Sathya AG, Starszy Architekt Główny w Google – Seria Wywiadów

Sathya AG jest ewangelistą technologii, opublikowanym autorem książki “Enterprise-Grade Hybrid and Multi-Cloud Strategies“, oraz Starszym Architektem Głównym w Google (Retail Strategic Industries), z ponad 19-letnim doświadczeniem w architekturze przedsiębiorstw i AI. Globalny lider myśli, uhonorowany nagrodą Top AI Influencer Award i nagrodą Prezydenta Google, jest autorem książki Enterprise-Grade Hybrid and Multi-Cloud Strategies oraz członkiem zarządu CAIO Circle. Jest Fellowem British Computer Society (FBCS), Senior Memberem IEEE oraz absolwentem Stanford LEAD. Jest poszukiwanym mówcą na AI Forward, Google Next i NRF, Sathya również wolontariuszami naucza AI/ML w społecznościach wykluczonych.

Disclaimer: Myśli przedstawione poniżej oraz wyrażone opinie są własnymi i niekoniecznie odzwierciedlają poglądy, stanowiska lub opinie jego pracodawcy lub jakiejkolwiek organizacji, z którą jest związany.

Spędziłeś ponad dekadę w Oracle (ORCL ) przed przejściem na stanowisko starszego architekta w Google, gdzie teraz pracujesz z dużymi przedsiębiorstwami detalicznymi. Jak Twoja wizja przedsiębiorstw AI zmieniła się, gdy firmy przeszły od tradycyjnych projektów modernizacji danych do inicjatyw generatywnych AI i agentywnych AI?

W czasach Oracle, jako architekt przedsiębiorstwa, moim podstawowym celem było zawsze budowanie zaawansowanych systemów, na których organizacje opierają swoją działalność. Rozwiązywaliśmy ogromne wyzwania integracji, zarządzania i Master Data Management, aby zapewnić przedsiębiorstwu pojedyncze, wysoko odpornego źródło prawdy. Tradycyjna modernizacja danych była podstawowo oparta na biernym obserwowaniu, projektowaniu warstw semantycznych i potoków danych, które dostarczały zaufane informacje ludzkim decydentom.

Ewolucja Generatywnego i Agentywnego AI całkowicie zmieniła paradygmat architektoniczny z biernego obserwowania na autonomiczny system działania. Teraz, nasza perspektywa przesunęła się w stronę tego, czy możemy pozwolić systemowi podjąć działanie w naszym imieniu (i, poprawnie, bez nadzoru), w skali. To znacznie wyższa poprzeczka dla jakości danych, kontekstu i kontroli, ponieważ teraz złe założenia dotyczące danych nie tylko produkują złe dane, ale także złe działania. Agent, który źle odczytuje dane dotyczące zapasów, nie tylko myli informacje, ale także składa złe zamówienia.

To jest miejsce, w którym rygorystyczna architektura przedsiębiorstwa staje się krytyczna i podstawowa dla systemów AI. Aby bezpiecznie budować autonomiczne systemy, musimy bezproblemowo połączyć lukę między deterministycznymi systemami przedsiębiorstw a probabilistycznymi AI. Rozmowy architektoniczne, które prowadzę teraz, dotyczą budowy zaufanego tkania danych, zapewnienia, że autonomiczne rozumowanie w czasie rzeczywistym jest ograniczone surowymi zasadami, solidną obserwowalnością i tą samą integralnością transakcyjną, której zawsze żądaliśmy od systemów przedsiębiorstw.

Uzasadniłeś, że wiele projektów AI kończy się niepowodzeniem nie z powodu modelu, ale z powodu decyzji dotyczących danych i architektury podjętych znacznie wcześniej. Jakie są najczęstsze wczesne wybory architektoniczne, które cichaczem podważają później projekty AI?

