Sathya AG, Senior Principal Architect di Google – Seri Wawancara

Sathya AG adalah seorang evangelis teknologi, penulis terbitan “Enterprise-Grade Hybrid and Multi-Cloud Strategies“, dan Senior Principal Architect di Google (Retail Strategic Industries), dengan lebih dari 19 tahun pengalaman di bidang arsitektur perusahaan dan AI. Seorang pemimpin pemikiran global yang diakui dengan Penghargaan Top AI Influencer dan Penghargaan Presiden Google, ia adalah penulis Enterprise-Grade Hybrid and Multi-Cloud Strategies dan Anggota Dewan Penasihat untuk CAIO Circle. Ia adalah Fellow of the British Computer Society (FBCS), Anggota Senior IEEE, dan alumni Stanford LEAD. Seorang pembicara yang dicari di AI Forward, Google Next, dan NRF, Sathya juga mengajar AI/ML untuk komunitas yang kurang beruntung.

Disclaimer: Pemikiran yang dibagikan di bawah dan opini yang diungkapkan adalah milik penulis sendiri dan tidak selalu mencerminkan pandangan, posisi, atau opini dari perusahaan atau organisasi yang ia afiliasi.

Anda menghabiskan lebih dari satu dekade di Oracle (ORCL ) sebelum pindah ke peran arsitektur senior di Google, di mana Anda sekarang bekerja dengan perusahaan ritel besar. Bagaimana pandangan Anda tentang AI perusahaan berubah ketika perusahaan beralih dari proyek modernisasi data tradisional ke inisiatif AI generatif dan agen AI?

Kembali di hari-hari Oracle, sebagai arsitek perusahaan, fokus utama saya selalu tentang membangun sistem yang sangat kompleks yang organisasi andalkan untuk menjalankan bisnis mereka. Kami menyelesaikan tantangan integrasi, tata kelola, dan Master Data Management yang besar untuk memastikan perusahaan memiliki satu sumber kebenaran yang sangat kuat. Modernisasi data tradisional pada dasarnya tentang pengamatan pasif, merancang lapisan semantik dan pipa data yang mengirimkan wawasan yang dipercaya kepada pengambil keputusan manusia.

Evolusi AI Generatif dan Agensi telah mengubah paradigma arsitektur dari pengamatan pasif ke sistem aksi otonom. Sekarang, lensa telah bergeser ke apakah kita dapat membiarkan sistem mengambil tindakan atas nama kita (dan, dengan benar, tanpa pengawasan), pada skala. Itu adalah batang yang lebih tinggi untuk kualitas data, konteks, dan kontrol karena sekarang asumsi data yang salah tidak hanya menghasilkan dashboard yang salah, tetapi menghasilkan tindakan yang salah. Agen yang salah membaca data inventori tidak hanya memberikan informasi yang salah kepada seseorang, tetapi juga menghasilkan pesanan yang salah.

Ini adalah tempat di mana arsitektur perusahaan yang ketat menjadi kritis dan fondamental bagi sistem AI. Untuk membangun sistem otonom dengan aman, kita harus menjembatani kesenjangan antara sistem perusahaan yang deterministik dan AI yang probabilistik. Percakapan arsitektur yang saya pimpin sekarang tentang membangun kain data yang dipercaya, memastikan bahwa penalaran otonom waktu nyata terikat oleh tata kelola yang ketat, pengamatan yang kuat, dan integritas transaksional yang sama yang kita selalu tuntut dari sistem perusahaan.

Anda telah berargumen bahwa banyak proyek AI gagal tidak karena modelnya, tetapi karena keputusan data dan arsitektur yang dibuat lebih awal. Apa yang paling umum keputusan arsitektur awal yang diam-diam melemahkan proyek AI kemudian?

Yang saya lihat paling sering adalah perusahaan yang memperlakukan gudang atau danau sebagai satu-satunya sumber kebenaran ketika sebenarnya hanya satu tujuan. Mereka mengalirkan semuanya ke satu tempat dan menganggap itu memecahkan masalah ‘satu versi kebenaran’, tetapi itu tidak, itu hanya memusatkan ketidaksetujuan. Jika tiga sistem sumber masing-masing mendefinisikan pelanggan aktif secara berbeda, mengalirkan mereka ke satu gudang memberikan satu jawaban yang salah daripada tiga.

