Sathya AG, Senior Principal Architect at Google – Intervista di Serie

Sathya AG è un evangelista tecnologico, autore pubblicato di “Strategie ibride e multi-cloud di livello aziendale“, e Senior Principal Architect at Google (Retail Strategic Industries), con oltre 19 anni di esperienza in architettura aziendale e intelligenza artificiale. Un leader di pensiero globale riconosciuto con il premio Top AI Influencer Award e il premio del Presidente di Google, è l’autore di Strategie ibride e multi-cloud di livello aziendale e membro del consiglio di amministrazione del CAIO Circle. È un fellow della British Computer Society (FBCS), membro senior dell’IEEE e alunno del programma Stanford LEAD. Un relatore molto richiesto ad AI Forward, Google Next e NRF, Sathya si offre anche di insegnare AI/ML a comunità svantaggiate.

Disclaimer: Le opinioni condivise di seguito e le opinioni espresse sono quelle dell’autore e non riflettono necessariamente le opinioni, le posizioni o le opinioni del suo datore di lavoro o di qualsiasi organizzazione con cui è affiliato.

Ha trascorso più di un decennio in Oracle (ORCL ) prima di passare a un ruolo di senior architecture in Google, dove ora lavora con grandi aziende di retail. Come è cambiata la sua visione dell’intelligenza artificiale aziendale mentre le aziende sono passate da progetti di modernizzazione dei dati tradizionali a iniziative di intelligenza artificiale generativa e agente?

Nel mio periodo in Oracle, come architetto aziendale, il mio focus principale era sempre stato quello di costruire sistemi complessi e fondamentali che le organizzazioni utilizzano per gestire il loro business. Risolvevamo sfide massive di integrazione, governance e Master Data Management per garantire che l’azienda avesse una singola fonte di verità altamente resiliente. La modernizzazione dei dati tradizionale era fondamentalmente una questione di osservazione passiva, progettazione di livelli semantici e pipeline di dati che fornivano informazioni attendibili ai responsabili delle decisioni umane.

L’evoluzione dell’intelligenza artificiale generativa e agente ha completamente cambiato il paradigma architettonico da osservazione passiva a un sistema di azione autonomo. Ora, l’attenzione si è spostata su come consentire a un sistema di intraprendere un’azione per nostro conto (e, correttamente, senza supervisione), su larga scala. Questo è un livello di qualità dei dati, contesto e controllo molto più alto, perché ora un’ipotesi di dati errata non produce solo un dashboard errato, ma un’azione errata. Un agente che legge male i dati di inventario non informa solo qualcuno in modo errato, ma finisce per effettuare un ordine errato.

Questo è il punto in cui l’architettura aziendale rigorosa diventa critica e fondamentale per i sistemi di intelligenza artificiale. Per costruire sistemi autonomi in modo sicuro, dobbiamo colmare senza soluzione di continuità il divario tra sistemi aziendali deterministici e sistemi di intelligenza artificiale probabilistici. Le conversazioni architettoniche che conduco ora sono sulla costruzione di un tessuto di dati attendibile, garantendo che il ragionamento autonomo in tempo reale sia vincolato da una governance rigorosa, una robusta osservabilità e la stessa integrità transazionale che abbiamo sempre preteso dai sistemi aziendali.

Ha sostenuto che molti progetti di intelligenza artificiale falliscono non a causa del modello, ma a causa delle decisioni di dati e architettura prese molto prima. Quali sono le scelte architettoniche più comuni che minano silenziosamente i progetti di intelligenza artificiale in seguito?

Quella che vedo più spesso è che le aziende trattano un magazzino o un lago come la singola fonte di verità quando in realtà è solo una singola destinazione. Iniettano tutto in un posto e assumono che ciò risolva il problema della “singola versione della verità”, ma non è così, si limita a centralizzare il disaccordo. Se tre sistemi di origine definiscono ogni cliente attivo in modo diverso, canalizzarli in un unico magazzino ti dà una risposta sbagliata invece di tre.

