Ian Leysen, Datadobi के सीईओ और सह-संस्थापक – साक्षात्कार श्रृंखला

Ian Leysen, Datadobi के सीईओ और सह-संस्थापक, एक प्रौद्योगिकी कार्यकारी हैं जिनके पास सॉफ्टवेयर इंजीनियरिंग, क्वालिटी एश्योरेंस और एंटरप्राइज़ डेटा प्रबंधन में तीन दशकों से अधिक का अनुभव है। उन्होंने 2009 में Datadobi की सह-स्थापना की, इसके पहले उन्होंने EMC में सीनियर मैनेजर ऑफ क्वालिटी एश्योरेंस के रूप में आठ साल बिताए, और उससे पहले Mediagenix और Wave Research में नेतृत्व भूमिकाएँ निभाई। अपने करियर के दौरान, Leysen ने उच्च गुणवत्ता वाले सॉफ्टवेयर इंजीनियरिंग संगठनों के निर्माण पर विशेष ध्यान दिया, और जमीन से तीन क्वालिटी एश्योरेंस टीमें स्थापित कीं। Datadobi में, वह एक ऐसी कंपनी की देखरेख करते हैं जो बड़े एंटरप्राइज़ को ऑन-प्रेमाइसेस, क्लाउड और हाइब्रिड वातावरण में असंरचित डेटा को प्रबंधित, शासित, माइग्रेट और सुरक्षित करने में मदद करती है। कंपनी ने बड़े पैमाने पर डेटा माइग्रेशन में अपनी जड़ें छोड़कर StorageMAP पेश किया है, जो एक विक्रेता-निरपेक्ष प्लेटफ़ॉर्म है, जिसे संगठनों को जटिल असंरचित डेटा एस्टेट्स पर अधिक दृश्यता और नियंत्रण प्रदान करने के लिए डिज़ाइन किया गया है, जिसमें एआई पहलों के लिए एंटरप्राइज़ डेटा की तैयारी भी शामिल है।

Datadobi एंटरप्राइज़ को तेजी से बढ़ते असंरचित डेटा की मात्रा पर अधिक दृश्यता और नियंत्रण प्राप्त करने में मदद करता है। इसका सॉफ़्टवेयर अरबों फ़ाइलों को स्कैन कर पुरानी डेटा, डुप्लिकेट, स्वामित्व अंतराल और संभावित जोखिमों की पहचान कर सकता है, साथ ही मेटाडेटा और वर्गीकरण टैग लागू करता है जो गवर्नेंस और स्वचालित नीतियों के माध्यम से अभिलेखीयकरण, विलोपन और प्रतिधारण का समर्थन करते हैं। जैसे-जैसे संगठन जनरेटिव एआई के लिए एंटरप्राइज़ डेटा तैयार कर रहे हैं, यह और अधिक महत्वपूर्ण हो गया है, जहाँ खराब समझी गई या पुरानी जानकारी शोर, अनुपालन मुद्दे और सुरक्षा जोखिम पैदा कर सकती है। Datadobi कंपनियों को संभावित मूल्यवान डेटासेट की पहचान करने, उन्हें डाउनस्ट्रीम उपयोग के लिए व्यवस्थित करने, और चयनित जानकारी को डेटा लेक्स या लेकहाउस में ले जाने में सक्षम बनाता है, जबकि ट्रेसबिलिटी और गवर्नेंस बनाए रखता है। यह प्लेटफ़ॉर्म स्टोरेज लागत और कार्बन प्रभाव पर भी अंतर्दृष्टि प्रदान करता है, जिससे संगठन यह तय करने में अधिक सूचित निर्णय ले सकते हैं कि कौन सा डेटा रखना है और वह कहाँ स्थित होना चाहिए।

आपने 2010 में Datadobi की सह-स्थापना से पहले EMC में क्वालिटी एश्योरेंस का नेतृत्व करने में आठ साल बिताए। बड़े पैमाने पर एंटरप्राइज़ स्टोरेज और डेटा वातावरण में आपने क्या देखा जो आपको इस बात का विश्वास दिलाया कि एक कंपनी बनानी चाहिए, और जैसे-जैसे असंरचित डेटा एआई के लिए अधिक महत्वपूर्ण होता गया, आपका मूल दृष्टिकोण कैसे विकसित हुआ?