Kemudian ada perangkap membangun untuk apa yang tepat di depan Anda. Pipa yang disesuaikan dengan sempurna untuk satu dashboard, bekerja dengan baik, dan kemudian enam bulan kemudian model baru membutuhkan data yang sama lebih cepat atau lebih segar dan seluruh pipa harus dibongkar daripada diperluas.

Dan yang selalu kembali untuk menggigit orang adalah melewati garis keturunan dan metadata karena terlihat seperti overhead yang tidak diminta. Itu tidak memiliki bayaran; sampai hari ketika seseorang bertanya mengapa model membuat panggilan tertentu dan tidak ada cara untuk melacaknya. Itu berubah menjadi perbaikan yang mahal daripada keputusan desain yang murah.

Ketika bekerja dengan perusahaan Fortune 500, apa yang menunjukkan kepada Anda bahwa suatu organisasi benar-benar siap untuk menskala AI di luar pilot?

Jujur, saya biasanya dapat mengetahuinya dalam beberapa percakapan pertama. Perbedaan antara organisasi yang bereksperimen dengan AI dan yang siap untuk mengoperasikan skala perusahaan datang dari beberapa tanda yang jelas. Saya biasanya mencari kesiapan di tiga kategori utama: Keyakinan Strategis, Integrasi Bisnis, dan Kematangan Operasional.

Ini adalah apa yang menunjukkan kesiapan sebenarnya untuk menskala:

1. Keselarasan Strategis & Keyakinan Eksekutif

Strategi AI yang Jelas, Bukan AI Envy: Kepemimpinan organisasi menunjukkan keyakinan yang tulus tentang strategi AI mereka. Ini mudah ditemukan dengan mengajukan beberapa pertanyaan tentang bagaimana AI memetakan tujuan bisnis. Jika mereka dapat mengartikulasikan nilai bisnis yang tepat (misalnya, pertumbuhan pendapatan, peningkatan margin, atau pengalaman pelanggan) daripada hanya ingin “menggunakan AI generatif”, mereka siap.

Penganggaran Perusahaan yang Didedikasikan: Mereka telah melampaui anggaran R&D yang terisolasi. Ada anggaran yang didedikasikan, lintas fungsional yang dialokasikan tidak hanya untuk proyek AI, tetapi juga untuk pengelolaan perubahan, infrastruktur, dan MLOps yang berkelanjutan.

2. Keserasian Masalah-Solusi & Integrasi Bisnis

Menyelesaikan Masalah yang Tepat: Bendera merah besar adalah membingungkan otomatisasi alur kerja standar atau otomatisasi proses robotik (RPA) dengan AI, dan memaksakan AI di atasnya hanya untuk menunjukkan adopsi AI kepada dewan. Organisasi yang siap memahami nilai unik AI. Mereka fokus pada kasus penggunaan di mana AI menawarkan pergeseran paradigma dalam kemampuan, bukan hanya memeriksa kotak teknologi pada proses warisan.

Kepemilikan Unit Bisnis: Ini adalah sinyal yang lebih sunyi, tetapi sering kali hambatan terbesar untuk menskala. Jika kegembiraan AI hidup sepenuhnya dalam “laboratorium inovasi” yang terisolasi dengan tidak ada kulit yang terlibat dari unit bisnis yang sebenarnya, pilot akan gagal lepas landas. Kesiapan sebenarnya ditandai ketika pemangku kepentingan bisnis secara aktif mengembangkan solusi dan memiliki hasil bisnis akhir, bukan melemparkan konsep bukti ke operasional.

