Dominic Sartorio, VP of Product Marketing at Denodo – Wywiad

Dominic Sartorio jest VP of Product Marketing at Denodo. Dominic ma ponad 20 lat doświadczenia na rynku zarządzania danymi i rządzenia, pełniąc różne role produkcyjne i marketingowe w firmach takich jak Informatica, Protegrity i innych wiodących dostawcach.

Denodo to globalny lider w zarządzaniu danymi, napędzający godne zaufania agenci i aplikacje AI. Platforma Denodo, nagradzana rozwiązanie do zarządzania danymi logicznymi, przekształca dane przedsiębiorstw w niezawodne spostrzeżenia dla AI, analityki i inicjatyw samoobsługowych. Firmy na całym świecie używają Denodo, aby dostarczyć dane gotowe do AI, gotowe do biznesu w ułamku czasu w porównaniu z tradycyjnymi data lakehouse, osiągając nawet 4-krotnie szybszy czas dostępu do informacji, 345% zwrotu z inwestycji i 10-krotnie lepszą wydajność. Na podstawie informacji od 850 liderów przedsiębiorstw, Raport Denodo o przerwie zaufania AI ujawnia, dlaczego wiele projektów AI ma trudności z wyjściem poza fazę pilotażową i co przedsiębiorstwa muszą zrobić, aby zbudować godne zaufania, gotowe do produkcji AI.

Pełniłeś role kierownicze w firmach takich jak Informatica, Protegrity, Infoworks i teraz Denodo, wszystkie skupione na różnych warstwach infrastruktury danych przedsiębiorstwa. Jak Twoja perspektywa na „zaufane dane” ewoluowała, gdy AI przesunęło się z analityki do systemów autonomicznych i agenckich?

We wczesnej fazie mojej kariery zaufane dane były głównie związane z dokładnością, pochodzeniem, bezpieczeństwem i dawały analitykom pewność co do pulpitów i raportów. W przypadku agenckiego AI stawki są znacznie wyższe, ponieważ systemy nie tylko interpretują dane, ale także mogą działać autonomicznie, uruchamiać biznesowe przepływy pracy lub podejmować decyzje o realnym wpływie. Oznacza to, że zaufane dane muszą teraz obejmować żywy kontekst operacyjny, spójne znaczenie biznesowe i zapory bezpieczeństwa, aby można było mieć pewność, że agenci działają poprawnie i bezpiecznie.

Raport Denodo o przerwie zaufania AI wykazał, że 66% firm uważa, iż dane AI muszą być w czasie rzeczywistym lub prawie w czasie rzeczywistym, aby być godnymi zaufania. Dlaczego uważasz, że wiele przedsiębiorstw nadal ma trudności z dostarczaniem danych operacyjnych w czasie rzeczywistym do systemów AI?

Większość przedsiębiorstw nie została zaprojektowana z myślą o agentach AI, które potrzebują żywej świadomości sytuacyjnej w wielu systemach. Ich dane są rozproszone po aplikacjach, chmurach, magazynach, jeziorach danych, systemach legacy i innych platformach operacyjnych. Mogą kopiować te dane do centralnego magazynu lub jeziora danych do celów analitycznych i BI, ale nie jest to odpowiednie dla agentów AI, które potrzebują żywej świadomości sytuacyjnej. Gdy dane są kopiowane, nie są już żywe. Można je przesyłać w czasie rzeczywistym, ale to staje się bardzo drogie. To właśnie tutaj podejście Denodo do zarządzania danymi logicznymi staje się ważne, ponieważ zapewnia systemom AI uzasadniony dostęp do żywych danych bez konieczności ciągłego kopiowania i ponownego platformowania wszystkiego.

Jednym z bardziej uderzających odkryć w raporcie jest to, że inicjatywy AI przedsiębiorstw teraz korzystają z setek źródeł danych, a niektóre organizacje dostęp do ponad 1 000. Jak ten poziom fragmentacji zmienia sposób, w jaki przedsiębiorstwa powinny myśleć o architekturze AI?

Na tym poziomie fragmentacji architektura nie może polegać na fizycznym konsolidowaniu każdego źródła przed użyciem go przez AI. Przedsiębiorstwa potrzebują warstwy abstrakcji, która może odkryć, zintegrować, zarządzać i dostarczyć dane w rozproszonym świecie, jaki już posiadają. Moim zdaniem architektura danych musi stać się bardziej logiczna, oparta na metadanych i semantyczna, aby agenci mogli znaleźć odpowiednie dane w kontekście bez ścisłego powiązania z podstawowymi systemami.

Raport twierdzi, że wiele niepowodzeń AI są tak naprawdę „niepowodzeniami architektury danych” niż niepowodzeniami modelu. Czy uważasz, że branża poświęciła zbyt dużo czasu na obsesję nad modelami, zaniżając znaczenie infrastruktury danych?

Tak. Modele są ważne, oczywiście, ale wiele nieudanych projektów AI nie kończy się niepowodzeniem, ponieważ model jest niewiarygodny; kończą się niepowodzeniem, ponieważ model działa z niepełnymi, starymi, niespójnymi lub słabo zarządzanymi danymi. Model działał dobrze w fazie pilotażowej, korzystając z dobrze zdefiniowanego i wyselekcjonowanego zestawu danych, ale gdy został wdrożony w „rzeczywistym świecie” z jego rozproszoną nieładem, AI nie powiodło się w dostarczeniu godnych zaufania wyników. Moje doświadczenie pokazało, że przedsiębiorstwa osiągają lepsze wyniki AI, gdy traktują warstwę danych jako pierwszorzędny element architektury AI, a nie jako pomyślany później.

