Odblokowanie ostatniej mili rozwoju sztucznej inteligencji w przedsiębiorstwach z wykorzystaniem federacyjnej, opartej na danych inteligencji

Wdrożenie sztucznej inteligencji w przedsiębiorstwach jest powszechne w zakresie ambicji i nierównomierne w wykonaniu. Przedsiębiorstwa z różnych branż eksperymentują z uczeniem maszynowym i modelami generatywnymi, szkolą zespoły i wdrażają narzędzia AI w ograniczonych procesach. Jednak tylko niewielka liczba przedsiębiorstw pozwala systemom AI na wpływanie na rzeczywiste decyzje operacyjne. Głównym ograniczeniem nie jest wydajność modelu, ale zaufanie do danych, które informują te decyzje.

Dane przedsiębiorstw są fragmentowane, wrażliwe i podlegają różnym ograniczeniom. Krytyczne sygnały znajdują się w różnych platformach analitycznych, systemach operacyjnych, środowiskach regulowanych, ekosystemach partnerów i strumieniach czasu rzeczywistego. Większość tych danych nie może być swobodnie kopiowana lub scentralizowana bez zwiększania ryzyka bezpieczeństwa lub naruszenia wymogów zgodności. W rezultacie wiele inicjatyw AI pozostaje ograniczonych do pilotów, analiz i przypadków użycia pomocniczych, z ograniczonym wpływem na strategię biznesową lub decyzje, które dostarczają wymierny wpływ.

Przerwa między eksperymentowaniem a wpływem jest często opisywana jako ostatnia mila rozwoju sztucznej inteligencji w przedsiębiorstwach. Odzwierciedla szerszy wyzwanie architektoniczne: umożliwienie AI bezpiecznej pracy w całym krajobrazie danych przedsiębiorstwa, a nie tylko w części, która jest najłatwiejsza do dostępu.

Dane przedsiębiorstw są rozproszone zgodnie z projektem

Współczesne przedsiębiorstwa działają w złożonym i rozproszonym środowisku danych. Magazyny i jeziora danych wspierają analizy i raportowanie, podczas gdy systemy operacyjne zarządzają transakcjami, logistyką i interakcjami z klientami. Środowiska brzegowe generują sygnały wrażliwe na czas, a systemy regulowane egzekwują surowe kontrole nad informacjami wrażliwymi. Dane partnerów i ekosystemów dodają dalszą złożoność.

Te systemy zostały zaprojektowane, aby spełniać różne wymagania operacyjne, regulacyjne i wydajnościowe. W rezultacie dane przedsiębiorstw są rozproszone z konieczności, a nie przypadkowo. Próby konsolidacji wszystkich danych w jednej platformie często wprowadzają opóźnienia, duplikaty, nadzór i ekspozycję bezpieczeństwa.

Wynikiem jest to, że systemy AI są często szkolone i oceniane na podstawie częściowych reprezentacji rzeczywistości przedsiębiorstwa. Chociaż te modele mogą działać dobrze w kontrolowanych środowiskach, ich użyteczność maleje, gdy są stosowane w rzeczywistych decyzjach operacyjnych, które zależą od szerszego zestawu sygnałów.

Zaufanie wynika z dostępu, zarządzania i kontroli

Zaufanie do sztucznej inteligencji w przedsiębiorstwach rozwija się, gdy organizacje mają pewność, jak dane są dostępne, zarządzane i wykorzystywane. Decydenci oczekują, że systemy AI odzwierciedlają bieżące warunki operacyjne, szanują wymagania bezpieczeństwa i prywatności oraz działają w ramach ustanowionych struktur zarządzania.

W praktyce te oczekiwania są trudne do spełnienia, gdy dostęp do danych jest ograniczony do scentralizowanych lub oczyszczonych podzbiorów. Atrybuty wrażliwe, rekordy regulowane i sygnały w czasie rzeczywistym są często wykluczone, co redukuje trafność danych wyjściowych AI. Z czasem to ogranicza zaufanie organizacji do zaleceń opartych na AI.

Badania analityczne potwierdzają ten wzorzec. Chociaż eksperymentowanie z AI jest powszechne, organizacje często wymieniają gotowość danych, dojrzałość zarządzania i ograniczenia bezpieczeństwa jako powody, dla których inicjatywy AI nie przekraczają ograniczonego wdrożenia.

Dla AI, aby stać się zaufanym uczestnikiem w podejmowaniu decyzji przez przedsiębiorstwo, musi być w stanie zaangażować się we wszystkie odpowiednie dane pod odpowiednimi kontrolami, a nie działać na ograniczonym podzbiorze.

Architektura federacyjna umożliwia AI dostęp do wszystkich danych przedsiębiorstwa

Architektura federacyjna rozwiązuje to wyzwanie, dopasowując wykonanie AI do rozproszonej natury danych przedsiębiorstwa. Zamiast przenosić dane do scentralizowanego systemu, podejścia federacyjne pozwalają na bezpośrednią pracę obliczeniową w istniejących środowiskach.

