin, valmiudet eivät.

Miten yritysten pitäisi uudistaa vanhaa datainfrastruktuuria häiritsemättä liiketoimintakriittisiä järjestelmiä, joista ne edelleen riippuvat päivittäin?

Vanhat data-alustat kärsivät usein toiminnallisista pullonkauloista, vakavista datan laatuongelmista ja organisaation laajentumisen rajoista. Tehokkain tapa suojata päivittäistä toimintaa uudistamisen aikana on välttää ehdottomasti yhtä suurta, korkean riskin kertasiirtymää. Modernisoinnin ensisijaisena tavoitteena pitäisi olla datan tekeminen todistettavasti hyödyllisemmäksi organisaation päätöksenteolle, ei pelkkä IT-alustan vaihto.

Tekoälyaikaa varten organisaatioiden tulisi ottaa käyttöön medallion- ja data mesh -arkkitehtuuri. Tämä luo jäsennellyn dataputken, jossa raakadata jalostuu vaiheittain liiketoimintakäyttöön sopivaksi ja huonolaatuisen datan pääsy päätöksentekoon estetään tehokkaasti. Erottamalla data loogisiin kerroksiin organisaatio luo selkeän jäljitettävyyden, jonka avulla tiedon muuntumista lähteestä määränpäähän on helppo seurata.

Kun tarkistettu data paketoidaan helposti käytettäviksi datatuotteiksi, tiimit voivat tehdä strategisia, näyttöön perustuvia päätöksiä intuition sijaan. Tämä luo yritystekoälyn tarvitseman perustan luottamukselle dataan. Tekoälyagenttien rakentaminen kuratoitujen datatuotteiden päälle varmistaa, että mallit oppivat turvallisesta ja paikkansapitävästä tiedosta eivätkä sekavista, tarkistamattomista aineistoista.

Hallintamallit lisätään usein vasta tekoälyhankkeen alettua. Mikä muuttuu, kun hallinto, yksityisyys, turvallisuus ja datan laatu ovat arkkitehtuurivaatimuksia heti ensimmäisestä päivästä?

Kaikki etenee nopeammin, rikkoutuu harvemmin ja laajenee paremmin. Generatiivisen tekoälyn todennäköisyyksiin perustuvan luonteen vuoksi hallintamalli on erittäin tärkeä, mutta silti monissa organisaatioissa kaikkein vähiten huomioitu asia.

Kun nämä asiat otetaan arkkitehtuurivaatimuksiksi heti alussa viime hetken tarkastuslistan sijaan, siirrytään vahinkojen korjaamisesta nopeaan etenemiseen. Seuraavat asiat muuttuvat:

Ensinnäkin vältetään tuskallinen purku- ja korvausvaihe, jossa valmiita tekoälyhankkeita hylätään, koska ne rikkovat vaatimustenmukaisuus- tai yksityisyysnormeja.

Toiseksi turvallisuutta ja datan laatua ei paikata ratkaisun päälle, vaan ne rakennetaan dataputkeen. Mallit toimivat luotettavalla datalla ja tuottavat tuloksia, joihin johto ja käyttäjät todella luottavat.

Lopuksi konseptikokeilusta tuotantoon siirtyminen ei törmää sääntelyseinään, koska käyttöönoton tie on jo avattu ja automatisoitu.

Hallintamalli ei siis jarruta innovointia. Se on ohjausjärjestelmä, jonka avulla voidaan ajaa nopeasti ja turvallisesti.

Miten CAIO Circlen neuvonantajana näet tekoälyjohtajan roolin kehittyvän, ja mistä sen vastuiden pitäisi alkaa ja mihin päättyä suhteessa tietohallintojohtajaan, datajohtajaan ja liiketoimintayksiköiden johtajiin?

CAIO Circle on tarjonnut tähän erittäin hyödyllisen näkymän. Rooli on nyt hyvin hajanainen, koska monet yritykset perustivat sen reaktiivisesti generatiivisen tekoälyn innostuksen vuoksi eivätkä täyttääkseen selvää toiminnallista aukkoa. Uskon tilanteen vakiintuvan nopeasti, ja niin pitääkin käydä. Tehokas toiminta edellyttää selkeää työnjakoa:

CIO vastaa infrastruktuurista ja järjestelmien luotettavuudesta. CDO vastaa datasta yrityksen omaisuutena: sen laadusta, hallinnasta ja saatavuudesta. CAIO vastaa siitä, että tekoälyn tekniset kyvyt muuttuvat todellisiksi liiketoimintatuloksiksi.

Tämä tarkoittaa selkeää vastuuta tekoälyhankkeiden kokonaisuudesta: mitä rakennetaan, mitä liiketoiminnan alueita tekoäly voi parantaa ja palvella paremmin sekä lopullista päätösvaltaa siitä, missä tekoälyä pitäisi ja ei pitäisi ottaa käyttöön.

Useimpien yritysten suurin aukko on tällä hetkellä riskin ja arvon välisten valintojen arviointi keskenään kilpailevien liiketoimintayksiköiden välillä. Yksittäisen yksikön kiihkeästi haluaman, korkean riskin tekoälyhankkeen estämiseen tarvitaan henkilö, jonka kannustimet eivät riipu kyseisen yksikön lyhyen aikavälin tavoitteista ja jonka tekninen osaaminen riittää riskin arviointiin suoraan. Juuri tällaiseksi riippumattomaksi, teknisesti asiantuntevaksi portinvartijaksi CAIO-roolin pitää kehittyä.

Mikä tulevaisuudessa erottaa pysyvää tekoälyetua saavuttavat yritykset niistä, jotka vain kokeilevat uusimpia tekoälytyökaluja?

Erottava tekijä ei ole pääsy parhaisiin malleihin. Mallien kyvykkyydet lähestyvät nopeasti toisiaan, eikä pelkkä teknologia jää pysyväksi kilpailueduksi.

Sen sijaan pitkän aikavälin tekoälymenestyksen — niin sisäisen kuin asiakkaille näkyvän — ratkaisee yksi asia: luottamus.

Luottamus on suoraan verrannollinen organisaation kykyyn rakentaa tekoälyyn valmis perusta ja ympäristö, jossa uusia kyvykkyyksiä voidaan testata, ottaa turvallisesti käyttöön ja laajentaa nopeasti. Konkreettisesti tämä edellyttää kolmea asiaa:

Luotettava dataperusta: Puhdasta ja luotettavaa dataa, jotta jokainen uusi käyttötapaus ei vaadi valtavaa erillistä siivoushanketta.

Ketterä hallintamalli: Riski- ja vaatimustenmukaisuusprosessit, jotka pysyvät mallien nopean kehityksen tahdissa.

Tuloksiin keskittyvät mittarit: Organisaatiokulttuuri, joka arvioi tekoälyä liiketoiminta-arvon eikä teknisen hienostuneisuuden perusteella.

Kolmen vuoden kuluttua kokeiluvaiheeseen juuttuneina ovat ne yritykset, jotka eivät rakentaneet tätä perustaa. Ne oppivat samat dataa ja hallintaa koskevat asiat uudelleen jokaisessa tekoälyhankkeessa.

Pysyvän kilpailuedun voittavat yritykset, joissa kymmenes tekoälykäyttötapaus on huomattavasti halvempi ja nopeampi ottaa käyttöön kuin ensimmäinen, koska perusta rakennettiin heti oikein.

Kiitos hyvästä haastattelusta. Lukijoita saattaa kiinnostaa myös hänen kirjansa Enterprise-Grade Hybrid and Multi-Cloud Strategies.