Dominic Sartorio, VP de Marketing de Produit chez Denodo – Série d’entretiens

Dominic Sartorio est VP de Marketing de Produit chez Denodo. Dominic a plus de 20 ans d’expérience dans le marché de la gestion et de la gouvernance des données, ayant occupé divers postes de direction de produit et de marketing chez Informatica, Protegrity, ainsi que d’autres fournisseurs leaders.

Denodo est un leader mondial de la gestion des données, alimentant des agents et des applications d’intelligence artificielle fiables. La plateforme Denodo, une solution de gestion logique des données primée, transforme les données d’entreprise en informations fiables pour l’intelligence artificielle, l’analyse et les initiatives de self-service. Les organisations du monde entier utilisent Denodo pour fournir des données prêtes pour l’intelligence artificielle et les entreprises en un laps de temps nettement inférieur à celui des traditionnelles lakehouses de données, réalisant ainsi jusqu’à 4 fois plus de rapidité dans la prise de décision, un rendement de 345 % et des performances 10 fois meilleures. Sur la base d’informations provenant de 850 dirigeants d’entreprise, le Rapport sur le fossé de confiance de l’IA de Denodo révèle pourquoi de nombreux projets d’IA peinent à aller au-delà des phases de pilotage et ce que les organisations doivent faire pour construire une intelligence artificielle fiable et prête pour la production.

Vous avez occupé des postes de direction supérieure dans des entreprises comme Informatica, Protegrity, Infoworks et maintenant Denodo, toutes axées sur différentes couches de l’infrastructure de données d’entreprise. Comment votre perspective sur les « données de confiance » a-t-elle évolué à mesure que l’IA est passée de l’analyse aux systèmes autonomes et agents ?

Au début de ma carrière, les données de confiance étaient principalement axées sur l’exactitude, la lignée, la sécurité et la confiance des analystes dans les tableaux de bord et les rapports. Avec les systèmes d’IA agents, les enjeux sont beaucoup plus élevés car les systèmes ne se contentent pas d’interpréter les données ; ils peuvent agir de manière autonome, déclencher des flux de travail commerciaux ou prendre des décisions ayant un impact réel sur le monde. Cela signifie que les données de confiance doivent désormais inclure le contexte opérationnel en temps réel, la signification commerciale cohérente et des garde-fous mis en place pour que l’on puisse avoir confiance dans le fait que les agents agissent correctement et en toute sécurité.

Le Rapport sur le fossé de confiance de l’IA de Denodo a constaté que 66 % des organisations estiment que les données d’IA doivent être en temps réel ou quasi en temps réel pour être fiables. Pourquoi pensez-vous que tant d’entreprises peinent encore à fournir des données opérationnelles en temps réel aux systèmes d’IA ?

La plupart des entreprises n’ont pas été conçues pour les agents d’IA qui nécessitent une conscience situationnelle en temps réel sur de nombreux systèmes. Leurs données sont réparties sur des applications, des nuages, des entrepôts, des lakehouses, des systèmes hérités et d’autres plateformes opérationnelles. Ils peuvent copier ces données dans un entrepôt central ou un lac de données pour l’analyse et la BI, mais cela n’est pas approprié pour les agents d’IA qui nécessitent une conscience situationnelle en temps réel. Une fois que les données sont copiées, elles ne sont plus en temps réel. Il est possible de diffuser en temps réel, mais cela devient très coûteux très rapidement. C’est exactement là que l’approche de gestion logique des données de Denodo devient importante, car elle donne aux systèmes d’IA un accès géré aux données en temps réel sans exiger que les entreprises copient et re-platforment constamment tout.

L’une des découvertes les plus frappantes du rapport est que les initiatives d’IA des entreprises tirent maintenant des centaines de sources de données, certaines organisations ayant accès à plus de 1 000 sources. Comment ce niveau de fragmentation change-t-il la façon dont les entreprises devraient penser l’architecture de l’IA ?

À ce niveau de fragmentation, l’architecture ne peut pas dépendre de la consolidation physique de chaque source avant que l’IA puisse l’utiliser. Les entreprises ont besoin d’une couche d’abstraction qui peut découvrir, intégrer, gérer et fournir des données à travers la réalité distribuée qu’elles possèdent déjà. À mon avis, l’architecture des données doit devenir plus logique, basée sur les métadonnées et sémantique, afin que les agents puissent trouver les bonnes données dans le contexte sans être étroitement couplés aux systèmes sous-jacents.

Le rapport soutient que de nombreux échecs de l’IA sont en réalité des « échecs d’architecture de données » plutôt que des échecs de modèle. Pensez-vous que l’industrie a passé trop de temps à s’obséder sur les modèles tout en sous-estimant l’importance de l’infrastructure de données ?

Oui. Les modèles sont importants, bien sûr, mais de nombreux projets d’IA échouent non pas parce que le modèle est incapable ; ils échouent parce que le modèle fonctionne avec des données incomplètes, obsolètes, incohérentes ou mal gérées. Le modèle a fonctionné très bien dans le pilote, en utilisant un ensemble de données bien défini et soigneusement sélectionné, mais une fois déployé dans le « monde réel », avec sa complexité répartie, l’IA échoue à produire des résultats fiables. Mon expérience a été que les entreprises obtiennent de meilleurs résultats d’IA lorsqu’elles traitent la couche de données comme une partie à part entière de l’architecture de l’IA, et non comme une afterthought.