EMC में, मैंने कई सालों तक देखा कि एंटरप्राइज़ स्टोरेज इन्फ्रास्ट्रक्चर में भारी निवेश कर रहे हैं, जबकि उस पर वास्तव में क्या डेटा मौजूद है, इसकी लगभग कोई दृश्यता नहीं थी। हम ग्राहकों को डेटा स्टोर और सुरक्षित करने में उत्कृष्ट थे, लेकिन कोई भी कठिन प्रश्न नहीं पूछ रहा था: यह डेटा क्या है, इसका स्वामित्व कौन रखता है, क्या अभी भी किसी को इसकी आवश्यकता है, और इसकी कीमत क्या है? इन्फ्रास्ट्रक्चर क्षमता और डेटा समझ के बीच का यह अंतर ही अवसर था। हमने Datadobi की शुरुआत इस उद्देश्य से की कि संगठनों को असंरचित डेटा को बुद्धिमानी से स्थानांतरित और प्रबंधित करने में मदद मिले, न कि केवल इसे एक एरे से दूसरे एरे में स्थानांतरित किया जाए।

परिवर्तन यह है कि दांव बढ़ गए हैं। पंद्रह साल पहले, एक अनमैनेज्ड फ़ाइल शेयर लागत और अनुपालन समस्या थी। आज, वही अनमैनेज्ड फ़ाइल शेयर एक देनदारी बन जाता है जब कोई एआई मॉडल या एजेंट उस पर लक्षित करता है। असंरचित डेटा केवल वह चीज़ नहीं रह गया जो एंटरप्राइज़ संग्रहीत करते थे, बल्कि वह वह तत्व बन गया है जो यह निर्धारित करता है कि उनके एआई पहल सफल होंगी या विफल। हमारा मूल विचार, कि केवल स्टोरेज इन्फ्रास्ट्रक्चर यह नहीं बता सकता कि आपका डेटा व्यवसाय के लिए क्या मायने रखता है, नहीं बदला है। यह अब पहले से अधिक तात्कालिक हो गया है।

आपने तर्क दिया है कि जेनरेटिव एआई ने एंटरप्राइज़ डेटा समस्या नहीं बनाई, बल्कि दशकों से मौजूद समस्याओं को उजागर और तेज़ किया है। अब एआई कौन-कौन सी सबसे बड़ी कमजोरियों को उजागर कर रहा है जो संगठन अपने डेटा को ऐतिहासिक रूप से प्रबंधित करने में रखते थे?

संगठन दशकों से अपने एंटरप्राइज़ डेटा को समझने में संघर्ष करते आए हैं। एआई ने इस संघर्ष को नहीं बनाया, बल्कि वह जगहें हटा दीं जहाँ यह छिपा रहता था। जब डेटा फ़ाइल शेयर या आर्काइव में चुपचाप बैठा रहता था, तो किसी को इसके बारे में जवाब देना आवश्यक नहीं था। जैसे ही आप एक बड़े भाषा मॉडल या RAG पाइपलाइन को उस पर लक्षित करते हैं, हर कमजोरी स्पष्ट और महत्वपूर्ण हो जाती है।

सबसे बड़ी चुनौती यह है कि अधिकांश संगठन स्टोरेज का प्रबंधन कर रहे हैं, डेटा का नहीं। उन्हें पता है कि उनके वॉल्यूम और बकेट कहाँ हैं, लेकिन अंदर क्या है, यह नहीं पता: कौन सी फ़ाइलें पुरानी हैं, कौन सी संवेदनशील या नियामक जानकारी रखती हैं, कौन सी पर्यावरण में दर्जनों बार डुप्लिकेट हुई हैं, और वास्तव में किसके पास पहुँच है। एआई यह भी उजागर कर रहा है कि स्वामित्व कितना बिखरा हुआ है। डेटा ऑन-प्रेमाइसेस सिस्टम, कई क्लाउड और SaaS रिपॉजिटरी में जमा होता है, और कोई भी पूरी तस्वीर का मालिक नहीं है। ये नई समस्याएँ नहीं हैं। एआई ने केवल इन्हें अनदेखा करने की लागत को तुरंत और स्पष्ट बना दिया है।

संगठन अक्सर अपने एआई निवेश को अधिक शक्तिशाली मॉडल, जीपीयू और इन्फ्रास्ट्रक्चर पर केंद्रित करते हैं। क्यों अधिक कंप्यूट या स्टोरेज मूलभूत डेटा-तैयारी समस्या को हल नहीं कर सकते, और एंटरप्राइज़ को इसके बजाय कहाँ निवेश करना चाहिए?