Denodo często mówi o spójności semantycznej i ważności uniwersalnej warstwy semantycznej. Gdy agenci AI zaczynają podejmować decyzje autonomicznie, jak krytyczne staje się wyrównanie semantyczne w celu zapobiegania niepoprawnym działaniom lub hallucynowanemu biznesowemu logicznemu?

Wyrównanie semantyczne staje się absolutnie krytyczne. Jeśli jeden system definiuje „klienta”, „przychód”, „ryzyko” lub „odpad” inaczej niż inny, agent AI może wyprodukować technicznie prawdopodobną odpowiedź, która jest jednak błędna dla danego kontekstu biznesowego. Uniwersalna warstwa semantyczna pomaga zapewnić, że agenci działają ze spójnym znaczeniem biznesowym, a nie tylko dostępem do surowych danych.

Twoja sesja AI & Big Data Expo koncentrowała się na przechodzeniu od pilotów do produkcji. W Twoim doświadczeniu, jakie są największe powody, dla których przedsiębiorstwa utknęły w „fazie pilotażowej” i nie są w stanie skalować AI w rzeczywiste systemy operacyjne?

Pilotaż często działa, ponieważ jest wąski, ręcznie wyselekcjonowany i izolowany od pełnej złożoności przedsiębiorstwa. Produkcja AI musi radzić sobie z żywymi danymi z wielu źródeł, bezpieczeństwem, zarządzaniem, wydajnością, audytowalnością, zmieniającymi się regułami biznesowymi i integracją z rzeczywistymi przepływami pracy. Wiele organizacji utknęło, ponieważ zbudowały imponujący demo, ale nie założone podstawy danych niezbędne do niezawodnego działania AI w skali.

Raport cytuję przewidywania, że znaczący procent projektów agenckich AI może zostać anulowany w ciągu najbliższych kilku lat z powodu eskalujących kosztów, niejasnej wartości lub niewystarczających kontroli ryzyka. Czy uważasz, że branża wkracza w fazę, w której przedsiębiorstwa staną się znacznie bardziej wybiórcze wobec projektów AI, które przetrwają?

Tak, i uważam, że jest to zdrowe. Pierwsza fala eksperymentów AI była o możliwości; następna fala będzie o operacyjnej wartości, dyscyplinie kosztowej i zaufaniu. Projekty, które przetrwają, będą tymi, które są związane z wymiernymi wynikami biznesowymi i wspierane przez odpowiednie dane, zarządzanie i architekturę.

Bezpieczeństwo i zarządzanie pojawiają się w raporcie jako powtarzające się tematy, szczególnie wokół „barier” dla agenckiego AI. Jak organizacje powinny balansować autonomiczne możliwości AI z potrzebą ścisłej kontroli dostępu i audytowalności?

Kluczem jest nie traktowanie zarządzania jako czegoś, co jest dodane po zbudowaniu systemu AI. Kontrola dostępu, egzekwowanie polityki, pochodzenie i audytowalność muszą być wbudowane w samą warstwę dostępu do danych, aby agenci AI widzieli i używali tylko danych, do których są upoważnieni. Z Denodo te same polityki zarządzania mogą być stosowane spójnie w rozproszonych źródłach, co jest niezbędne, gdy AI działa w środowiskach hybrydowych i wielochmurowych.

Denodo prezentuje zarządzanie danymi logicznymi jako sposób na ujednolicenie dostępu w środowiskach hybrydowych i wielochmurowych bez ciągłego przenoszenia danych. Gdy przedsiębiorstwa coraz częściej przyjmują architektury AI oparte na pobieraniu, czy widzisz „bez kopii” lub architektury logiczne jako długoterminowy kierunek dla przedsiębiorstw AI?

Tak. Architektury AI oparte na pobieraniu zależą od uzyskania odpowiednich danych w odpowiednim czasie, a nie koniecznie przenoszenia każdego zestawu danych do jednego repozytorium z wyprzedzeniem. Podejście logiczne, bez kopii jest znacznie lepiej dopasowane do tego, jak przedsiębiorstwa naprawdę działają: dane pozostają rozproszone, ale AI może uzyskać do nich dostęp przez zarządzaną, semantyczną warstwę w czasie rzeczywistym. To jest kierunek, w którym uważam, że przedsiębiorstwa AI muszą iść.

Spójrzając w przyszłość przez najbliższe trzy do pięciu lat, co, Twoim zdaniem, będzie różnicować organizacje, które z powodzeniem wdrożą godne zaufania AI, od tych, które pozostaną w fazie eksperymentów?

Zwycięzcy będą tymi organizacjami, które rozpoznają, że AI nie jest tylko strategią modelu; jest to strategia danych, strategia zarządzania i strategia modelu operacyjnego. Będą inwestować w dostęp do żywych danych, spójność semantyczną, ponownie używalne zarządzanie, i architektury, które mogą objąć całe przedsiębiorstwo. Te, które będą nadal budować izolowane pilotażowe projekty na fragmentowanych lub starych danych, będą miały trudności z wyjściem poza fazę eksperymentów.

Dziękuję za wspaniały wywiad, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić Denodo lub pobrać raport Denodo o przerwie zaufania AI