Sathya AG, Senior Principal Architect at Google – Haastattelusarja

Sathya AG on teknologiaevankelista, julkaistu kirjailija “Enterprise-Grade Hybrid and Multi-Cloud Strategies“, ja Senior Principal Architect at Google (Retail Strategic Industries), jolla on yli 19 vuoden kokemus yritysarkkitehtuurista ja AI:sta. Globaali ajattelija, joka on tunnustettu Top AI Influencer Awardilla ja Google’s President’s Awardilla, hän on kirjan Enterprise-Grade Hybrid and Multi-Cloud Strategies kirjailija ja Advisory Board Member CAIO Circlelle. Hän on Fellow of the British Computer Society (FBCS), Senior Member of IEEE, ja Stanford LEAD -alumnus. Hän on suosittu puhuja AI Forward, Google Next, ja NRF, ja Sathya vapaaehtoisesti opettaa AI/ML:ää aliarvioituille yhteisöille.

Disclaimer: Alla olevat ajatukset ja mielipiteet ovat kirjailijan omia eivätkä välttämättä heijasta hänen työnantajansa tai minkään organisaation, johon hän on liittynyt, näkemyksiä.

Olit yli vuosikymmenen ajan Oraclessa ennen siirtymistäsi senioriarkkitehdin rooliin Googleen, missä nyt työskentelet suurten vähittäiskaupan yritysten parissa. Miten yritysten näkemys yritys-AI:sta on muuttunut, kun yritykset ovat siirtyneet perinteisistä data-modernisointiprojekteista generatiiviseen AI:hin ja agenteille AI-projekteihin?

Oracen aikana, yritysarkkitehtina, keskityin aina rakentamaan perustavanlaatuisia, monimutkaisia järjestelmiä, joita organisaatiot tarvitsevat liiketoimintansa pyörittämiseen. Ratkaisimme massiivisia integraatio-, hallinto- ja Master Data Management -haasteita, jotta varmistettaisiin, että yrityksellä on yksi, erittäin luotettava totuuden lähde. Perinteinen data-modernisointi oli perustuvaa passiiviseen havainnointiin, suunnittellessamme semanttisia kerroksia ja data-pipelines, jotka toimittivat luotettavia näkemyksiä ihmisille, jotka tekevät päätöksiä.

Generatiivisen ja agenteille AI:n kehittyminen on muuttanut täysin arkkitehtuuri-paradigman passiivisesta havainnoinnista autonomiseen toimintajärjestelmään. Nyt linsssi on siirtynyt siihen, voimmeko antaa järjestelmän toimia puoleemme (ja oikein, ilman valvontaa), mittakaavassa. Se on paljon korkeampi baari data-laadulle, kontekstille ja hallinnalle, koska nyt huono data-oletus ei tuota vain väärää dashboardia, vaan myös väärää toimintaa. Agentti, joka lukee väärin varastodataa, ei vain tietäisi kellekään, vaan lopettaa myös väärän tilauksen.

Tässä on tärkeää, että yritysarkkitehtuuri on kriittinen ja perustavanlaatuisesti tärkeä AI-järjestelmiin. Turvallisten autonomisten järjestelmien rakentamiseksi meidän on yhdistettävä determinististen yritysjärjestelmien ja todennäköisyyksien AI:n välinen aukko. Arkkitehtuuri-keskustelut, joita johtan nyt, ovat luotettavan data-fabricin rakentamisesta, varmistamalla, että reaaliaikainen autonominen päättely on sidottu tiukkaan hallintoon, vahvaan havainnointiin ja samaan transaktionaaliseen eheuteen, jota olemme aina vaatineet yritysjärjestelmiltä.

Olet väittänyt, että monet AI-projektit epäonnistuvat, ei johtuen mallista, vaan datasta ja arkkitehtuuri-päätöksistä, jotka tehdään paljon aikaisemmin. Mitkä ovat yleisimmät varhaiset arkkitehtuuri-valinnat, jotka hiljaisesti heikentävät AI-projekteja myöhemmin?

