Sathya AG, Senior Principal Arkitekt i Google – Intervju-serie

Sathya AG er en teknologi-evangelist, utgitt forfatter av “Enterprise-Grade Hybrid and Multi-Cloud Strategies“, og Senior Principal Arkitekt i Google (Retail Strategic Industries), med over 19 års erfaring i entreprise-arkitektur og AI. En global tankeleder anerkjent med Top AI Influencer Award og Google’s President’s Award, han er forfatter av Enterprise-Grade Hybrid and Multi-Cloud Strategies og en Advisory Board Member for CAIO Circle. Han er en Fellow of the British Computer Society (FBCS), Senior Member of IEEE, og Stanford LEAD alumnus. En ettertraktet taler på AI Forward, Google Next, og NRF, Sathya også frivillig underviser AI/ML til underbetjente samfunn.

Disclaimer:Tankene delt nedenfor og meninger uttrykt er forfatterens egne og reflekterer ikke nødvendigvis synspunktene, posisjonene eller meninger til hans arbeidsgiver eller noen organisasjon han er tilknyttet.

Du tilbrakte mer enn et tiår i Oracle (ORCL ) før du flyttet til en senior arkitekt-rolle i Google, der du nå arbeider med store detaljhandelsforetak. Hvordan har din syn på entreprise-AI endret seg når selskaper har gått fra tradisjonelle data-moderniseringsprosjekter til generative AI og agens-baserte AI-initiativer?

Tilbake i Oracle-dagene, som en entreprise-arkitekt, var mitt hovedfokus alltid på å bygge de grunnleggende, komplekse systemene som organisasjonene avhenger av for å drive sin virksomhet. Vi løste massive integrerings-, styrings- og Master Data Management-utfordringer for å sikre at entreprise hadde en enkelt, høyt resilient kilde til sannhet. Tradisjonell data-modernisering var grunnleggende om passiv observasjon, design av semantiske lag og data-pipelines som leverte pålitelige innsikter til menneskelige beslutningstakere.

Utviklingen av Generative og Agens-baserte AI har fullstendig endret det arkitektoniske paradigmet fra passiv observasjon til et autonomt system for handling. Nå har fokus skiftet til om vi kan la et system utføre en handling på vår vegne (og, korrekt, uten tilsyn), i skala. Det er en mye høyere standard for datakvalitet, kontekst og kontroll fordi nå en feil data-antakelse ikke bare produserer en feil dashboard, men en feil handling. En agent som misforstår lagerdata ikke bare misinformerer noen, men ender opp med å plassere en feil bestilling.

Dette er der hvor rigorøs entreprise-arkitektur blir kritisk og grunnleggende for AI-systemer. For å bygge autonome systemer på en trygg måte, må vi seamlesst brupe gapet mellom deterministiske entreprise-systemer og probabilistiske AI. Arkitektur-samtalene jeg leder nå handler om å bygge en pålitelig data-stoff, sikre at sanntids autonome resonnering er bundet av strenge retningslinjer, robust overvåkning og samme transaksjonsintegritet vi alltid har krevd av entreprise-systemer.

Du har argumentert for at mange AI-prosjekter feiler ikke på grunn av modellen, men på grunn av data- og arkitektur-beslutninger tatt mye tidligere. Hva er de vanligste tidlige arkitektur-valg som stille undergraver AI-prosjekter senere?

Det ene jeg ser mest er at selskaper behandler et lager eller en innsjø som en enkelt kilde til sannhet når det i virkeligheten bare er en enkelt destinasjon. De rører allesammen inn i ett sted og antar at det løser ‘en versjon av sannhet’-problemet, men det gjør det ikke, det sentraliserer bare uenigheten. Hvis tre kilde-systemer hver definerer en aktiv kunde forskjellig, å føre dem inn i ett lager gir deg ett feil svar istedenfor tre.

Så er det fellen å bygge for eksakt hva som er foran deg. En pipeline blir finjustert til en enkelt dashboard, fungerer godt, og så seks måneder senere trenger en ny modell samme data raskere eller friskere og hele ting må rives opp istedenfor å utvides.

Og det ene som alltid kommer tilbake for å bite folk er å hoppe over linje og metadata fordi det ser ut som overhodet ingen ba om. Det har ingen payoff; før dagen noen spør hvorfor modellen gjorde en bestemt oppkall og det finnes ingen måte å spore det på. Da blir det en dyrekjøpt fiksering istedenfor en billig design-beslutning.

