Onur Alp Soner, CEO și Co-Fondator al Countly – Seria de Interviuri

Onur Alp Soner este co-fondator și CEO al Countly, o platformă de analize digitale și de implicare în aplicații. Ca tehnolog și antreprenor, el a creat Countly de la zero pentru a oferi companiilor un control mai mare asupra modului în care înțeleg și interacționează cu utilizatorii lor. Sub conducerea sa, Countly a crescut și a devenit o platformă de încredere pentru întreprinderile din întreaga lume care doresc să inoveze rapid, menținând în același timp confidențialitatea utilizatorilor în centrul strategiilor de creștere.

Ne duceți înapoi la momentul care v-a determinat să fondati Countly — ce probleme ați întâmpinat personal cu instrumentele de analize existente care v-au convins că modelul de proprietate a datelor este fundamental defect?

Acum aproximativ 13 ani, când aplicațiile mobile începeau să devină populare, instrumentele de analize disponibile urmau un model foarte specific. Multe dintre ele erau gratuite sau relativ ieftine, dar compromisul era că platforma colecta și monetiza datele dvs., adesea integrându-le în ecosisteme publicitare. La acea vreme, acest lucru era larg acceptat ca modul normal de funcționare.

Cu toate acestea, pentru noi, lucrurile nu stăteau așa. Chiar și ca o companie mică, ideea de a ceda toate datele noastre cu utilizatorii doar pentru a înțelege cum se desfășoară produsul nostru nu avea sens.

Countly a început ca răspuns la această problemă. Am dorit să construim analize pe care companiile le pot deține și controla în totalitate, de aceea am lansat-o ca o platformă open-source și auto-găzduită. Ideea era simplă: organizațiile ar trebui să poată înțelege și acționa asupra datelor lor fără a le ceda. Acest principiu rămâne în continuare la baza Countly.

De la fondarea Countly, inteligența artificială a transformat proprietatea datelor dintr-o preocupare de nișă într-o cerință strategică. Când a devenit clar pentru dvs. că acest principiu va avea importanță mult dincolo de analize?

În primii ani, majoritatea discuțiilor despre proprietatea datelor erau formulate prin prisma confidențialității sau a conformității. Erau în principal bănci, furnizori de sănătate și guverne care se îngrijorau profund despre locul unde se aflau datele lor și cine le controla. Pentru mulți alții, analizele erau încă văzute ca un instrument simplu de raportare, astfel încât întrebarea privind proprietatea nu părea urgentă.

Această perspectivă a început să se schimbe pe măsură ce companiile au început să se bazeze mai mult pe date pentru a-și conduce produsele, nu doar pentru a le măsura. Odată ce analizele s-au mutat de la raportare la luarea deciziilor, alimentarea personalizării, modificări de produs și implicarea clienților, importanța controlului asupra acestor date a devenit mult mai clară. Fiecare companie cu orientare digitală, de la mobilitate la ospitalitate, a început efectiv să concureze pe baza datelor, nu doar a experienței din interfața cu utilizatorul.

Inteligența artificială a accelerat dramatic această realizare. Puteți licenția sau construi un model de inteligență artificială, dar nu puteți cumpăra datele comportamentale care reflectă modul în care clienții dvs. interacționează cu produsul dvs. Aceste date sunt unice pentru fiecare organizație.

Multe organizații cred că sunt “pregătite pentru inteligență artificială” pentru că au volume mari de date. Ce lipsește de obicei sub suprafață, din ceea ce observați în interiorul companiilor reale?

Lipsa datelor nu este de obicei problema. Problema reală este lipsa de date utilizabile. Multe organizații au volume imense de informații, dar acestea sunt fragmentate în diferite instrumente, echipe și sisteme. De exemplu, marketingul poate avea un set de date, produsul altul, iar ingineria are propria telemetrie, adesea stocată în formate diferite, cu o structură puțin comună.