To, co widzę najczęściej, to traktowanie magazynu lub jeziora jako jedynego źródła prawdy, kiedy w rzeczywistości jest to tylko pojedyncze miejsce przeznaczenia. Przedsiębiorstwa kierują wszystko do jednego miejsca i zakładają, że to rozwiązuje problem „jednej wersji prawdy”, ale nie, to po prostu centralizuje niezgodność. Jeśli trzy systemy źródłowe definiują aktywnego klienta inaczej, kierowanie ich do jednego magazynu daje jeden błędny wynik zamiast trzech.

Potem jest pułapka budowania dokładnie tego, co jest przed tobą. Potok jest dostrojony idealnie do jednego pulpitu, działa dobrze, a potem sześć miesięcy później nowy model potrzebuje tych samych danych szybciej lub świeższych, a całość musi być rozmontowana zamiast rozszerzona.

I to, co zawsze wraca, by ukąsić ludzi, to pomijanie pochodzenia i metadanych, ponieważ wygląda to na dodatkowy koszt, za który nikt nie prosił. Nie ma żadnej zapłaty; dopóki ktoś nie zapyta, dlaczego model podjął konkretną decyzję, a nie ma sposobu, by ją śledzić. To staje się drogim rozwiązaniem zamiast tanim wyborem projektowym.

Gdy pracujesz z przedsiębiorstwami z listy Fortune 500, jakie sygnały wskazują, czy organizacja jest naprawdę gotowa do skalowania AI poza pilotażem?

Szczerze, mogę to zwykle stwierdzić w ciągu kilku pierwszych rozmów. Różnica między organizacją eksperymentującą z AI a organizacją gotową do operacyjnego wdrożenia AI w skali przedsiębiorstwa sprowadza się do kilku sygnałów. Zwykle szukam gotowości w trzech głównych obszarach: Przekonanie Strategiczne, Integracja Biznesowa i Dojrzałość Operacyjna.

Oto, co sygnalizuje prawdziwą gotowość do skalowania:

1. Wyrównanie Strategiczne i Przekonanie Wykonawcze

Czysta Strategia AI, a nie tylko zazdrość AI: Przywództwo organizacji demonstruje prawdziwe przekonanie dotyczące swojej strategii AI. To łatwo dostrzec, zadając kilka wiodących pytań o to, jak AI odnosi się do ich celów biznesowych. Jeśli mogą wyjaśnić dokładną wartość biznesową (np. wzrost przychodu, poprawa marży lub doświadczenie klienta), a nie tylko chcą „używać generatywnej AI”, są gotowi.

Zobowiązane Finansowanie Przedsiębiorstwa: Przeszli poza izolowane budżety R&D. Istnieje dedykowany, międzyfunkcyjny budżet przeznaczony nie tylko na projekty AI, ale także na zarządzanie zmianą, infrastrukturę i ciągłe MLOps.

2. Dopasowanie Problemu i Rozwiązania oraz Integracja Biznesowa

Rozwiązywanie Prawidłowych Problemów: Dużym sygnałem alarmowym jest mylenie standardowej automatyzacji workflow lub automatyzacji procesów (RPA) z AI i wymuszanie AI na nich, tylko po to, by pokazać przyjęcie AI radzie. Gotowe organizacje rozumieją odrębną wartość AI. Koncentrują się na przypadkach użycia, w których AI oferuje zmianę paradygmatu, a nie tylko sprawdzają pole technologiczne w legacy procesie.

Własność Jednostki Biznesowej: To cichszy sygnał, ale często największa przeszkoda w skalowaniu. Jeśli entuzjazm AI żyje wyłącznie w izolowanym „labie innowacji” bez udziału w grze biznesowej, pilotażowe projekty nie wystartują. Prawdziwa gotowość jest sygnalizowana, gdy biznesowi interesariusze aktywnie współtworzą rozwiązanie i posiadają ostateczny wynik biznesowy, zamiast rzucać proof-of-concept nad murem do operacji.

3. Dojrzałość Operacyjna i Zarządzanie

Bezpieczeństwo i Zgodność od Dnia Pierwszego: Brak zaangażowania zespołów bezpieczeństwa i zarządzania, lub próba odizolowania krytycznego przypadku użycia AI od nich, aby „prześcignąć”, jest przepisem na awarię wdrożenia. Dojrzałe organizacje wprowadzają InfoSec, prawników i zespoły zarządzania danymi do stołu w dniu 1. Traktują te zespoły jako kluczowych współpracowników, którzy budują barierki niezbędne do bezpiecznego skalowania, a nie przeszkody.

