도미닉 사르토리오, 데노도 제품 마케팅 부사장 – 인터뷰 시리즈

도미닉 사르토리오는 데노도 제품 마케팅 부사장입니다. 도미닉은 데이터 관리 및 거버넌스 시장에서 20년 이상의 경험을 가지고 있으며, 인포매티카, 프로테그리티 등 주요 벤더에서 다양한 제품 및 마케팅 리더십 역할을 수행했습니다.

데노도는 데이터 관리의 글로벌 리더로, 신뢰할 수 있는 AI 에이전트 및 애플리케이션을 구동합니다. 데노도 플랫폼은 수상 경력에 빛나는 논리적 데이터 관리 솔루션으로, 기업 데이터를 AI, 분석, 셀프 서비스 이니셔티브를 위한 신뢰할 수 있는 통찰력으로 변환합니다. 전 세계의 조직은 데노도를 사용하여 전통적인 데이터 레이크하우스보다 4배 빠른 시간에 인사이트를 얻을 수 있으며, 345%의 ROI와 10배 더 나은 성능을 달성할 수 있습니다. 850명의 기업 리더로부터의 통찰력을 기반으로 하는 데노도의 AI 신뢰 격차 보고서는 많은 AI 프로젝트가为什么 실험 단계를 넘어서지 못하는 이유와 신뢰할 수 있는 생산 준비가 된 AI를 구축하기 위해 조직이 해야 할 일들을 밝혀줍니다.

당신은 인포매티카, 프로테그리티, 인포웍스, 그리고 현재 데노도와 같은 기업에서 다양한 제품 및 마케팅 리더십 역할을 수행했습니다. AI가 분석에서 자율적이고 에이전트 기반의 시스템으로 전환함에 따라 “신뢰할 수 있는 데이터”에 대한 당신의 관점은 어떻게 변화했나요?

내 경력 초기에, 신뢰할 수 있는 데이터는 주로 정확성, 계보, 보안, 그리고 분석가가 대시보드와 보고서에 대한 자신감을 가질 수 있도록 하는 것에 관한 것이었습니다. 에이전트 기반의 AI에서는 시스템이 데이터를 해석하는 것뿐만 아니라 비즈니스 워크플로를 트리거하거나 실제 영향력을 가진 결정들을 내리는 경우가 있으므로, 더 높은 위험을 감수해야 합니다. 즉, 신뢰할 수 있는 데이터는 이제 라이브 운영 컨텍스트, 일관된 비즈니스 의미, 그리고 에이전트가 올바르게 작동하는지 확인하기 위한 가드레일을 포함해야 합니다.

데노도의 AI 신뢰 격차 보고서에 따르면, 66%의 조직이 AI 데이터는 실시간 또는 근실시간이어야 신뢰할 수 있다고 말합니다. 많은 기업이 아직도 라이브 운영 데이터를 AI 시스템에 제공하는 데 어려움을 겪는 이유는 무엇이라고 생각하시나요?

대부분의 기업은 AI 에이전트가 많은 시스템에 걸쳐 라이브 상황 인식을 필요로 하는 방식으로 설계되지 않았습니다. 그들의 데이터는 애플리케이션, 클라우드, 웨어하우스, 레이크하우스, 레거시 시스템, 기타 운영 플랫폼에 걸쳐 분산되어 있습니다. 그들은 데이터를 중앙 웨어하우스 또는 데이터 레이크에 복사하여 분석 및 비즈니스 인텔리전스에 사용할 수 있지만, 라이브 상황 인식을 필요로 하는 AI 에이전트에게는 적합하지 않습니다. 데이터를 복사하면 더 이상 라이브가 아닙니다. 실시간으로 스트리밍할 수 있지만, 이는 매우 비용이 많이 듭니다. 이것이 데노도의 논리적 데이터 관리 접근 방식이 중요한 이유입니다. 이는 AI 시스템이 라이브 데이터에 거버넌스된 액세스를 제공함으로써, 기업이 모든 것을不断히 복사하고 재플랫폼화할 필요가 없도록 합니다.

보고서에서 가장 주목할 만한 발견 중 하나는 기업의 AI 이니셔티브가 수백 개의 데이터 소스를 끌어들이고 있으며, 일부 조직은 1,000개 이상의 소스를 액세스한다는 것입니다. 이러한 수준의 분산은 기업이 AI 아키텍처에 대해 어떻게 생각해야 하는지 변경시킵니다.

그런 수준의 분산에서, 아키텍처는 모든 소스를 물리적으로 통합해야 한다는 가정에 의존할 수 없습니다. 기업은 데이터를 분산된 현실에서 발견, 통합, 거버넌스, 제공할 수 있는 추상화 계층이 필요합니다. 내 관점에서, 데이터 아키텍처는 논리적, 메타데이터 주도, 의미적으로 더 많이 발전해야 하므로 에이전트가 기본 시스템에緊密하게 결합되지 않고 컨텍스트에서 올바른 데이터를 찾을 수 있습니다.

보고서는 많은 AI 실패가 실제로 “데이터 아키텍처 실패”라고 주장합니다. 산업이 모델에 너무 많은 시간을 할애하고 데이터 인프라의 중요성을 과소평가한 것이라고 생각하시나요?