Når du arbeider med Fortune 500-entreprise, hva er signalene som forteller deg om en organisasjon virkelig er klar til å skala AI utover pilot-prosjekter?

Ærlig talt, kan jeg vanligvis se det innen de første få samtaler. Forskjellen mellom en organisasjon som eksperimenterer med AI og en som er klar til å operasjonalisere det på entreprise-skala kommer ned til noen tydelige tegn. Jeg ser vanligvis etter beredskap over tre hoved-områder: Strategisk Overbevisning, Forretnings-integrasjon og Operasjonell Modenhet.

Her er hva som signaliserer sannt egentlig beredskap til å skala:

1. Strategisk Alignering & Eksekutiv Overbevisning

En tydelig AI-strategi, Ikke bare AI-avund: Organisasjonens ledelse demonstrerer ekte overbevisning når det gjelder deres AI-strategi. Dette er lett å se ved å stille noen ledende spørsmål om hvordan AI kartlegger til deres forretningsmål. Hvis de kan artikulere den nøyaktige forretningsverdien (f.eks. omsetningsvækst, margin-forbedring, eller kundeopplevelse) istedenfor bare å “bruke generativ AI”, er de klare.

Forpliktet entreprise-finansiering: De har flyttet seg bort fra isolerte FoU-budsjett. Det finnes en dedikert, tverrfaglig budsjett allokeringsikket ikke bare for AI-prosjekter, men for endringsledelse, infrastruktur og pågående MLOps.

2. Problem-Løsning og Forretnings-integrasjon

Løser Rette Problemer: En stor rød flagg er å forveksle standard arbeidsflyt-automatisering eller robotisk prosess-automatisering (RPA) med AI, og å tvinge AI på toppen bare for å vise AI-adoptsjon til styret. Klare organisasjoner forstår den distinkte verdi-proporsjonen av AI. De fokuserer på brukstilfeller hvor AI tilbyr en paradigmeskift i kapasitet, istedenfor bare å sjekke en teknologi-boks på en legacy-prosess.

Forretningsenhet-eierskap: Dette er en stille signal, men ofte den største hindringen for å skala. Hvis AI-begeistring bor helt innen en isolert “innovasjonslaboratorium” med ingen hud i spillet fra de faktiske forretningsenhetene, vil pilot-prosjekter feile å ta av. Sannt egentlig beredskap signaliseres når forretnings-stakeholdere aktivt sam-utvikler løsningen og eier den endelige forretnings-resultatet, istedenfor å kaste en proof-of-concept over muren til operasjoner.

3. Operasjonell Modenhet & Styring

Day-One Sikkerhet & Sammenslåing: En mangel på involvering fra sikkerhets- og styringsteam, eller å prøve å avskjerme en kritisk AI-bruksområde fra dem for å “flytte raskere”, er en oppskrift for deploy-Feil. Modne organisasjoner bringer InfoSec, juridisk og data-styring til bord på dag 1. De ser på disse teamene som kritiske aktiver som bygger guardrailene nødvendige for å skala trygt, ikke som hindringer.

Til slutt, organisasjoner som vellykker å skala AI behandler det ikke som en IT-vitenskapelig eksperiment, men som en transformasjons-bærende forretnings-kapasitet med riktig sponsor, riktig guardrail og riktig forretnings-sammenstillinger.

Hva ser en AI-klar data-grunn til å ligne ut, spesielt for entreprise med fragmentert data over ERP, CRM, handel, sky og legacy-systemer?

De fleste entreprise har ikke et data-volum-problem, men et data-tillit-problem. Dette er hva som forverres med AI lagt på toppen. Det handler mindre om å ha et nytt, glitrende platform og mer om en håndfull uglamorøse egenskaper som holder sant over systemer.

For eksempel, samme kunde, produkt eller butikk må gjenkjennes som samme enhet, uavhengig av om det sitter i et legacy ERP, et moderne CRM eller et handels-plattform. Hvis systemene dine ikke kan enes om hvem en kunde er, dine AI-personalisering og prognose-modeller arbeider av sprøttede data, resulterende i en hallusinert bilde. Du kan ikke forutsi kunde-livstid-verdi hvis din AI behandler en kunde som tre forskjellige personer.

For det andre, data-freshness som matcher beslutningen, ikke standard til hva kilde-systemet skjer å gjøre. Nattlige lager-oppdateringer er fine for langtids-planlegging og nytteløse for sanntids-oppfylling; en virkelig grunnlag støtter begge hastigheter uten å flate alt ut til den sakte.