Yksi asia, jota näen useimmin, on, että yritykset käsittelevät varastoa tai järveä yhtenä totuuden lähteenä, kun se on vain yksi kohde. He ohjaavat kaiken yhteen paikkaan ja olettavat, että se ratkaisee “yksi versio totuudesta” -ongelman, mutta se ei tee sitä, se keskittää vain erimielisyyden. Jos kolme lähdejärjestelmää määrittelee aktiivisen asiakkaan eri tavoin, niiden ohjaaminen yhteen varastoon antaa yhden väärän vastauksen sijaan kolme.

Sitten on ansa, jossa rakennetaan tarkalleen sille, mitä on edessä. Putki on säädetty täydellisesti yhteen dashboardiin, toimii hyvin, ja sitten kuuden kuukauden kuluttua uusi malli tarvitsee samaa dataa nopeammin tai tuoreammin, ja koko järjestelmän on purettava uudelleen, sen sijaan, että se olisi laajennettu.

Ja yksi, joka aina tulee takaisin pureksimaan, on ohittaminen linjaa ja metadataa, koska se näyttää ylisuurelta kustannukselta, jota kukaan ei pyytä. Se ei ole kustannus; kunnes se päivä, jolloin joku kysyy, miksi malli teki tietyn kutsun, ja ei ole mitään keinoa jäljittää sitä. Silloin se muuttuu kalliiksi korjaukseksi, sen sijaan, että se olisi halpa suunnittelupäätös.

Kun työskentelet Fortune 500 -yritysten kanssa, mitkä signaalit kertovat sinulle, onko organisaatio todella valmis skaalaamaan AI:n pilotin ulkopuolelle?

Rehellisesti, voin yleensä kertoa jo ensimmäisistä keskusteluista. Ero organisaatioiden välillä, jotka kokeilevat AI:ta ja jotka ovat valmiit operaatioimaan sitä yrityksen mittakaavassa, tulee muutamasta merkittävästä merkistä. Yleensä etsin valmiutta kolmessa pääasiallisessa ryhmässä: Strateginen vakuutus, liiketoiminnan integraatio ja operatiivinen kypsyys.

Tässä on mitkä signaalit osoittavat todellisen valmiuden skaalata:

1. Strateginen linjaus ja johtajan vakuutus

Selkeä AI-strategia, ei vain “AI-kilpailu”: Yrityksen johdon on osoitettava aito vakuutus heidän AI-strategiastaan. Tämä on helppo havaita kysymällä joitain johtavia kysymyksiä siitä, miten AI liittyy heidän liiketoimintatavoitteisiinsa. Jos he voivat ilmaista tarkan liiketoimintarajan (esim. liikevaihdon kasvu, liikevoiton parantaminen tai asiakaskokemus), eivät vain halua “käyttää generatiivista AI:ta”, he ovat valmiit.

Sitoumus yrityksen rahoitukseen: He ovat siirtyneet erillisten tutkimus- ja kehitysbudjettien ulkopuolelle. On omistettu, ristiin-toimiva budjetti, joka on varattu ei vain AI-projekteille, vaan muutoksien hallintaan, infrastruktuuriin ja jatkuvaan MLOps:een.

2. Ongelman ja ratkaisun sopimus ja liiketoiminnan integraatio

Ratkaisemalla oikeat ongelmat: Suuri punainen lippu on sekoittaa standardin työnkulkuautomaation tai robotin prosessiautomaation (RPA) AI:hin ja pakottaa AI:ta käyttämään perinteistä prosessia. Valmiit yritykset ymmärtävät AI:n erityisen arvon. He keskittyvät käyttötapauksiin, joissa AI tarjoaa paradigmatisen muutoksen kyvyssä, eivät vain teknologian ruutuun.

Liiketoimintayksikön omistajuus: Tämä on hiljainen signaali, mutta usein suurin este AI:n skaalautumiselle. Jos AI-jännitys elää kokonaan erillään “innovaatiolaboratoriossa” ilman minkäänlaista omistajuutta varsinaisilta liiketoimintayksiköiltä, pilotit eivät pääse käyntiin. Todellinen valmius on merkittävä, kun liiketoimintavastuulliset osallistuvat aktiivisesti ratkaisun kehittämiseen ja omistavat lopputuloksen, eivät heittäessä vain todistetta toiminnan yli.