Poi c’è la trappola di costruire esattamente ciò che si ha di fronte. Un pipeline viene tarato alla perfezione per un dashboard, funziona alla grande e poi sei mesi dopo un nuovo modello necessita degli stessi dati più velocemente o più freschi e l’intera cosa deve essere smontata piuttosto che estesa.

E quella che sempre torna a mordere le persone è saltare la discendenza e i metadati perché sembra un sovraccarico che nessuno ha chiesto. Non ha alcun ritorno; fino al giorno in cui qualcuno chiede perché il modello ha fatto una specifica chiamata e non c’è modo di rintracciarla. È allora che si trasforma in una correzione costosa invece di una decisione di progettazione a buon mercato.

Quando lavora con aziende Fortune 500, quali segnali le indicano se un’organizzazione è realmente pronta a scalare l’intelligenza artificiale oltre i piloti?

Onestamente, posso capirlo di solito entro le prime poche conversazioni. La differenza tra un’organizzazione che sperimenta con l’intelligenza artificiale e una pronta a operativizzarla su larga scala aziendale si riduce a pochi segnali rivelatori. Di solito, cerco la prontezza in tre categorie principali: convinzione strategica, integrazione aziendale e maturità operativa.

Ecco cosa segnala la vera prontezza per scalare:

1. Allineamento strategico e convinzione esecutiva

Una chiara strategia di intelligenza artificiale, non solo “invidia per l’AI”: la leadership dell’organizzazione dimostra una convinzione genuina riguardo alla loro strategia di intelligenza artificiale. Ciò è facilmente individuabile ponendo alcune domande guida su come l’intelligenza artificiale si collega agli obiettivi aziendali. Se possono articolare il preciso valore aziendale (ad esempio, crescita dei ricavi, miglioramento del margine o esperienza del cliente) piuttosto che solo voler “utilizzare l’intelligenza artificiale generativa”, sono pronti.

Finanziamento aziendale impegnato: sono andati oltre i budget di R&D isolati. C’è un budget dedicato, cross-funzionale allocato non solo per progetti di intelligenza artificiale, ma anche per la gestione del cambiamento, l’infrastruttura e la gestione continua dell’MLOps.

2. Adattamento del problema e soluzione e integrazione aziendale

Risolvere i problemi giusti: un segnale di allarme importante è confondere l’automazione del flusso di lavoro standard o l’automazione dei processi robotici (RPA) con l’intelligenza artificiale e forzare l’intelligenza artificiale su di esso solo per mostrare l’adozione dell’intelligenza artificiale al consiglio di amministrazione. Le organizzazioni pronte capiscono il valore distintivo dell’intelligenza artificiale. Si concentrano su casi d’uso in cui l’intelligenza artificiale offre un cambiamento paradigmatico di capacità, piuttosto che solo controllare una casella tecnologica su un processo legacy.

Proprietà del reparto aziendale: questo è un segnale più silenzioso, ma spesso il più grande ostacolo alla scalabilità. Se l’eccitazione per l’intelligenza artificiale vive interamente all’interno di un “laboratorio di innovazione” isolato senza alcun interesse da parte dei reparti aziendali effettivi, i piloti falliranno nel decollare. La vera prontezza è segnalata quando gli stakeholder aziendali sviluppano attivamente la soluzione e possiedono il risultato aziendale finale, piuttosto che gettare un proof-of-concept oltre il muro alle operazioni.

3. Maturità operativa e governance

Coinvolgimento della sicurezza e della conformità fin dal primo giorno: la mancanza di coinvolgimento da parte dei team di sicurezza e governance, o cercare di isolare un caso d’uso di intelligenza artificiale critico da loro per “muoversi più velocemente”, è una ricetta per il fallimento della distribuzione. Le organizzazioni mature portano InfoSec, legale e governance dei dati al tavolo fin dal primo giorno. Le vedono come team critici che costruiscono le barriere necessarie per scalare in modo sicuro, non come ostacoli.