अधिक कंप्यूट केवल खराब उत्तर को तेज़ी से लाता है। यह उत्तर को सटीक, सुरक्षित या अनुपालन योग्य नहीं बनाता। जीपीयू और स्टोरेज इन्फ्रास्ट्रक्चर निर्णयों को लागू करते हैं, वे स्वयं निर्णय नहीं लेते। यदि आप एक शक्तिशाली मॉडल को पुरानी, डुप्लिकेट, गलत अनुमति वाली या संवेदनशील डेटा देते हैं, तो आपको एक शक्तिशाली मॉडल मिलेगा जो बड़े पैमाने पर अविश्वसनीय या जोखिमपूर्ण आउटपुट उत्पन्न करेगा, और वह भी तेज़ी से।

हम मानते हैं कि बाजार एक महत्वपूर्ण मोड़ पर पहुँच गया है: ऐतिहासिक रूप से, संगठन स्टोरेज को अनुकूलित करते थे; अब वे डेटा को अनुकूलित करने की आवश्यकता महसूस कर रहे हैं। इसका अर्थ है इन्फ्रास्ट्रक्चर लेयर के ऊपर स्थित अनुशासन में निवेश करना, अर्थात् अपने पूरे डेटा एस्टेट को देखना, समझना कि प्रत्येक डेटा टुकड़ा वास्तव में क्या है और इसके लिए कौन ज़िम्मेदार है, यह तय करना कि क्या रखना है, स्थानांतरित करना है, अभिलेखीय करना है या हटाना है, और फिर उस निर्णय को लगातार लागू करना। इस अनुशासन के बिना इन्फ्रास्ट्रक्चर खर्च का मतलब केवल यह है कि संगठन गलत काम को तेज़ी से कर सकते हैं।

यही वह समस्या है जिसे हमारा असंरचित डेटा प्रबंधन प्लेटफ़ॉर्म हल करने के लिए बनाया गया है। यह संगठनों को ऑन-प्रेमाइसेस, क्लाउड और SaaS स्टोरेज पर एकल दृश्य प्रदान करता है, टैगिंग और मेटाडेटा एनालिटिक्स के साथ डेटा को वर्गीकृत करता है ताकि टीमें देख सकें कि क्या दोहरावदार, पुराना या वास्तव में मूल्यवान है, और फिर नीति-आधारित वर्कफ़्लो के माध्यम से लगातार चलने वाले निर्णयों को लागू करता है, जिससे डेटा का माइग्रेशन, अभिलेखीयकरण या विलोपन किया जाता है, न कि एक बार के प्रोजेक्ट के रूप में। दृश्यता, वर्गीकरण और निरंतर निष्पादन का यह संयोजन ही ‘हमारे पास बहुत डेटा है’ को ‘हम ठीक-ठीक जानते हैं कि हमारे पास क्या है और हमें उससे क्या करना चाहिए’ में बदलता है।

“AI-तैयार डेटा” एक सामान्य उद्योग शब्द बन गया है। आपके दृष्टिकोण से, असंरचित डेटा को वास्तव में AI-तैयार क्या बनाता है, और डेटा को जेनरेटिव AI, रिट्रीवल-ऑगमेंटेड जेनरेशन (RAG) या प्रशिक्षण पाइपलाइन में अनुमति देने से पहले संगठनों को कौन से मानदंड उपयोग करने चाहिए?