3. Kematangan Operasional & Tata Kelola

Keterlibatan Keamanan & Kepatuhan Sejak Hari Pertama: Kurangnya keterlibatan dari tim keamanan dan tata kelola, atau mencoba mengisolasi kasus AI kritis dari mereka untuk “bergerak lebih cepat”, adalah resep untuk kegagalan penerapan. Organisasi yang matang membawa InfoSec, hukum, dan tata kelola data ke meja pada Hari Pertama. Mereka memandang tim-tim ini sebagai pengaktif kritis yang membangun rel pengaman yang diperlukan untuk menskala dengan aman, bukan sebagai penghalang.

Akhirnya, organisasi yang berhasil menskala AI memperlakukannya tidak sebagai eksperimen sains IT, tetapi sebagai kemampuan bisnis transformasional dengan sponsor yang tepat, rel pengaman yang tepat, dan keselarasan bisnis yang tepat.

Apa yang sebenarnya terlihat seperti fondasi data AI yang siap, terutama untuk perusahaan dengan data yang terfragmentasi di seluruh ERP, CRM, komersial, cloud, dan sistem warisan?

Sebagian besar perusahaan tidak memiliki masalah volume data, tetapi memiliki masalah kepercayaan data. Ini adalah apa yang diperburuk dengan AI yang ditumpuk di atasnya. Ini kurang tentang memiliki platform yang baru dan lebih tentang sejumlah sifat yang tidak glamor yang memegang kebenaran di seluruh sistem.

Sebagai contoh, pelanggan, produk, atau toko yang sama harus diakui sebagai entitas yang sama, terlepas dari apakah itu berada di sistem ERP warisan, CRM modern, atau platform komersial. Jika sistem Anda tidak dapat setuju tentang siapa pelanggan, model personalisasi AI dan peramalan Anda bekerja dari data yang retak, menghasilkan gambaran yang halusinasi. Anda tidak dapat memprediksi nilai seumur hidup pelanggan jika AI Anda memperlakukan satu pelanggan sebagai tiga orang yang berbeda.

Kedua, kesegaran data yang sesuai dengan keputusan, bukan default ke apa yang dilakukan sistem sumber. Pembaruan inventori malam yang baik untuk perencanaan jangka panjang dan tidak berguna untuk pengisian waktu nyata; fondasi yang sebenarnya mendukung kecepatan kedua tanpa meratakan semuanya ke yang terlambat.

Ketiga, lapisan garis keturunan yang memungkinkan Anda untuk menjawab ‘dari mana angka ini berasal’ dalam hitungan menit, bukan penyelidikan multi-hari. Sebagian besar perusahaan yang terfragmentasi tidak kekurangan data, tetapi kekurangan lapisan yang membuat data yang mereka miliki sudah dipercaya dan dapat dilacak. Itulah fondasi yang sebenarnya, bukan alat yang dipasang di atasnya.

Anda sering membahas 5 V data: Volume, Kecepatan, Varietas, Keabsahan, dan Nilai. Mana yang cenderung dipandang remeh oleh pemimpin perusahaan ketika mempersiapkan data untuk AI?

Keabsahan Data, tanpa keraguan, diikuti dekat oleh Nilai Data.

Volume adalah yang diberikan dalam ekosistem data besar saat ini. Semua orang tenggelam dalam data. Varietas dan Kecepatan mendapatkan anggaran karena mereka terlihat di peta jalan – sumber baru, pipa, dan umpan waktu nyata.

Keabsahan adalah tidak terlihat sampai itu menghabiskan biaya – biasanya model menghasilkan output yang jelas salah, dan seseorang melacaknya kembali ke catatan pelanggan ganda atau bidang yang tiga tim populasikan dengan cara yang berbeda.

Terakhir, nilai dipandang remeh secara berbeda – pemimpin menganggap bahwa jika data ada, maka itu memiliki nilai, tanpa bertanya apakah itu benar-benar memindahkan keputusan. Sebagian besar perusahaan memiliki sebagian kecil dari data yang melakukan pekerjaan nyata dan tidak ada yang memetakan out mana yang sebenarnya.

Dalam ritel khusus, kasus penggunaan AI dapat mencakup personalisasi, peramalan, inventori, rantai pasok, layanan pelanggan, dan operasi toko. Di mana Anda melihat celah terbesar antara ambisi AI dan kesiapan data?