Denodo parle souvent de cohérence sémantique et de l’importance d’une couche sémantique universelle. Lorsque les agents d’IA commencent à prendre des décisions de manière autonome, à quel point l’alignement sémantique devient-il critique pour prévenir les actions incorrectes ou la logique commerciale hallucinée ?

L’alignement sémantique devient absolument critique. Si un système définit « client », « revenu », « risque » ou « turnover » différemment d’un autre, un agent d’IA peut produire une réponse techniquement plausible qui est toujours incorrecte pour le contexte commercial donné. Une couche sémantique universelle aide à garantir que les agents fonctionnent avec une signification commerciale cohérente, et non seulement avec un accès brut aux données.

Votre session AI & Big Data Expo portait sur le passage des pilotes à la production. Selon votre expérience, quels sont les plus grands motifs pour lesquels les entreprises restent bloquées dans la « phase de pilote » et échouent à mettre l’IA à l’échelle dans des systèmes opérationnels réels ?

Les pilotes fonctionnent souvent parce qu’ils sont étroits, soigneusement sélectionnés et isolés de la complexité totale de l’entreprise. L’IA de production doit faire face à des données en temps réel provenant de nombreuses sources, à la sécurité, à la gouvernance, aux performances, à la traçabilité, aux règles commerciales changeantes et à l’intégration dans de véritables flux de travail. De nombreuses organisations restent bloquées parce qu’elles construisent une démo impressionnante, mais pas la fondation de données gérée nécessaire pour exploiter l’IA de manière fiable à grande échelle.

Le rapport cite des prévisions selon lesquelles un pourcentage important de projets d’IA agents pourrait être annulé au cours des prochaines années en raison de coûts croissants, de valeur peu claire ou de contrôles de risque inadéquats. Pensez-vous que l’industrie entre dans une phase où les entreprises seront beaucoup plus sélectives quant aux projets d’IA qui survivent ?

Oui, et je pense que c’est sain. La première vague d’expérimentation de l’IA était axée sur la possibilité ; la prochaine vague sera axée sur la valeur opérationnelle, la discipline de coût et la confiance. Les projets qui survivront seront ceux liés à des résultats commerciaux mesurables et soutenus par les bonnes données, la gouvernance et l’architecture.

La sécurité et la gouvernance apparaissent tout au long du rapport comme des thèmes récurrents, en particulier autour des « garde-fous » pour l’IA agente. Comment les organisations devraient-elles équilibrer les capacités d’IA autonomes avec le besoin de contrôle d’accès strict et de traçabilité ?

La clé est de ne pas traiter la gouvernance comme quelque chose qui est ajouté après que le système d’IA soit construit. Le contrôle d’accès, l’application des politiques, la lignée et la traçabilité doivent être intégrés dans la couche d’accès aux données elle-même, afin que les agents d’IA ne voient et n’utilisent que les données auxquelles ils sont autorisés à accéder. Avec Denodo, les mêmes politiques de gouvernance peuvent être appliquées de manière cohérente sur des sources distribuées, ce qui est essentiel lorsque l’IA fonctionne dans des environnements hybrides et multi-nuages.

Denodo positionne la gestion logique des données comme un moyen d’unifier l’accès aux environnements hybrides et multi-nuages sans déplacer constamment les données. À mesure que les entreprises adoptent de plus en plus des architectures d’IA basées sur la récupération, pensez-vous que les architectures « zéro-copie » ou logiques deviendront la direction à long terme pour l’IA d’entreprise ?

Oui. L’IA basée sur la récupération dépend de l’obtention des bonnes données au bon moment, et non de la mise de chaque ensemble de données dans un référentiel unique à l’avance. Une approche logique première, zéro-copie, est beaucoup mieux alignée sur la façon dont les entreprises fonctionnent réellement : les données restent réparties, mais l’IA peut y accéder via une couche gérée, sémantique et en temps réel. C’est la direction dans laquelle je crois que l’IA d’entreprise doit aller.

En regardant les trois à cinq prochaines années, qu’est-ce qui, selon vous, séparera les organisations qui mettront avec succès en œuvre une intelligence artificielle fiable de celles qui resteront bloquées dans le mode expérimental ?

Les gagnants seront les organisations qui reconnaissent que l’IA n’est pas seulement une stratégie de modèle ; c’est une stratégie de données, une stratégie de gouvernance et une stratégie de modèle opérationnel. Ils investiront dans l’accès aux données en temps réel, la cohérence sémantique, la gouvernance réutilisable et les architectures qui peuvent s’étendre sur l’ensemble de l’entreprise. Ceux qui continuent à construire des pilotes isolés sur des données fragmentées ou obsolètes auront du mal à aller au-delà de l’expérimentation.

Merci pour cette grande interview, les lecteurs qui souhaitent en savoir plus peuvent visiter Denodo ou télécharger le Rapport sur le fossé de confiance de l’IA de Denodo