AI-तैयार डेटा वह डेटा है जिसे संगठन ने केवल अपने पास होने के अलावा पहले ही सत्यापित कर लिया है। व्यावहारिक रूप से इसका मतलब है कि संगठन मॉडल या पाइपलाइन तक डेटा पहुँचने से पहले कुछ प्रमुख प्रश्नों के उत्तर आत्मविश्वास के साथ दे सकता है: क्या यह डेटा सटीक और वर्तमान है, या वर्षों से बिना छुए बैठा है? क्या यह कहीं और डुप्लिकेट है जिससे परिणाम विकृत या विरोधाभासी हो सकते हैं? क्या इसमें संवेदनशील, नियामक या व्यक्तिगत जानकारी है जिसे उजागर नहीं किया जाना चाहिए? किसके पास इसे एक्सेस करने की अनुमति है, और क्या यह अभी भी उन लोगों को दर्शाता है जिन्हें इसे एक्सेस करना चाहिए? क्या यह वास्तव में उपयोग केस में व्यावसायिक मूल्य जोड़ता है, या यह सिर्फ शोर है?

इन प्रश्नों के उत्तर के बिना, डेटा को जेनरेटिव AI या RAG पाइपलाइन में फीड करना केवल आपके गवर्नेंस समस्या को डाउनस्ट्रीम ले जाता है, एक ऐसे सिस्टम में जो आपके फ़ाइल शेयरों की तुलना में जो खोजता है उसे उजागर करने में कहीं अधिक सक्षम है। AI-तैयारी एक डेटा इंटेलिजेंस अनुशासन है, न कि एक चेकबॉक्स जिसे आप प्रोजेक्ट शुरू होने से पहले एक बार लागू करते हैं।

एंटरप्राइज़ में अरबों फ़ाइलें ऑन-प्रेमाइसेस इन्फ्रास्ट्रक्चर, कई क्लाउड, आर्काइव और बिजनेस यूनिट्स में फैली हो सकती हैं। वे कैसे निर्धारित कर सकते हैं कि कौन सा डेटा सार्थक व्यावसायिक मूल्य रखता है और कौन सा दोहरावदार, पुराना, तुच्छ या सिर्फ शोर है जो AI प्रदर्शन को घटा सकता है?

ऐसे पैमाने पर, कोई भी इस प्रश्न का फ़ाइल दर फ़ाइल उत्तर नहीं दे सकता, और मैन्युअल समीक्षा एक व्यावहारिक रणनीति नहीं है। संगठनों को पहले एंटरप्राइज़-व्यापी दृश्यता चाहिए: ऑन-प्रेमाइसेस, क्लाउड और SaaS रिपॉजिटरी पर एकल, सटीक दृश्य, क्योंकि आप उस डेटा पर निर्णय नहीं ले सकते जिसे आप नहीं देख सकते। इसके बाद, डेटा इंटेलिजेंस लागू करके यह वर्गीकृत करना है कि पर्यावरण में वास्तव में क्या है, ताकि ROT (दोहरावदार, पुराना और तुच्छ) डेटा की पहचान हो और उसे वास्तविक व्यावसायिक मूल्य वाले डेटा से अलग किया जा सके।

यहाँ वह अनुशासन केवल दृश्यता से आगे बढ़ना चाहिए। आपका डेटा देखना आवश्यक है, लेकिन पर्याप्त नहीं। संगठनों को यह समझने की प्रक्रिया से गुजरना चाहिए कि वह डेटा क्या है और क्या अर्थ रखता है, यह तय करना चाहिए कि क्या रखना है, स्थानांतरित करना है, अभिलेखीय करना है या हटाना है, या इसे AI को शक्ति देने के लिए उपयोग करना है, और फिर इस निर्णय को अरबों ऑब्जेक्ट्स में लगातार लागू करना चाहिए। सीधे दृश्यता से AI इन्जेशन की ओर जाना वही तरीका है जिससे शोर मॉडल प्रदर्शन को घटाता है और वास्तविक मूल्यवान डेटा उसमें दफ़न हो जाता है।

जब AI सिस्टम ऐसी जानकारी उजागर कर सकते हैं जो पहले कर्मचारियों के लिए खोजना कठिन था, तब सुरक्षा और गवर्नेंस विशेष रूप से महत्वपूर्ण हो जाते हैं। एंटरप्राइज़ डेटा को AI सिस्टमों के सामने उजागर करने से पहले संगठनों को अनुमतियों, संवेदनशील जानकारी, स्वामित्व और नियामक जोखिम का कैसे मूल्यांकन करना चाहिए?