Tredje, en linje-lag som lar deg svare ‘hvor kom dette nummeret fra’ på minutter, ikke en multi-dagers etterforskning. De fleste fragmenterte entreprise har ikke manglet data, men en lag som gjør dataen de allerede har tillitsfull og sporbare. Det er den faktiske grunnlaget, ikke hva som helst verktøy som boltas på toppen av det.

Du diskuterer ofte de 5 V-ene av data: Volum, Hastighet, Mangfold, Tillit og Verdi. Hvilken av disse tenderer entreprise-ledere å undervurdere mest når de forbereder data for AI?

Data-tillit, uten tvil, tett fulgt av Data-verdi.

Volum er en gitt i dagens store data-økosystem. Alle drukner i data. Mangfold og Hastighet får en budsjett fordi de er synlige på en veikart – nye kilder, pipelines og sanntids-feeds.

Tillit er usynlig til det koster noe – vanligvis produserer en modell en åpenbart feil utgang, og noen sporer det tilbake til duplikate kunde-poster eller et felt tre team populerer på tre forskjellige måter.

Til slutt, verdi blir undervurdert på en annen måte – ledere antar at hvis data eksisterer, har det verdi, uten å spørre om det faktisk flytter en beslutning. De fleste entreprise har en liten brøkdel av deres data som gjør noen virkelig arbeid og ingen har kartlagt hvilken brøkdel det er.

I detaljhandel spesifikt, kan AI-bruksområder omfatte personalisering, prognose, lager, leverandør-kjede, kunde-tjeneste og butikk-operasjoner. Hvor ser du den største gapet mellom AI-ambisjon og data-beredskap?

Mens AI-ambisjon er jevnt fordelt over detaljhandel, er data-beredskap svært asymmetrisk.

Personalisering og prognose har den mest rimelige beredskap – detaljhandlere har samlet inn transaksjons- og browsing-data i årevis.

Det større gapet er leverandør-kjede og omni-kanal, spesielt koblingen mellom online og fysiske butikker. Omni-kanal er usedvanlig kompleks fordi det tvinger en detaljhandel til å løse to av de hardeste data-problemene i sanntid: forent kunde-identitet og flytende lager. De fleste detaljhandlere har sanntids e-handels-lager, men bare periodisk, noen ganger slutten av dagen, synlighet inn i butikk-nivå-lager.

Kunde-tjeneste og butikk-operasjoner er fortsatt i tidlige faser. Ambisjon er høy, men den underliggende operative dataen, dvs. bemanning, oppgave-fullføring, sanntids butikk-forhold, er ofte den minst digitaliserte delen av virksomheten. Ambisjon er jevnt fordelt over disse bruksområdene; beredskap er det ikke.

Hvordan bør selskaper modernisere legacy-data-infrastruktur uten å forstyrre kritiske systemer som virksomheten fortsatt avhenger av hver dag?

Legacy-data-plattformer lider ofte av operative flaskeshals, alvorlige data-kvalitets-problemer og organisatoriske skalerings-begrensninger. Den mest effektive måten å beskytte daglige operasjoner under en moderniserings-reise er å strengt unngå en enkelt, høy-risiko stor-bang-migrering. Det primære målet med data-plattform-moderniseringen bør være å gjøre data demonstrabelt mer nyttig for organisatorisk beslutning, istedenfor å behandle anstrengelsen som en ren IT-plattform-bytte.

For å møte AI-æraen, bør organisasjoner adoptere en data-medaljong og data-mesh-arkitektur. Denne strategien skaper en strukturert pipeline hvor data refines progressivt fra rå til forretnings-klar, effektivt forhindrer dårlig kvalitet data fra beslutning. Ved å separere data i distinkte logiske lag, etablerer organisasjoner tydelig linje, gjør det enkelt å spore hvordan informasjon transformerer fra kilde til destinasjon.

Ved å pakke verifisert data i tilgjengelige produkter, gir organisasjoner sine team mulighet til å ta strategiske, bevis-baserte beslutninger istedenfor å stole på intuition. Kritisk, denne tilnærmingen etablerer grunnlaget for data-tillit som kreves for entreprise-AI. Bygging AI-agenter på toppen av kurerte data-produkter sikrer at modellene lærer fra sikre, nøyaktige informasjon istedenfor uordentlige, uverifiserte datasett.