Pentru ca inteligența artificială să fie utilă, datele de sub aceasta trebuie să fie curate, consistente și contextualizate. Nu este suficient să colectați evenimente sau jurnale; trebuie să înțelegeți ce reprezintă aceste semnale. Fără acest strat semantic, sistemele de inteligență artificială sunt, în esență, niște ghicitori.

O altă problemă este proprietatea. Un număr surprinzător de companii nu dețin, de fapt, controlul asupra propriilor date, deoarece acestea se află în interiorul platformelor terțe. Acest lucru face dificilă combinarea seturilor de date, guvernarea modului în care sunt utilizate sau aplicarea în siguranță a modelelor de inteligență artificială asupra lor.

Deci, atunci când companiile spun că sunt “pregătite pentru inteligență artificială” pentru că au multe date, întrebarea reală este dacă au o fundație de date coerentă.

De ce datele de primă parte creează un avantaj competitiv durabil în sistemele de inteligență artificială, în timp ce modelele însele devin din ce în ce mai interschimbabile?

Ceea ce creează un avantaj durabil nu este modelul în sine, ci înțelegerea utilizatorilor care provine din datele de primă parte. Aceste date reflectă modul în care oamenii interacționează, de fapt, cu produsul dvs., și sunt unice pentru fiecare organizație. Modelele, pe de altă parte, devin din ce în ce mai mult mărfuri. Puteți licenția, ajusta sau schimba între furnizori relativ ușor. Ceea ce nu puteți replica este datele comportamentale generate de utilizatorii dvs. care interacționează cu produsele dvs. de-a lungul timpului.

Aceste date capturează modele, context și semnale care reflectă modul în care clienții se comportă, de fapt. Când sunt structurate și înțelese corespunzător, permit companiilor să construiască sisteme care învață în mod continuu din utilizarea reală, mai degrabă decât din seturi de date generice.

În ce punct se defectează stivele moderne de analize atunci când sunt reutilizate pentru sisteme de inteligență artificială, mai degrabă decât pentru raportare, tablouri de bord și indicatori cheie de performanță?

Ele tind să se defecteze în punctul în care datele trebuie să treacă de la observație la acțiune. Stivele tradiționale de analize au fost proiectate în primul rând pentru raportare. Ele colectează și agregă date, apoi le prezintă în tablouri de bord care ajută echipele să înțeleagă ce s-a întâmplat ieri sau săptămâna trecută.

Sistemele de inteligență artificială, însă, funcționează diferit. Acestea necesită date care sunt structurate, contextualizate și disponibile în timp real, astfel încât să poată influența direct modul în care funcționează un sistem. Când conductele de analize sunt construite în jurul prelucrării batch și a raportării întârziate, ele se luptă să susțină sisteme care necesită să reacționeze instantaneu.

Cum se manifestă lipsa de proprietate reală a datelor la nivel operațional atunci când echipele încearcă să mute inteligența artificială de la experimentare la producție?

De obicei, se manifestă ca o problemă de control. În cele din urmă, dacă nu aveți control asupra datelor dvs., nu aveți control asupra inteligenței dvs. artificiale. Acest lucru devine especially clar atunci când echipele trec de la experimentare la producție. În timpul experimentării, echipele pot lucra adesea cu seturi de date mici sau conducte temporare, dar sistemele de producție necesită acces consistent la date fiabile în întreaga organizație.

Apoi, în multe companii, datele subiacente se află în diferite platforme terțe, cum ar fi instrumente de analize, sisteme de marketing sau servicii cloud. Acest lucru face dificilă combinarea seturilor de date, aplicarea regulilor de guvernanță sau mutarea datelor între sisteme într-un mod controlat. Acesta este unul dintre motivele pentru care multe proiecte de inteligență artificială rămân blocate în fazele de pilot. Fără date structurate și la nivelul întregii organizații, devine dificil să implementați inteligența artificială în mod fiabil în producție.

De asemenea, face mai dificilă urmărirea modului în care un model a ajuns la o decizie sau reconstruirea exactă a stării datelor din spatele acesteia. Fără acest nivel de control, corectarea erorilor sau anularea deciziilor devine extrem de dificilă.