यह उन क्षेत्रों में से एक है जहाँ AI ने जोखिम गणना को सबसे अधिक बदल दिया है। अत्यधिक या पुरानी अनुमतियों वाली फ़ाइल पहले एक सैद्धांतिक जोखिम थी, क्योंकि वास्तविकता में, किसी व्यक्ति को यह पता होना चाहिए था और उसे खोजने जाना चाहिए था। व्यापक पहुँच वाले AI सिस्टम उसी फ़ाइल को तुरंत किसी भी व्यक्ति को दिखा सकते हैं जो सही प्रश्न पूछता है। अस्पष्टता कभी वास्तविक नियंत्रण नहीं थी, लेकिन AI ने वह अंतिम सुरक्षा का हिस्सा भी हटा दिया जो अनजाने में प्रदान किया गया था।

किसी भी डेटा को AI सिस्टम के सामने उजागर करने से पहले, संगठनों को यह स्पष्ट चित्र चाहिए कि किसके पास उसकी पहुँच है और क्या वह पहुँच अभी भी उचित है, इसमें कौन सी संवेदनशील या नियामक जानकारी है, इसका स्वामित्व कौन रखता है और कौन जिम्मेदार है, और इसके साथ कौन से नियामक दायित्व जुड़े हैं—जैसे डेटा रेजिडेंसी, प्रतिधारण और गोपनीयता आवश्यकताएँ। यह मूल्यांकन लॉन्च से पहले एक बार की ऑडिट नहीं हो सकता। एंटरप्राइज़ डेटा लगातार बदलता रहता है, इसलिए अनुमतियों, स्वामित्व और जोखिम की निरंतर समीक्षा आवश्यक है, न कि केवल AI प्रोजेक्ट के लाइव होने के क्षण में।

Datadobi स्टोरेज इन्फ्रास्ट्रक्चर के प्रबंधन से डेटा को एक व्यावसायिक संपत्ति के रूप में प्रबंधित करने की बातचीत की वकालत करता है। यह परिवर्तन व्यावहारिक रूप से कैसे दिखता है, और यह आईटी टीमों, डेटा टीमों, सुरक्षा नेताओं और बिजनेस यूनिट्स के बीच संबंध को कैसे बदलता है?

व्यावहारिक रूप से, इसका मतलब है कि बातचीत क्षमता, टियरिंग और अपटाइम के बारे में नहीं, बल्कि परिणामों के बारे में होनी शुरू होती है: लागत में कमी, जोखिम में कमी, नियामक अनुपालन और AI को सक्षम करना। पहले इन्हें अलग-अलग पहलों के रूप में माना जाता था, प्रत्येक के अपने टूल और मालिक होते थे। हमें लगता है कि यह दृष्टिकोण धीरे-धीरे पुराना हो रहा है। सभी को एक ही मूलभूत एंटरप्राइज़ डेटा को समझने की आवश्यकता होती है, और जो चाहिए वह एक नया डेटा-केंद्रित ऑपरेटिंग मॉडल है जो उन्हें जोड़ता है, न कि प्रत्येक पहल को अलग, अलगाव वाले सिस्टम पर निर्भर मानता है। हमारा प्लेटफ़ॉर्म वही तरीका है जिससे हम इस ऑपरेटिंग मॉडल को लागू करते हैं।

यह स्वाभाविक रूप से कमरे में मौजूद लोगों को बदल देता है। आईटी अब बातचीत का एकमात्र मालिक नहीं रहा, क्योंकि डेटा को रखने, स्थानांतरित करने या AI को उजागर करने के बारे में निर्णय व्यावसायिक निर्णय होते हैं, जो डेटा इंटेलिजेंस द्वारा सूचित होते हैं, न कि इन्फ्रास्ट्रक्चर निर्णयों से। सुरक्षा और अनुपालन नेताओं को उसी डेटा परिदृश्य की दृश्यता चाहिए जिसे आईटी प्रबंधित करता है। बिजनेस यूनिट्स को यह तय करने में आवाज़ चाहिए कि कौन सा डेटा उनके परिणामों के लिए वास्तव में महत्वपूर्ण है। डेटा प्रबंधन अब बैक-ऑफ़िस आईटी फ़ंक्शन नहीं रह गया, बल्कि यह एक साझा ऑपरेटिंग अनुशासन बन गया है जिसमें आईटी, सुरक्षा और व्यवसाय एक ही जानकारी के आधार पर निर्णय लेते हैं।