3. Operatiivinen kypsyys ja hallinto

Päivän 1 turvallisuus- ja vaatimustenmukaisuus: Puute turvallisuuden ja hallinnon osallistumisesta tai yrittäminen erottaa kriittinen AI-käyttötapaus heidät “liikuttaakseen nopeammin” on resepti käyttöönoton epäonnistumiselle. Kypsiä organisaatioita turvallisuus- ja hallintotiimit ovat mukana päivä ykkösenä. He pitävät näitä tiimejä tärkeinä mahdollistajina, jotka rakentavat esteettömiä reunaa skaalata turvallisesti, eivät esteinä.

Lopulta yritykset, jotka onnistuvat skaalautumaan AI:ta, käsittelevät sitä ei IT-tieteellisenä kokeena, vaan liiketoimintamuutoksena, jolla on oikea sponsorointi, oikeat reunat ja oikea liiketoimintalinjaus.

Miten yritysten pitäisi modernisoida perinteistä data-infrastruktuuria ilman merkittävien, liiketoiminnalle kriittisten järjestelmien häirintää, joista yritys edelleen riippuu jokaisena päivänä?

Perinteiset data-alustat ovat usein operatiivisia pullonkauloja, vakavia data-laatuongelmia ja organisaatioiden skaalautumisrajoituksia. Tehokkain tapa suojella päivittäistä toimintaa data-alustojen modernisointimatkan aikana on välttää yksittäinen, korkea-riskinen suuri muutos. Data-alustojen modernisoinnin ensisijainen tavoite on tehdä data havainnollisemmin organisatorisen päätöksenteon kannalta, eikä sitä pidä käsitellä pelkästään IT-alustan vaihdona.

Jotta voidaan palvella AI-aikakautta, organisaatioiden on omaksuttava data-medaljonki- ja data-mesh-arkkitehtuuri. Tämä strategia luo järjestellyn putken, jossa dataa jalostetaan asteittain raakamaiseksi liiketoimintavalmiiksi, tehden mahdottomaksi huonolaatuisen datan pääsyn päätöksentekoon. Erota dataa erillisiin loogisiin kerroksiin, organisaatiot perustavat selkeän linjan, joka mahdollistaa tiedon muodonmuutoksen seuraamisen lähteestä määränpäähän.

Pakkaamalla vahvistetun datan saataville paketteihin, organisaatiot valtuuttavat tiimejään tekemään strategisia, näyttöön perustuvia päätöksiä sen sijaan, että luotaisiin intuition varaan. Olennaisesti, tämä lähestymistapa perustaa datan luottamuksen perustan, jota tarvitaan yrityksen AI:lle. Rakentamalla AI-agenteja kuratoiduille data-tuotteille varmistetaan, että mallit oppivat turvallisista, tarkistetuista tietoista, eivät epäjärjestyksellisistä, tarkistamattomista tietokannoista.

Miten hallinto, yksityisyys, turvallisuus ja data-laatu muuttuvat, kun ne käsitellään arkkitehtuurin vaatimuksina päivä ykkösenä, eikä vasta AI-projektiin?

Kaikki muuttuu nopeammin, murtuu vähemmän ja skaalautuu paremmin. Generatiivisen AI:n todennäköisyyksellä hallinto on erittäin kriittinen, mutta useimmissa organisaatioissa se on väärin hoidettu.

Kun nämä elementit käsitellään päivä ykkösenä arkkitehtuurin vaatimuksina, siirrytään vahingonhallinnasta nopeuteen. Tässä on mitä muuttuu:

Ensinnäkin, vältetään tuskallinen “repiminen ja korvaaminen” -vaihe, jossa täysin rakennetut AI-projektit hylätään, koska ne rikkovat vaatimuksia tai yksityisyyttä.

Seuraavaksi, turvallisuus ja data-laatu eivät ole lisäksi, vaan ne on upotettu putkeen. Mallit toimivat luotettavalla datasta, josta johtopäätökset, joita johtajuus ja käyttäjät luottavat.

Lopulta, sen sijaan, että osuu sääntelyseinään, kun siirrytään konseptista tuotantoon, tie on jo selvä ja automaattinen.