Styring er ofte lagt til etter at et AI-prosjekt allerede er i gang. Hva endrer seg når styring, personvern, sikkerhet og data-kvalitet behandles som arkitektur-krav fra dag én?

Alt beveger seg raskere, bryter mindre og skaler bedre. Når du behandler disse elementene som dag-én arkitektur-krav istedenfor en siste-minutt-audit-sjekkliste, skifter du fra skade-kontroll til hastighet. Her er hva som endrer seg:

Først, unngår du den smertefulle “rip-and-replace”-fasen hvor fullt bygde AI-prosjekter skrottes fordi de krenker samsvar eller personvern-standarder.

Neste, sikkerhet og data-kvalitet er ikke patchet på toppen; de er innbygget i pipeline. Dine modeller kjører på pålitelig data, resulterer i utgang som ledelse og brukere faktisk stoler på.

Til slutt, istedenfor å treffe en regulativ vegg når du flytter fra proof-of-concept til produksjon, er veien til deploy allerede klar og automatisert.

Kort sagt, styring er ikke en brems på innovasjon, men det er styresystemet som lar deg kjøre raskt trygt.

Som en rådgiver til CAIO Circle, hvordan tror du Chief AI Officer-rollen bør utvikle seg, og hvor bør dens ansvar begynne og slutte i forhold til CIO, CDO og forretnings-enhet-ledere?

Å være en del av CAIO Circle har vært en virkelig nyttig vindu inn i dette, fordi nå er rollen overalt på grunn av at mange entreprise skapte den reaktivt, som en respons på generativ AI-hype, istedenfor å fylle en klar operativ lukke. Jeg tror dette vil bosette seg raskt og det må det. For å fungere effektivt, bør den eksekutive nedbrytingen være skarp:

CIO eier infrastrukturen og system-påliteligheten. CDO eier data som en entreprise-asset (dens kvalitet, styring og tilgjengelighet). CAIO eier oversettelses-laget mellom rå AI-kapasitet og virkelig forretnings-resultat.

Det oversettelses-laget betyr å ta eksplisitt eierskap av AI-porteføljen, bestemme hva som skal bygges, identifisere områdene av forretningsområdet som kan forbedres og betjenes bedre gjennom AI-teknologi og tjene som den ultimate myndigheten på hvor AI skal og ikke skal deployes.

Det største gapet i de fleste entreprise i dag er evaluering av risiko og verdi-vekslinger over konkurranse-forretnings-enheter. Blokkering av et høy-risiko AI-initiativ som en enkelt forretnings-enhet desperat ønsker, krever noen hvis incitamenter ikke er knyttet til den enhetens kort-tids-mål og som er teknisk nok til å evaluere risikoen direkte. Den uavhengige, teknisk-grunnede gatekeeper er nøyaktig hva CAIO-rollen må bli.

Seende fremover, hva vil skille selskaper som oppnår varig AI-fordel fra de som bare eksperimenterer med de siste AI-verktøyene?

Det vil ikke være de som har tilgang til de beste modellene. Modell-kapasitet konvergerer raskt, og rå-teknologi vil ikke forbli en varig differensierer.

Isteden, den grundige testen av lang-tids AI-suksess – enten intern eller kunde-orientert – kommer ned til en ting: Tillit.

Tillit er direkte proporsjonal med en organisasjons evne til å bygge en AI-klar grunnlag og en miljø hvor nye kapasiteter kan testes, trygt deployes og skalert i hastighet. Konkret, det krever tre ting:

En pålitelig Data-Grunnlag: Rent, tillitsfullt data så at hver nytt bruksområde ikke krever en massiv, enkelt-av-cleanup-prosjekt.

Smidig Styring: Risiko- og samsvar-prosesser raskt nok til å holde tritt med hvordan underliggende modeller utvikler seg.

Resultat-Drevne Metrikker: En organisatorisk kultur som måler AI etter forretnings-verdi, ikke teknisk sofistikert.

Selskaper som vil fortsatt være fast i “eksperimenterings-modus” om tre år vil være de som aldri bygde den grunnlaget – de vil fortsette å lære de samme data- og styrings-lesjonene på hver enkelt AI-prosjekt.

Vinnerne med en varig fordelen vil være de hvor den tiende AI-bruksområdet blir dramatisk billigere og raskere å deploye enn den første, fordi grunnlaget ble bygget riktig fra første gang.

Takk for det flotte intervjuet, lesere kan også lese hans bok Enterprise-Grade Hybrid and Multi-Cloud Strategies.