Infine, le organizzazioni che scalano con successo l’intelligenza artificiale la trattano non come un esperimento scientifico IT, ma come una capacità aziendale trasformativa con il giusto sponsor, le giuste barriere e l’allineamento aziendale giusto.

Cosa assomiglia effettivamente una fondazione di dati pronta all’intelligenza artificiale, soprattutto per le aziende con dati frammentati su ERP, CRM, commercio, cloud e sistemi legacy?

La maggior parte delle aziende non ha un problema di volume dei dati, ma piuttosto un problema di fiducia dei dati. Questo è ciò che si accentua con l’intelligenza artificiale stratificata sopra. Non si tratta di avere una piattaforma nuova e luccicante, ma di una manciata di proprietà non glamour che valgono la pena di essere vere attraverso i sistemi.

Ad esempio, lo stesso cliente, prodotto o negozio deve essere riconosciuto come la stessa entità, indipendentemente dal fatto che si trovi in un legacy ERP, un moderno CRM o una piattaforma di commercio. Se i tuoi sistemi non possono concordare su chi è un cliente, i tuoi modelli di personalizzazione e previsione dell’intelligenza artificiale stanno lavorando con dati fratturati, portando a un’immagine allucinata. Non puoi prevedere il valore della vita del cliente se il tuo modello di intelligenza artificiale tratta un cliente come tre persone diverse.

In secondo luogo, la freschezza dei dati che corrisponde alla decisione, non impostata su ciò che il sistema di origine accade a fare. Gli aggiornamenti dell’inventario notturni sono fini per la pianificazione a lungo termine e inutili per l’adempimento in tempo reale; una fondazione reale supporta entrambe le velocità senza appiattire tutto alla più lenta.

Terzo, un livello di discendenza che ti consente di rispondere a “da dove viene questo numero” in pochi minuti, non in un’indagine multi-giornaliera. La maggior parte delle aziende frammentate non è a corto di dati, ma a corto di un livello che rende i dati di cui dispone già attendibili e tracciabili. Quella è la fondazione effettiva, non l’attrezzo che viene fissato sopra.

Spesso discute dei 5 V dei dati: Volume, Velocità, Varietà, Veridicità e Valore. Quale di questi tendono i leader aziendali a sottovalutare di più quando preparano i dati per l’intelligenza artificiale?

La veridicità dei dati, senza alcun dubbio, seguita a ruota dalla qualità dei dati.

Il volume è una certezza nell’ecosistema dei big data di oggi. Tutti annegano nei dati. La varietà e la velocità ottengono un budget perché sono visibili su una roadmap – nuove fonti, pipeline e feed in tempo reale.

La veridicità è invisibile fino a quando non costa qualcosa – di solito un modello produce un output ovviamente errato e qualcuno lo rintraccia a registri di clienti duplicati o a un campo che tre team popolano in tre modi diversi.

Infine, il valore viene sottovalutato in modo diverso – i leader assumono che se i dati esistono, hanno valore, senza chiedersi se effettivamente spostano una decisione. La maggior parte delle aziende ha una piccola frazione dei propri dati che fa realmente un lavoro e nessuno ha mappato quale frazione sia.

Nel settore retail in particolare, i casi d’uso dell’intelligenza artificiale possono coprire personalizzazione, previsione, inventario, catena di approvvigionamento, servizio clienti e operazioni di negozio. Dove vede la maggiore lacuna tra ambizione dell’intelligenza artificiale e prontezza dei dati?

Mentre l’ambizione dell’intelligenza artificiale è distribuita uniformemente nel retail, la prontezza dei dati è altamente asimmetrica.

La personalizzazione e la previsione hanno la prontezza più ragionevole – i dettaglianti hanno raccolto dati di transazione e di navigazione per anni.