एंटरप्राइज़ AI में एक चुनौती यह है कि डेटा लगातार बदल रहा है। क्या AI-तैयारी वह चीज़ है जिसे संगठन एक बार हासिल कर सकते हैं, या इसके लिए डेटा की खोज, वर्गीकरण, गवर्नेंस, अभिलेखीयकरण और परिवर्तन के साथ निरंतर प्रक्रिया की आवश्यकता होती है?

यह निरंतर है, बस यही बात है। एंटरप्राइज़ डेटा लगातार बदलता रहता है, नई फ़ाइलें बनती हैं, अनुमतियां बदलती हैं, कर्मचारी जुड़ते और छोड़ते हैं, नियम बदलते हैं, इसलिए डेटा प्रबंधन को एक निरंतर परिचालन क्षमता बनना चाहिए, न कि स्वतंत्र प्रोजेक्ट्स की श्रृंखला। AI-तैयारी को प्रोजेक्ट लॉन्च से पहले एक बार की सफ़ाई मानना ऐसा है जैसे एक बार ताला बनाने वाले के दौरे के बाद इमारत को सुरक्षित घोषित करना और फिर कभी दरवाज़ों की जाँच न करना।

संगठनों को एक ऐसा ऑपरेटिंग अनुशासन चाहिए जो निरंतर दृश्यता, समझ, निर्णय और निष्पादन के चरणों से गुज़रता रहे, यह पता लगाते हुए कि कौन सा डेटा मौजूद है, उसे वर्गीकृत और समझते हुए, यह तय करते हुए कि उसके साथ क्या करना चाहिए, और फिर उस निर्णय को नियमित रूप से लागू करता रहे। जो संगठन अपने समकक्षों से बेहतर प्रदर्शन करेंगे, वही होंगे जो इस चक्र को निरंतर और एंटरप्राइज़ स्तर पर चला सकेंगे, न कि वे जो AI-तैयारी को एक निश्चित समाप्ति तिथि वाले प्रोजेक्ट के रूप में देखते हैं।

जैसे-जैसे एंटरप्राइज़ AI एजेंटों को तैनात कर रहे हैं जो सिस्टमों में खोज कर सकते हैं और स्वायत्त कार्य कर सकते हैं, क्या असंरचित डेटा प्रबंधन और भी अधिक महत्वपूर्ण हो जाता है? जब एक AI एजेंट संगठन में बिखरी हुई जानकारी तक पहुँच सकता है, न कि केवल उपयोगकर्ता प्रॉम्प्ट का जवाब देता है, तो कौन से नए जोखिम उत्पन्न होते हैं?

यह काफी अधिक महत्वपूर्ण हो जाता है, क्योंकि एक एजेंट एक्सपोज़र की प्रकृति को बदल देता है। एक चैटबॉट जो एकल प्रॉम्प्ट का उत्तर देता है, वह केवल उस एक व्यक्ति के पूछने और देखने तक सीमित रहता है। एक एजेंट जो सिस्टमों में खोज कर सकता है और स्वायत्त कार्य कर सकता है, वह किसी भी व्यक्तिगत कर्मचारी की तुलना में बहुत अधिक पर्यावरण को पार कर सकता है, और वह जो खोजता है, उस पर कार्रवाई कर सकता है—डेटा को स्थानांतरित, साझा या उपयोग कर सकता है, बिना यह सुनिश्चित किए कि हर कदम पर कोई मानव समीक्षा कर रहा है।