W modelu federacyjnym dane pozostają pod lokalną własnością i zarządzaniem. Polityki są egzekwowane tam, gdzie znajdują się dane, a przepływy pracy AI są wykonywane na miejscu. To podejście redukuje niepotrzebne przenoszenie danych, zachowuje suwerenność danych i pozwala systemom AI na zaangażowanie się w szerszy zakres sygnałów przedsiębiorstwa.

Architektury federacyjne są coraz bardziej uznawane za praktyczną odpowiedź na ograniczenia scentralizowanych systemów AI. Gartner podkreśla analitykę federacyjną jako wzorzec umożliwiający interoperacyjność i współdzielenie informacji w półautonomicznych domenach danych, wspierającą zdecentralizowane zarządzanie i własność domeny przy zachowaniu standardów przedsiębiorstwa. Analiza branżowa dodatkowo podkreśla, że podejścia federacyjne są zgodne z rozproszonymi środowiskami danych, zachowując lokalną kontrolę, zarządzanie i bezpieczeństwo, jednocześnie umożliwiając szerszy dostęp AI.

Federacyjne uczenie ilustruje ten wzorzec w działaniu, umożliwiając wspólne szkolenie modeli w decentralizowanych zbiorach danych bez udostępniania surowych danych. Chociaż reprezentuje ono konkretną technikę, demonstruje, jak można uzyskać inteligencję w różnych środowiskach, szanując lokalne kontrole.

Szerzej, architektura federacyjna ustanawia podstawę dla systemów AI, aby działać we wszystkich danych przedsiębiorstwa, w tym analitycznych, operacyjnych, regulowanych i w czasie rzeczywistym, bez kompromisowania zarządzania.

Bezpieczeństwo na poziomie danych czyni federację operacyjnie wykonalną

Wykonanie federacyjne rozszerza zasięg AI, a bezpieczeństwo na poziomie danych zapewnia, że ten zasięg pozostaje kontrolowany. Podczas gdy systemy AI współpracują z danymi w sposób ciągły i w różnych domenach, bezpieczeństwo i zarządzanie muszą działać na poziomie precyzji, który odpowiada wrażliwości danych.

Bezpieczeństwo na poziomie danych egzekwuje polityki na poziomie poszczególnych elementów danych, a nie polega wyłącznie na kontrolach systemowych lub opartych na rolach. To pozwala przepływom pracy AI na dostęp do dozwolonych atrybutów, podczas gdy pola wrażliwe pozostają chronione, nawet w ramach tego samego zestawu danych.

Przez wbudowanie bezpieczeństwa bezpośrednio w użycie danych, organizacje mogą stosować AI w środowiskach o mieszanej wrażliwości, redukując ryzyko i zachowując zgodność. Badania branżowe, w tym analiza Deloitte dotycząca barier wdrożenia AI, podkreśla, że zarządzanie musi działać w sposób ciągły w całym cyklu życia AI, gdy systemy zbliżają się do wpływania na decyzje operacyjne.

Od częściowej widoczności do wywiadowczej inteligencji na poziomie przedsiębiorstwa

Obietnica sztucznej inteligencji w przedsiębiorstwie leży w jej zdolności do inkorporacji wszystkich istotnych danych, a nie tylko tych, które są łatwe do dostępu. Architektury federacyjne w połączeniu z bezpieczeństwem na poziomie danych umożliwiają systemom AI pracę w całym majątku danych przedsiębiorstwa, zachowując zaufanie, zgodność i kontrolę.

To podejście pozwala organizacjom:

• Włączyć sygnały operacyjne i w czasie rzeczywistym do przepływów pracy AI
• Szanować granice regulacyjne i umowne
• Zmniejszyć duplikaty i ekspozycję bezpieczeństwa
• Utrzymać spójne zarządzanie w różnych środowiskach

Podczas gdy możliwości AI będą nadal się rozwijać, decyzje architektoniczne dotyczące dostępu do danych i bezpieczeństwa będą odgrywać coraz bardziej decydującą rolę w określaniu wyników przedsiębiorstwa.

Projektowanie AI dla przedsiębiorstwa, takim jakim ono istnieje

Sztuczna inteligencja w przedsiębiorstwie odnosi sukces, gdy odzwierciedla rzeczywistość operacyjną. Dane są rozproszone, zarządzanie jest nuansowane, a oczekiwania bezpieczeństwa są wysokie. Architektury federacyjne i oparte na danych uznają te warunki i zapewniają ścieżkę dla AI, aby wyjść poza ograniczone eksperymentowanie.

Umożliwiając AI pracę tam, gdzie żyją dane, oraz egzekwując kontrolę na poziomie danych, organizacje mogą rozszerzyć inteligencję na cały swój krajobraz danych. Ta zmiana transformuje AI z pomocnika analitycznego w zaufanego uczestnika w podejmowaniu decyzji.

Ostatnia mila jest osiągana, gdy AI może bezpiecznie i odpowiedzialnie zaangażować się we wszystkie dane przedsiębiorstwa, niezależnie od ich położenia.