Ostatecznie, organizacje, które pomyślnie skalują AI, traktują je nie jako eksperyment naukowy IT, ale jako przekształcającą możliwość biznesową z odpowiednim sponsoringiem, odpowiednimi barierkami i odpowiednim wyrównaniem biznesowym.

Czym tak naprawdę wygląda gotowa do AI baza danych, zwłaszcza dla przedsiębiorstw z fragmentowanymi danymi w ERP, CRM, handlu, chmurze i systemach legacy?

Większość przedsiębiorstw nie ma problemu z objętością danych, ale z problemem zaufania do danych. To jest to, co zostaje pogorszone przez AI nałożone na górze. To mniej o posiadaniu nowoczesnej platformy i bardziej o garstce nieefektownych właściwości, które są prawdziwe w systemach.

Na przykład, ten sam klient, produkt lub sklep musi być rozpoznany jako ta sama jednostka, niezależnie od tego, czy znajduje się w legacy ERP, nowoczesnym CRM czy platformie handlowej. Jeśli Twoje systemy nie mogą zgodzić się, kim jest klient, Twoje modele personalizacji AI i prognozowania będą działać na podzielonych danych, w wyniku czego otrzymasz zniekształcony obraz. Nie możesz przewidzieć wartości klienta, jeśli Twoje AI traktuje jednego klienta jako trzy różne osoby.

Drugie, świeżość danych dopasowana do decyzji, a nie domyślnie ustawiona na to, co system źródłowy akurat robi. Nocne aktualizacje zapasów są w porządku dla długoterminowego planowania i bezużyteczne dla realizacji w czasie rzeczywistym; prawdziwa baza wspiera oba prędkości bez spłaszczania wszystkiego do najwolniejszego.

Trzecie, warstwa pochodzenia, która pozwala odpowiedzieć na pytanie „skąd pochodzi ta liczba” w minutach, a nie w wyniku wielodniowego śledztwa. Większość fragmentowanych przedsiębiorstw nie ma braku danych, ale brakuje im warstwy, która sprawia, że dane, które już posiadają, są godne zaufania i można je śledzić. To jest prawdziwa baza, a nie jakiś narzędzie, które jest nałożone na nią.

Często dyskutujesz o 5 V danych: Objętości, Prędkości, Różnorodności, Prawdziwości i Wartości. Które z nich liderzy przedsiębiorstw mają tendencję do zaniżania najbardziej, przygotowując dane do AI?

Prawdziwość danych, bez wątpienia, ściśle naśladowana przez Wartość danych.

Objętość jest oczywista w dzisiejszym ekosystemie dużych danych. Wszyscy toną w danych. Różnorodność i Prędkość otrzymują budżet, ponieważ są widoczne na mapie drogowej – nowe źródła, potoki i strumienie w czasie rzeczywistym.

Prawdziwość jest niewidoczna, dopóki nie kosztuje nic – zwykle model produkuje wyraźnie błędny wynik, a ktoś śledzi go do duplikatowych rekordów klientów lub pola, które trzy zespoły wypełniają na trzy różne sposoby.

Na końcu, Wartość jest zaniżana inaczej – liderzy zakładają, że jeśli dane istnieją, mają wartość, bez pytania, czy naprawdę wpływają na decyzję. Większość przedsiębiorstw ma niewielki ułamek swoich danych, który wykonuje jakąkolwiek prawdziwą pracę, a nikt nie odwzorował, jaki to ułamek.

W handlu w szczególności, przypadki użycia AI mogą obejmować personalizację, prognozowanie, zapasy, łańcuch dostaw, obsługę klienta i operacje sklepu. Gdzie widzisz największą lukę między ambicjami AI a gotowością danych?

Pomimo że ambicje AI są równomiernie rozłożone w handlu, gotowość danych jest silnie asymetryczna.