यह जोखिम लाता है जो केवल खोज से आगे बढ़कर है। यदि एक एजेंट को ऐसी डेटा तक पहुँच है जिसे उसे नहीं मिलनी चाहिए (गलत अनुमति वाली फ़ाइलें, पुरानी संवेदनशील रिकॉर्ड, ऐसी जानकारी जो वर्षों पहले अभिलेखीय या हटाई जानी चाहिए थी), तो वह उस डेटा पर मशीन गति और पैमाने पर कार्रवाई कर सकता है, न कि केवल एक जिज्ञासु उपयोगकर्ता को दिखा सकता है। जो संगठन एजेंटों को सबसे सफलतापूर्वक तैनात करते हैं, वे वही हैं जिन्होंने डेटा गवर्नेंस को पूर्वशर्त माना, न कि बाद में सोचा, क्योंकि एक एजेंट आपके डेटा इंटेलिजेंस में मौजूद किसी भी अंतर को ईमानदारी से उपयोग करेगा।

एक एंटरप्राइज़ जिसने दशकों से असंरचित डेटा जमा किया है और अपने AI पहलों को स्केल करना चाहता है, उसके लिए आप कौन से व्यावहारिक कदम पहले उठाने की सलाह देंगे, और डेटा एस्टेट को नियंत्रण में लाने की शुरुआत में नेताओं को कौन सी गलतियों से बचना चाहिए?

पहले दृश्यता से शुरू करें। आप उस डेटा के बारे में सही निर्णय नहीं ले सकते जिसे आप नहीं देख सकते, इसलिए पहला व्यावहारिक कदम यह है कि ऑन-प्रेमाइसेस, क्लाउड और SaaS पर्यावरण में कौन सा डेटा मौजूद है, इसका सटीक, एंटरप्राइज़-व्यापी चित्र प्राप्त किया जाए। इसके बाद, डेटा को समझने और वर्गीकृत करने की ओर बढ़ें ताकि आप जान सकें कि क्या मूल्यवान है, क्या संवेदनशील है, और क्या केवल शोर है, फिर आप प्रतिधारण, माइग्रेशन, अभिलेखीयकरण या विलोपन के निर्णय ले सकें।

एक बजट वास्तविकता भी है जिसे नेता अनदेखा नहीं कर सकते। अधिकांश सीआईओ एक अलग, असीमित AI बजट नहीं पा रहे हैं, वे एक निश्चित धनराशि के साथ काम कर रहे हैं जिसमें अब AI को व्यवसाय चलाने वाली सभी अन्य चीज़ों के साथ प्रतिस्पर्धा करनी पड़ रही है। मौजूदा इन्फ्रास्ट्रक्चर से निवेश को हटाकर AI को फंड करने की प्रवृत्ति गलत कदम है, क्योंकि वही इन्फ्रास्ट्रक्चर, स्टोरेज, डेटा पाइपलाइन, गवर्नेंस ही वह है जिस पर AI सफल होने के लिए निर्भर करता है। अधिक स्थायी मार्ग मौजूदा एस्टेट के भीतर हेडरूम बनाना है: दृश्यता को सुधारना और स्टोरेज बर्बादी को कम करना, वह डेटा ऑप्टिमाइज़ेशन के प्रकार के माध्यम से जो StorageMAP बनाता है, वास्तविक बजट को मुक्त करता है, बिना AI पहलों को आवश्यक क्षमता को छुए।

सबसे बड़ी गलती जो मैं देखता हूँ वह है कि संगठन सीधे निष्पादन की ओर बढ़ते हैं, AI को अपने डेटा एस्टेट पर लक्षित करते हैं, या सफ़ाई प्रोजेक्ट शुरू करते हैं, बिना पहले दृश्यता और समझ की नींव बनाए। दूसरी गलती यह है कि इसे एक बार की पहल मानना, न कि एक परिचालन क्षमता; डेटा लगातार बदलता रहता है, इसलिए यह अनुशासन निरंतर होना चाहिए। तीसरी गलती इसे केवल तकनीकी अभ्यास के रूप में छोड़ देना है। जो संगठन सफल होते हैं वे इसे एक व्यावसायिक निर्णय मानते हैं, जिसमें आईटी, सुरक्षा और व्यवसाय हितधारक इस बात पर सहमत होते हैं कि डेटा का मूल्य क्या है और उसके साथ क्या किया जाना चाहिए, न कि केवल एक माइग्रेशन या स्टोरेज प्रोजेक्ट जो केवल आईटी को सौंपा जाता है।

उत्कृष्ट साक्षात्कार के लिए धन्यवाद, जो पाठक अधिक जानना चाहते हैं उन्हें Datadobi पर जाना चाहिए।