예. 모델은 중요하지만, 많은 실패한 AI 프로젝트는 모델이 불가능해서가 아니라, 모델이 불완전한 데이터, 구식 데이터, 일관성이 없는 데이터, 또는 잘 관리되지 않은 데이터와 함께 작동하기 때문에 실패합니다. 모델은 파일럿에서 잘 작동했지만, 실제 세계에서 분산된 메시지로 인해 AI는 신뢰할 수 있는 결과를 생산하지 못합니다. 내 경험에 따르면, 기업은 데이터 계층을 AI 아키텍처의 1차적인 부분으로 다룰 때, 더 나은 AI 결과를 얻습니다.

데노도는 시맨틱 일관성과 유니버설 시맨틱 레이어의 중요성을 자주 강조합니다. 자율적인 에이전트가 결정들을 내리는 경우, 시맨틱 정렬이 잘못된 동작이나 비즈니스 논리를 방지하는 데 얼마나 중요한가요?

시맨틱 정렬은 절대적으로 중요합니다. 한 시스템에서 “고객”, “수익”, “위험”, 또는 “이탈”을 다른 시스템과 다르게 정의한다면, AI 에이전트는 기술적으로 가능하지만 비즈니스 컨텍스트에서 잘못된 답변을 생산할 수 있습니다. 유니버설 시맨틱 레이어는 에이전트가 원시 데이터 액세스뿐만 아니라 일관된 비즈니스 의미로 작동하도록 도와줍니다.

您的 AI & Big Data Expo 세션은 파일럿에서 생산으로 이동하는 것에 중점을 두었습니다. 귀하의 경험에 따르면, 기업이 “파일럿 단계”에 갇히고 실제 운영 시스템으로 AI를 확장하지 못하는 가장 큰 이유는 무엇인가요?

파일럿은 狭い, 수동으로 큐레이팅된 데이터 세트를 사용하며, 전체 기업의 복잡성으로부터 격리된 경우에 작동합니다. 생산용 AI는 라이브 데이터, 보안, 거버넌스, 성능, 감사 가능성, 비즈니스 규칙의 변경, 실제 워크플로에 대한 통합 등과 같은 문제를 다루어야 합니다. 많은 조직은 인상적인 데모를 구축하지만, 확장 가능한 AI를 운영하기 위해 필요한 거버넌스된 데이터Foundation을 구축하지 못하여 갇히게 됩니다.

보고서는 향후 몇 년 동안 많은 에이전트 AI 프로젝트가 비용 증가, 불분명한 가치, 또는 부적절한 위험 통제로 인해 취소될 수 있다고 예측합니다. 산업이 더 선택적이 되어 살아남는 AI 프로젝트가 더 많아질 것으로 생각하시나요?

예, 그리고 그것은 건강한 현상입니다. 첫 번째 AI 실험은 가능성에 관한 것이었지만, 다음 물결은 운영 가치, 비용 규율, 신뢰에 관한 것입니다. 살아남는 프로젝트는 측정 가능한 비즈니스 결과와 올바른 데이터, 거버넌스, 아키텍처를 지원받는 프로젝트가 될 것입니다.

보안 및 거버넌스는 보고서 전반에 걸쳐 반복적으로 등장하며, 특히 에이전트 AI의 “가드레일”과 관련이 있습니다. 자율적인 AI 기능과 엄격한 액세스 제어 및 감사 가능성의 필요 사이에서 조직이 어떻게 균형을 잡아야 합니까?

关键은 거버넌스를 AI 시스템이 구축된 후에 추가하는 것이 아니라, 거버넌스를 데이터 액세스 레이어 자체에 내장하는 것입니다. 액세스 제어, 정책 시행, 계보, 감사 가능성은 AI 에이전트가 권한을 부여받은 데이터만 볼 수 있도록 해야 합니다. 데노도와 함께, 동일한 거버넌스 정책을 하이브리드 및 멀티 클라우드 환경 전반에 걸쳐 일관되게 적용할 수 있습니다.

데노도는 논리적 데이터 관리를 하이브리드 및 멀티 클라우드 환경에서 데이터를不断히 이동하지 않고 액세스를 통일할 수 있는 방법으로 пози션합니다. 기업이 점점 더 검색 기반 AI 아키텍처를 채택함에 따라, “제로 복사” 또는 논리적 우선 아키텍처가 기업 AI의 장기적인 방향이 될 것으로 생각하시나요?

예. 검색 기반 AI는 미리 모든 데이터 세트를 단일 저장소에 이동하는 것이 아니라, 올바른 데이터를 올바른 시간에 얻는 것에 의존합니다. 논리적 우선, 제로 복사 접근 방식은 기업이 실제로 작동하는 방식과 더 잘 일치합니다. 데이터는 분산되어 있지만, AI는 거버넌스된, 시맨틱, 실시간 레이어를 통해 데이터에 액세스할 수 있습니다. 그것이 기업 AI가 가야 할 방향이라고 믿습니다.

앞으로 3~5년 동안, 신뢰할 수 있는 AI를 운영하는 조직과 실험 모드에 머무르는 조직을 구분하는 것은 무엇이라고 생각하시나요?

승리자는 AI가 모델 전략이 아니라 데이터 전략, 거버넌스 전략, 운영 모델 전략이라고 인식하는 조직이 될 것입니다. 그들은 라이브 데이터 액세스, 시맨틱 일관성, 재사용 가능한 거버넌스, 기업 전체에 걸쳐 확장할 수 있는 아키텍처에 투자할 것입니다. 분산된 또는 구식 데이터에 기반한 고립된 파일럿을 계속 구축하는 조직은 실험을 넘어서는 데 어려움을 겪을 것입니다.

감사합니다. 더 많은 정보를 원하는 독자는 데노도를 방문하거나 데노도의 AI 신뢰 격차 보고서를 다운로드할 수 있습니다.