La lacuna più grande è nella catena di approvvigionamento e nell’omnicanalità, soprattutto nel collegamento tra negozi online e fisici. L’omnicanalità è incredibilmente complessa perché costringe un dettagliante a risolvere due dei problemi di dati più difficili in tempo reale: identità del cliente unificata e inventario fluido. La maggior parte dei dettaglianti ha un inventario di e-commerce in tempo reale, ma solo una visibilità periodica, a volte fine giornata, dello stock di negozio.

I servizi clienti e le operazioni di negozio sono ancora in una fase iniziale. L’ambizione è alta, ma i dati operativi sottostanti, ad esempio il personale, il completamento delle attività, le condizioni del negozio in tempo reale, sono spesso la parte meno digitalizzata dell’azienda. L’ambizione è distribuita uniformemente su questi casi d’uso; la prontezza non lo è.

Come dovrebbero le aziende modernizzare l’infrastruttura dei dati legacy senza interrompere i sistemi mission-critical di cui l’azienda ancora dipende ogni giorno?

L’infrastruttura dei dati legacy spesso soffre di collo di bottiglia operativo, gravi problemi di qualità dei dati e limiti di scalabilità organizzativa. Il modo più efficace per proteggere le operazioni quotidiane durante un viaggio di modernizzazione dei dati è quello di evitare rigorosamente una singola migrazione ad alto rischio. L’obiettivo principale della modernizzazione della piattaforma dei dati dovrebbe essere quello di rendere i dati dimostrabilmente più utili per la presa di decisioni organizzative, piuttosto che trattare lo sforzo come un semplice scambio di piattaforma IT.

Per adeguarsi all’era dell’intelligenza artificiale, le organizzazioni dovrebbero adottare un’architettura di medaglia dei dati e mesh dei dati. Questa strategia crea una pipeline strutturata in cui i dati vengono raffinati progressivamente da grezzo a pronto per l’azienda, impedendo efficacemente ai dati di bassa qualità di influenzare la presa di decisioni. Separando i dati in livelli logici distinti, le organizzazioni stabiliscono una discendenza chiara, rendendo semplice tracciare come le informazioni si trasformano dalla fonte alla destinazione.

Imballando i dati verificati in prodotti accessibili, le organizzazioni abilitano i propri team a prendere decisioni strategiche basate su prove, piuttosto che affidarsi all’intuizione. Fondamentale, questo approccio stabilisce la base della fiducia dei dati richiesta per l’intelligenza artificiale aziendale. Costruire agenti di intelligenza artificiale su prodotti di dati curati garantisce che i modelli imparino da informazioni sicure e accurate, piuttosto che da set di dati disordinati e non verificati.

La governance è spesso aggiunta dopo che un progetto di intelligenza artificiale è già in corso. Cosa cambia quando la governance, la privacy, la sicurezza e la qualità dei dati sono trattate come requisiti di architettura fin dal primo giorno?

Tutto si muove più velocemente, si rompe meno e scala meglio. Con la natura probabilistica dell’intelligenza artificiale generativa, la governance è estremamente critica, ma è anche l’aspetto più trascurato in molte organizzazioni.

Quando si trattano questi elementi come requisiti di architettura del primo giorno, piuttosto che come un elenco di controllo di audit dell’ultimo minuto, si passa dal controllo dei danni alla velocità. Ecco cosa cambia:

Primo, si evita la fase di “strappo e sostituzione” in cui progetti di intelligenza artificiale completamente costruiti vengono scartati perché violano gli standard di conformità o privacy.

Successivamente, la sicurezza e la qualità dei dati non vengono applicate sopra; sono incorporate nel pipeline. I tuoi modelli funzionano con dati affidabili, producendo output che la leadership e gli utenti effettivamente fiduciosi.

Infine, invece di colpire un muro regolamentare quando si passa dal proof-of-concept alla produzione, il percorso di distribuzione è già stato chiarito e automatizzato.