Personalizacja i prognozowanie mają najbardziej uzasadnioną gotowość – detaliści zbierali dane transakcyjne i przeglądowe przez lata.

Większa luka jest w łańcuchu dostaw i omnichannel, zwłaszcza w połączeniu między sklepami online a fizycznymi. Omnichannel jest niezwykle złożone, ponieważ zmusza detalistę do rozwiązania dwóch najtrudniejszych problemów danych w czasie rzeczywistym: ujednoliconej tożsamości klienta i płynnych zapasów. Większość detalistów ma zapasy w czasie rzeczywistym w e-commerce, ale tylko okresowe, czasem pod koniec dnia, widoczność stanu zapasów w sklepie.

Obsługa klienta i operacje sklepu są jeszcze we wczesnych stadiach. Ambicje są wysokie, ale podstawowe dane operacyjne, czyli obsada, realizacja zadań, stan sklepu w czasie rzeczywistym, są często najmniej zdigitalizowaną częścią biznesu. Ambicje są równomiernie rozłożone na te przypadki użycia; gotowość nie.

Jak powinny firmy zmodernizować starszą infrastrukturę danych, aby nie zakłócić krytycznych systemów, na które biznes nadal polega każdego dnia?

Starsze platformy danych często cierpią na operacyjne wąskie gardła, poważne problemy z jakością danych i ograniczenia skalowania organizacyjnego. Najskuteczniejszym sposobem ochrony codziennych operacji podczas modernizacji jest ścisłe unikanie jednego, wysokiego ryzyka migracji big-bang. Podstawowym celem modernizacji platformy danych powinno być uczynienie danych wyraźnie bardziej użytecznymi dla podejmowania decyzji organizacyjnych, a nie traktowanie wysiłku jako czystej wymiany platformy IT.

Aby dostosować się do ery AI, organizacje powinny przyjąć architekturę data medallion i data mesh. Ta strategia tworzy ustrukturyzowany potok, w którym dane są stopniowo rafinowane od surowych do gotowych do biznesu, skutecznie uniemożliwiając wprowadzanie niskiej jakości danych do podejmowania decyzji. Poprzez separację danych na odrębne warstwy logiczne, organizacje ustanawiają klarowną linię, co umożliwia łatwe śledzenie, jak informacje przekształcają się od źródła do miejsca przeznaczenia.

Poprzez pakowanie zweryfikowanych danych w dostępne produkty, organizacje uprawniają swoje zespoły do podejmowania strategicznych, opartych na dowodach decyzji, zamiast polegać na intuicji. Co jest kluczowe, ten podejście ustanawia podstawę zaufania do danych wymaganą dla przedsiębiorstw AI. Budowanie agentów AI na podstawie ucurzonych produktów danych zapewnia, że modele uczą się z bezpiecznych, dokładnych informacji, a nie z brudnych, niezweryfikowanych zbiorów danych.

Zarządzanie jest często dodawane po rozpoczęciu projektu AI. Co się zmienia, gdy zarządzanie, prywatność, bezpieczeństwo i jakość danych są traktowane jako wymagania architektoniczne od dnia pierwszego?

Wszystko porusza się szybciej, mniej się psuje i lepiej skaluje. Gdy traktujesz te elementy jako wymagania architektoniczne od dnia pierwszego, a nie jako listę kontrolną do ostatniej chwili, przechodzisz od kontroli szkód do prędkości. Oto, co się zmienia:

Po pierwsze, unikasz bolesnej fazy „rozmontowania i ponownego montowania”, w której w pełni zbudowane projekty AI są porzucane, ponieważ naruszają normy zgodności lub prywatności.

Po drugie, bezpieczeństwo i jakość danych nie są łatane; są wbudowane w potok. Twoje modele działają na niezawodnych danych, produkując dane wyjściowe, którym kierownictwo i użytkownicy naprawdę ufają.

Na końcu, zamiast uderzyć w ścianę regulacyjną podczas przechodzenia od proof-of-concept do produkcji, ścieżka wdrożenia jest już wyznaczona i zautomatyzowana.