Sementara ambisi AI tersebar merata di ritel, kesiapan data sangat asimetris.

Personalisasi dan peramalan memiliki kesiapan yang paling masuk akal – pengecer telah mengumpulkan data transaksi dan browsing selama bertahun-tahun.

Celah yang lebih besar adalah rantai pasok dan omni-channel, terutama koneksi antara toko online dan fisik. Omni-channel sangat kompleks karena memaksa pengecer untuk menyelesaikan dua masalah data yang paling sulit dalam waktu nyata: identitas pelanggan yang seragam dan stok yang cair. Sebagian besar pengecer memiliki inventori e-commerce waktu nyata tetapi hanya visibilitas stok toko periodic, kadang-kadang akhir hari.

Layanan pelanggan dan operasi toko masih dalam tahap awal. Ambisi tinggi, tetapi data operasional yang mendasarinya, yaitu penjadwalan, penyelesaian tugas, dan kondisi toko waktu nyata, sering kali bagian yang paling tidak digital dari bisnis. Ambisi tersebar merata di kasus penggunaan ini; kesiapan tidak.

Bagaimana perusahaan harus memodernisasi infrastruktur data warisan tanpa mengganggu sistem kritis yang bisnis masih andalkan setiap hari?

Infrastruktur data warisan sering mengalami bottleneck operasional, masalah kualitas data yang parah, dan keterbatasan skala organisasi. Cara paling efektif untuk melindungi operasional sehari-hari selama perjalanan modernisasi adalah dengan ketat menghindari migrasi besar-besaran yang berisiko tinggi. Tujuan utama modernisasi platform data harus membuat data secara nyata lebih berguna untuk pengambilan keputusan organisasi, bukan memperlakukan upaya sebagai pertukaran platform IT murni.

Untuk memenuhi era AI, organisasi harus mengadopsi arsitektur data medali dan data mesh. Strategi ini menciptakan pipa yang terstruktur di mana data diperbarui secara bertahap dari mentah ke bisnis-siap, secara efektif mencegah data berkualitas buruk dari pengambilan keputusan. Dengan memisahkan data menjadi lapisan logis yang berbeda, organisasi membangun garis keturunan yang jelas, membuatnya mudah untuk melacak bagaimana informasi berubah dari sumber ke tujuan.

Dengan mengemas data yang diverifikasi ke dalam produk yang dapat diakses, organisasi memberdayakan tim mereka untuk membuat keputusan strategis, berbasis bukti, bukan mengandalkan intuisi. Yang sangat penting, pendekatan ini membangun fondasi kepercayaan data yang diperlukan untuk AI perusahaan. Membangun agen AI di atas produk data yang dikurasi memastikan model-model belajar dari informasi yang aman dan akurat, bukan dari dataset yang kacau dan tidak diverifikasi.

Tata kelola sering ditambahkan setelah proyek AI sudah berlangsung. Apa yang berubah ketika tata kelola, privasi, keamanan, dan kualitas data diperlakukan sebagai persyaratan arsitektur sejak hari pertama?

Semua bergerak lebih cepat, patah lebih sedikit, dan menskala lebih baik. Dengan sifat probabilistik AI generatif, tata kelola sangat kritis tetapi aspek yang paling diabaikan di banyak organisasi.

Ketika Anda memperlakukan elemen-elemen ini sebagai persyaratan arsitektur hari pertama daripada daftar periksa audit terakhir, Anda beralih dari pengendalian kerusakan ke kecepatan. Berikut adalah apa yang berubah:

Pertama, Anda menghindari fase “robek dan ganti” yang menyakitkan di mana proyek AI yang sudah dibangun sepenuhnya dibuang karena melanggar standar kepatuhan atau privasi.

Berikutnya, keamanan dan kualitas data tidak dipasang di atas; mereka tertanam dalam pipa. Model Anda berjalan pada data yang dapat diandalkan, menghasilkan output yang dipercayai oleh kepemimpinan dan pengguna.

Terakhir, bukan menabrak dinding regulasi ketika berpindah dari konsep bukti ke produksi, jalur penerapan sudah dibersihkan dan dioptimalkan.