Lyhyesti sanottuna, hallinto ei ole este innovaatiolle, vaan se on ohjausjärjestelmä, joka mahdollistaa nopean ajaminen turvallisesti.

Kuinka CAIO-roolin pitäisi kehittyä, ja missä sen vastuut pitäisi alkaa ja loppua suhteessa CIO:hen, CDO:hen ja liiketoimintayksiköiden johtajiin?

Olemalla osa CAIO Circleä, olen saanut todella hyödyllisen ikkunan tähän, koska tällä hetkellä rooli on kaikkialla, koska monet yritykset loivat sen reaktiivisesti, vastauksena generatiivisen AI-hypeen, eikä täyttäessä selkeää toiminnallista aukkoa. Uskon, että tämä asettuu nopeasti ja sen on asettava. Toimivuuden vuoksi johtajan jakautuminen on kirkas:

CIO omistaa infrastruktuurin ja järjestelmien luotettavuuden. CDO omistaa datan yrityksen varana (laatu, hallinto ja saatavuus). CAIO omistaa käännöskerroksen raakamaisen AI-kapasiteetin ja todellisen liiketoimintatuloksen välillä.

Tämä käännöskerros tarkoittaa, että otetaan eksplisiittinen omistajuus AI-portfoliosta, määritetään, mitä rakentaa, tunnistetaan alueita, joissa liiketoimintaa voidaan parantaa ja palvella AI-tekniikalla, ja toimii lopullisena viranomaisena siitä, mihin AI:ta tulisi ja ei tulisi käyttää.

Suurin aukko useimmissa yrityksissä on riskin ja arvon vaihtoehtojen arviointi kilpailevien liiketoimintayksiköiden välillä. Estäminen korkean riskin AI-aloitetta, jonka yksittäinen liiketoimintayksikkö haluaa, vaatii jonkun, jonka kannustimet eivät ole sidottu yksikön lyhytaikaisiin kohteisiin, ja joka on tarpeeksi teknisesti arvioimaan riskin suoraan. Tämä riippumaton, teknisesti perusteltu portti on tarkalleen se, mihin CAIO-roolin on täytettävä.

Miten yritykset, jotka saavuttavat kestävän AI-etun, eroavat niistä, jotka vain kokeilevat viimeisimmän AI-työkalun kanssa?

Se ei ole niitä, joilla on pääsy parhaimpiin malleihin. Mallin kyky on nopeasti konvergoiva, ja raaka teknologia ei jää kestäväksi erottautumiseksi.

Sen sijaan, pitkän aikavälin AI-onnistumisen ydin – sisäinen tai asiakaslähtöinen – tulee yhdestä asiasta: Luottamus.

Luottamus on suoraan verrannollinen organisaation kykyyn rakentaa AI-valmis perusta ja ympäristö, jossa uudet kyvyt voidaan testata, turvallisesti käyttöönotettu ja skaalattu nopeasti. Konkreettisesti, se vaatii kolmea asiaa:

Luotettava data-perusta: Puhdas, luotettava data, jotta jokainen uusi käyttötapaus ei vaadi massiivista, yksittäistä puhdistusprojektia.

Joustava hallinto: Riski- ja vaatimustenmukaisuusprosessit, jotka ovat tarpeeksi nopeita pysyäkseen mukana siitä, miten perustuvat mallit kehittyvät.

Tulokselliset mittarit: Organisaatiokulttuuri, joka mitata AI:ta liiketoimintarajalla, ei teknisen taituruuden mukaan.

Yritykset, jotka tulevat edelleen olemaan “kokeilutilassa” kolme vuotta tästä lähtien, ovat ne, jotka eivät koskaan rakentaneet perustaa – he jatkavat oppimista samoja data- ja hallintotaitoja jokaisessa AI-projektissa.

Voittajat, joilla on kestävä etu, ovat ne, joissa kymmenes AI-käyttötapaus tulee dramaattisesti halvemmaksi ja nopeammaksi kuin ensimmäinen, koska perusta rakennettiin oikein ensimmäisellä kerralla.

Kiitos hienosta haastattelusta, lukijat voivat myös lukea hänen kirjansa Enterprise-Grade Hybrid and Multi-Cloud Strategies.