De ce structura slabă a datelor, semantică și context subminează chiar și cele mai capabile modele de inteligență artificială?

Chiar și cele mai capabile modele de inteligență artificială nu sunt mai bune decât datele pe care le primesc. Dacă datele subiacente sunt slab structurate sau lipsite de context, modelul are foarte puțină înțelegere a ceea ce reprezintă aceste semnale.

În multe sisteme, datele sunt colectate ca evenimente izolate sau jurnale fără un sens clar atașat. Un model poate vedea mii de interacțiuni, dar fără structură și semantică adecvată, nu poate distinge între ceea ce este important și ceea ce este doar zgomot.

Contextul este la fel de important. Sistemele de inteligență artificială necesită să înțeleagă cum diferitele piese de date se relaționează unele cu altele de-a lungul timpului. Fără acest context, modelele pot produce încă ieșiri, dar acestea sunt adesea neverosimile, deoarece sistemul lucrează cu informații incomplete.

Care sunt semnele de avertizare care indică faptul că o companie se îndreaptă spre rezultate generice de inteligență artificială, cu mult înainte ca aceste experiențe să pară generice clienților?

Semnul de avertizare cel mai basic este atunci când companiile se bazează pe aceleași modele și instrumente de inteligență artificială externe, dar nu fac prea multe pentru a-și dezvolta propriile fundații de date. Dacă organizațiile utilizează aceleași modele, dar nu le hrănesc cu datele și contextul lor unic, sistemele sunt, în esență, lucrând cu aceleași intrări generice. În această situație, inteligența artificială poate produce doar rezultate de nivel înalt sau generice. În timp, acest lucru duce la produse care se simt din ce în ce mai asemănătoare, deoarece inteligența din spatele lor se bazează pe aceleași informații limitate.

Un alt semn de avertizare este atunci când organizațiile se concentrează puternic pe adoptarea modelelor de inteligență artificială, dar acordă puțină atenție structurii și calității datelor lor. Inteligența artificială amplifică ceea ce primește. Dacă datele subiacente sunt haotice, fragmentate sau slab structurate, sistemul va produce o versiune mai sofisticată a aceleiași probleme.

Pentru organizațiile care încearcă să construiască inteligență artificială pe baza propriilor date, ce permite, de fapt, Countly, care nu este permis de analizele și platformele de date tradiționale?

Principala diferență constă în modul în care controlul este integrat în platformă. În multe produse de analize, proprietatea datelor apare ca o opțiune sau caracteristică. Cu Countly, aceasta stă la baza sistemului. Platforma a fost proiectată astfel încât organizațiile să nu fie nevoite să facă schimb de controlul asupra datelor lor pentru funcționalitate avansată.

În practică, acest lucru înseamnă că companiile pot rula Countly în propriul lor mediu, păstrând controlul deplin asupra stivelor de date și având, în același timp, acces la capacități de analize, implicare și automatizare la scară. Acest lucru devine deosebit de important atunci când organizațiile doresc să construiască inteligență artificială pe baza propriilor date. Multe instrumente de analize tradiționale sunt construite în primul rând pentru raportare, ceea ce înseamnă că datele pe care le colectează adesea rămân în interiorul tablourilor de bord terțe, în loc să devină o fundație utilizabilă pentru alte sisteme. Countly abordează acest lucru prin tratarea analizei ca parte a infrastructurii de date subiacente.

Cum ar trebui să evolueze definiția inteligenței artificiale etice, pe măsură ce sistemele de inteligență artificială devin încorporate în procesele de luare a deciziilor zilnice, și proprietatea datelor este tratată ca un principiu de proiectare fundamental, mai degrabă decât o casetă de bifat a politicilor?

Odată ce proprietatea datelor devine un principiu de proiectare, inteligența artificială etică nu mai este despre auditarea modelelor după faptă, ci despre proiectarea sistemelor în care utilizatorii păstrează agenția asupra datelor care le antrenează. Etica devine infrastructură.

Mulțumim pentru acest interviu minunat; cititorii care doresc să afle mai multe pot vizita Countly.