Singkatnya, tata kelola bukanlah rem pada inovasi; itu adalah sistem kemudi yang memungkinkan Anda untuk mengemudi dengan cepat dan aman.

Sebagai penasihat untuk CAIO Circle, bagaimana Anda pikir peran Chief AI Officer harus berkembang, dan di mana tanggung jawabnya harus dimulai dan berakhir relatif terhadap CIO, CDO, dan pemimpin unit bisnis?

Menjadi bagian dari CAIO Circle telah menjadi jendela yang sangat berguna, karena sekarang peran itu ada di mana-mana karena banyak perusahaan menciptakannya secara reaktif, sebagai respons terhadap hipe AI generatif, bukan mengisi celah operasional yang jelas. Saya percaya ini akan segera menetap dan perlu. Untuk bekerja secara efektif, pembagian eksekutif harus tajam:

CIO memiliki infrastruktur dan keandalan sistem. CDO memiliki data sebagai aset perusahaan (kualitas, tata kelola, dan aksesibilitas). CAIO memiliki lapisan terjemahan antara kemampuan AI mentah dan hasil bisnis nyata.

Lapisan terjemahan itu berarti mengambil kepemilikan eksplisit dari portofolio AI, menentukan apa yang harus dibangun, mengidentifikasi area bisnis yang dapat ditingkatkan dan dilayani lebih baik melalui teknologi AI, dan berfungsi sebagai otoritas tertinggi tentang di mana AI harus dan tidak boleh diterapkan.

Celah terbesar di sebagian besar perusahaan saat ini adalah menilai risiko dan pertukaran nilai antara unit bisnis yang bersaing. Memblokir inisiatif AI berisiko tinggi yang unit bisnis tunggal sangat inginkan memerlukan seseorang yang insentifnya tidak terikat pada target jangka pendek unit itu dan yang cukup teknis untuk menilai risiko secara langsung. Itu adalah penjaga gerbang yang independen, yang teknis, yang peran CAIO perlu menjadi.

Menghadap ke depan, apa yang akan memisahkan perusahaan yang mencapai keunggulan AI yang tahan lama dari mereka yang hanya bereksperimen dengan alat AI terbaru?

Itu tidak akan menjadi mereka yang memiliki akses ke model terbaik. Kemampuan model telah berkembang dengan cepat, dan teknologi mentah tidak akan tetap menjadi pembeda yang langgeng.

Sebaliknya, tes inti kesuksesan AI jangka panjang – apakah internal atau menghadap pelanggan – datang pada satu hal: Kepercayaan.

Kepercayaan sebanding dengan kemampuan organisasi untuk membangun fondasi AI yang siap dan lingkungan di mana kemampuan baru dapat diuji, diterapkan dengan aman, dan diskalakan dengan kecepatan. Secara kongkret, itu memerlukan tiga hal:

Dasar Data yang Dapat Diandalkan: Data yang bersih dan dapat dipercaya sehingga setiap kasus penggunaan baru tidak memerlukan proyek pembersihan besar-besaran.

Tata Kelola yang Lincah: Proses risiko dan kepatuhan yang cukup cepat untuk mengikuti bagaimana model-model yang mendasarinya berkembang.

Metriks yang Berorientasi pada Hasil: Budaya organisasi yang mengukur AI dengan nilai bisnis, bukan kecanggihan teknis.

Perusahaan yang masih terjebak dalam “mode eksperimen” tiga tahun dari sekarang akan menjadi mereka yang tidak pernah membangun fondasi itu – mereka akan terus mempelajari pelajaran data dan tata kelola yang sama pada setiap proyek AI.

Para pemenang dengan keunggulan yang tahan lama akan menjadi mereka di mana kasus penggunaan AI kesepuluh menjadi jauh lebih murah dan lebih cepat untuk diterapkan daripada yang pertama, karena fondasi dibangun dengan benar sejak awal.

Terima kasih atas wawancara yang luar biasa, pembaca juga dapat membaca bukunya Enterprise-Grade Hybrid and Multi-Cloud Strategies.