Podsumowując, zarządzanie nie jest hamulcem innowacji, ale systemem kierowania, który pozwala jeździć szybko i bezpiecznie.

Jako doradca do CAIO Circle, jak uważasz, że rola Chief AI Officer powinna ewoluować, i gdzie powinny się zaczynać i kończyć jej odpowiedzialności w stosunku do CIO, CDO i liderów biznesowych?

Bycie częścią CAIO Circle było naprawdę użytecznym oknem w to, ponieważ teraz rola jest wszędzie, ponieważ wiele przedsiębiorstw utworzyło ją reaktywnie, w odpowiedzi na hype generatywnej AI, a nie wypełniając wyraźną lukę operacyjną. Uważam, że to szybko się ustabilizuje i musi. Aby działać skutecznie, podział wykonawczy powinien być wyraźny:

CIO posiada infrastrukturę i niezawodność systemów. CDO posiada dane jako aktywa przedsiębiorstwa (jakość, zarządzanie i dostępność). CAIO posiada warstwę tłumaczącą między surową możliwością AI a prawdziwymi wynikami biznesowymi.

<p-Ta warstwa tłumacząca oznacza wyraźne posiadanie portfolio AI, określanie, co budować, identyfikowanie obszarów biznesu, które mogą być poprawione i obsłużone lepiej za pomocą technologii AI, oraz służenie jako ostateczna władza w sprawie tego, gdzie AI powinno i nie powinno być wdrożone.

Największa luka w większości przedsiębiorstw dzisiaj jest ocena ryzyka i wartości handlowych między konkurującymi jednostkami biznesowymi. Blokowanie wysokiego ryzyka inicjatywy AI, której pojedyncza jednostka biznesowa bardzo potrzebuje, wymaga kogoś, kogo zachęty nie są związane z krótkoterminowymi celami tej jednostki, i kto jest wystarczająco technicznie wykwalifikowany, aby ocenić ryzyko bezpośrednio. To jest właśnie ten niezależny, technicznie ugruntowany strażnik, w który CAIO powinien się przerodzić.

Spójrzając w przyszłość, co będzie oddzielać firmy, które osiągną trwałą przewagę AI, od tych, które po prostu eksperymentują z najnowszymi narzędziami AI?

Nie będą to te, które mają dostęp do najlepszych modeli. Możliwości modelu są szybko zbieżne, a surowa technologia nie pozostanie trwałą różnicą.

Zamiast tego, podstawowe testowanie długoterminowego sukcesu AI – czy wewnętrznego, czy skierowanego do klienta – sprowadza się do jednej rzeczy: Zaufania.

Zaufanie jest bezpośrednio proporcjonalne do zdolności organizacji do budowy gotowej do AI bazy i środowiska, w którym nowe możliwości mogą być testowane, bezpiecznie wdrażane i skalowane z prędkością. Konkretne, wymaga to trzech rzeczy:

Nadaje się do zaufania Baza Danych: Czyste, godne zaufania dane, tak aby każdy nowy przypadek użycia nie wymagał ogromnego, jednorazowego projektu czyszczenia.

Agile Zarządzanie: Procesy ryzyka i zgodności, które są wystarczająco szybkie, aby dotrzymać tempa, w jakim ewoluują podstawowe modele.

Wynikowe Miary: Kultura organizacyjna, która mierzy AI według wartości biznesowej, a nie zaawansowania technologicznego.

Przedsiębiorstwa, które nadal będą tkwić w „trybie eksperymentowania” za trzy lata, będą tymi, które nigdy nie zbudowały tej bazy – będą nadal uczyć się tych samych lekcji dotyczących danych i zarządzania na każdym projekcie AI.

Wygrani z trwałą przewagą będą tymi, gdzie dziesiąty przypadek użycia AI stanie się dramatycznie tańszy i szybszy w wdrożeniu niż pierwszy, ponieważ baza była zbudowana poprawnie od samego początku. Dziękuję za wspaniały wywiad, czytelnicy mogą również chcieć przeczytać jego książkę Enterprise-Grade Hybrid and Multi-Cloud Strategies.