In breve, la governance non è un freno all’innovazione, ma è il sistema di guida che consente di guidare velocemente in sicurezza.

Come consigliere del CAIO Circle, come pensa che il ruolo del Chief AI Officer debba evolversi e dove dovrebbero iniziare e finire le sue responsabilità rispetto al CIO, CDO e ai leader dei reparti aziendali?

Essere parte del CAIO Circle è stato veramente utile, perché ora il ruolo è ovunque a causa del fatto che molte aziende lo hanno creato reattivamente, in risposta all’iperiallarmismo dell’intelligenza artificiale generativa, piuttosto che colmare una chiara lacuna operativa. Credo che questo si stabilizzerà rapidamente e deve farlo. Per funzionare efficacemente, la divisione esecutiva dovrebbe essere nitida:

Il CIO possiede l’infrastruttura e l’affidabilità del sistema. Il CDO possiede i dati come un asset aziendale (la sua qualità, la governance e l’accessibilità). Il CAIO possiede lo strato di traduzione tra la capacità grezza dell’intelligenza artificiale e i risultati aziendali reali.

Questo strato di traduzione significa prendere la proprietà esplicita del portfolio di intelligenza artificiale, determinare cosa costruire, identificare le aree del business che possono essere migliorate e servite meglio attraverso la tecnologia dell’intelligenza artificiale e fungere da autorità ultima su dove l’intelligenza artificiale dovrebbe e non dovrebbe essere distribuita.

La maggiore lacuna in molte aziende oggi è la valutazione dei rischi e dei compromessi di valore tra reparti aziendali in competizione. Bloccare un’iniziativa di intelligenza artificiale ad alto rischio che un singolo reparto aziendale desidera disperatamente richiede qualcuno le cui incentivazioni non sono legate ai target a breve termine di quel reparto e che sia tecnicamente in grado di valutare il rischio direttamente. Quel gatekeeper indipendente e tecnicamente fondato è esattamente ciò che il ruolo del CAIO deve diventare.

Guardando avanti, cosa separerà le aziende che raggiungono un vantaggio duraturo dell’intelligenza artificiale da quelle che semplicemente sperimentano con gli ultimi strumenti di intelligenza artificiale?

Non saranno quelle che hanno accesso ai migliori modelli. La capacità del modello sta convergendo rapidamente e la tecnologia grezza non rimarrà un differenziatore duraturo.

Al contrario, la prova fondamentale del successo dell’intelligenza artificiale a lungo termine – sia interna che rivolta al cliente – si riduce a una cosa: Fiducia.

La fiducia è direttamente proporzionale alla capacità di un’organizzazione di costruire una fondazione pronta all’intelligenza artificiale e un ambiente in cui nuove capacità possono essere testate, distribuite in modo sicuro e scalate alla velocità. Concretamente, ciò richiede tre cose:

Una fondazione di dati affidabile: dati puliti e attendibili in modo che ogni nuovo caso d’uso non richieda un massiccio progetto di pulizia una tantum.

Governance agile: processi di rischio e conformità abbastanza veloci da stare al passo con la rapidità con cui i modelli di base evolvono.

Metriche guidate dal risultato: una cultura aziendale che misura l’intelligenza artificiale per valore aziendale, non per sofisticazione tecnologica.

Le aziende che saranno ancora bloccate nella “modalità di sperimentazione” tre anni da adesso saranno quelle che non hanno mai costruito quella fondazione – continueranno a riapprendere le stesse lezioni di dati e governance su ogni singolo progetto di intelligenza artificiale.

Le aziende vincitrici con un vantaggio duraturo saranno quelle in cui il decimo caso d’uso dell’intelligenza artificiale diventa drasticamente più economico e veloce da distribuire del primo, perché la fondazione è stata costruita correttamente fin dall’inizio.

Grazie per la grande intervista, i lettori possono anche leggere il suo libro Strategie ibride e multi-cloud di livello aziendale.