Sathya AG, Arhitect Principal Senior la Google – Seria de Interviuri

Sathya AG este un evanghelist al tehnologiei, autor publicat al cărții “Strategii hibride și multi-cloud de nivel întreprindere“, și Arhitect Principal Senior la Google (Industrii strategice de retail), cu peste 19 ani de experiență în arhitectură de întreprindere și inteligență artificială. Un lider de gândire global recunoscut cu premiul Top AI Influencer și premiul Președintelui Google, el este autorul cărții Strategii hibride și multi-cloud de nivel întreprindere și membru al Consiliului consultativ al CAIO Circle. El este Fellow al Societății Britanice de Calcul (FBCS), Membru senior al IEEE și absolvent al programului Stanford LEAD. Un vorbitor căutat la AI Forward, Google Next și NRF, Sathya se oferă și să predea AI/ML pentru comunitățile defavorizate.

Declarație de descentralizare: Gândurile și opiniile exprimate mai jos sunt ale autorului și nu reflectă neapărat punctele de vedere, pozițiile sau opiniile angajatorului său sau ale oricărei organizații cu care este afiliat.

Ați petrecut peste un deceniu la Oracle (ORCL ) înainte de a vă muta într-un rol de arhitectură senior la Google, unde acum lucrați cu întreprinderi de retail mari. Cum s-a schimbat perspectiva dvs. asupra inteligenței artificiale a întreprinderilor, pe măsură ce companiile au trecut de la proiecte tradiționale de modernizare a datelor la inițiative de inteligență artificială generativă și agențială?

În perioada Oracle, ca arhitect de întreprindere, focusul meu principal a fost întotdeauna să construiesc sisteme complexe și foarte complexe pe care organizațiile le folosesc pentru a-și conduce afacerile. Am rezolvat provocări masive de integrare, guvernanță și management al datelor master, pentru a asigura că întreprinderea are o sursă unică, foarte rezistentă, de adevăr. Modernizarea tradițională a datelor a fost fundamental despre observarea pasivă, proiectarea straturilor semantice și a conductelor de date care livrau insight-uri de încredere pentru factorii de decizie umani.

Evolutia inteligenței artificiale generative și agențiale a schimbat complet paradigma arhitecturală de la observare pasivă la un sistem autonom de acțiune. Acum, obiectivul s-a schimbat pentru a vedea dacă putem lăsa un sistem să ia o acțiune în numele nostru (și, corect, fără supraveghere), la scară. Acesta este un standard mult mai înalt pentru calitatea datelor, context și control, deoarece acum o ipoteză greșită a datelor nu produce doar un tablou de bord greșit, ci o acțiune greșită. Un agent care citește greșit datele despre stoc nu informează doar pe cineva greșit, ci plasează și o comandă greșită.

Acesta este locul în care arhitectura de întreprindere riguroasă devine critică și fundamentală pentru sistemele de inteligență artificială. Pentru a construi sisteme autonome în siguranță, trebuie să podim în mod fără cusur golul dintre sistemele de întreprindere deterministice și sistemele de inteligență artificială probabilistice. Conversațiile de arhitectură pe care le conduc acum sunt despre construirea unui material de date de încredere, asigurându-se că raționamentul autonom în timp real este legat de guvernanță strictă, observabilitate robustă și aceeași integritate tranzacțională pe care am cerut-o întotdeauna de la sistemele de întreprindere.

Ați argumentat că multe proiecte de inteligență artificială eşuează nu din cauza modelului, ci din cauza deciziilor de date și arhitectură luate cu mult timp înainte. Care sunt cele mai comune alegeri de arhitectură timpurie care subminează în mod tacit proiectele de inteligență artificială mai târziu?

Cel pe care îl văd cel mai des este când companiile tratează un depozit sau un lac ca sursa unică de adevăr, când de fapt este doar o singură destinație. Ei direcționează totul către un loc și presupun că asta rezolvă problema “unei singure versiuni a adevărului”, dar nu o rezolvă, ci doar centralizează dezacordul. Dacă trei sisteme sursă definesc în mod diferit un client activ, direcționarea lor către un singur depozit vă oferă o singură răspuns greșit, în loc de trei.

Apoi, există capcana de a construi exact ceea ce se află în fața dvs. O conductă de date este reglată perfect pentru un tablou de bord, funcționează bine și apoi, după şase luni, un nou model necesită aceleași date mai rapide sau mai proaspete și totul trebuie să fie demontat, în loc de a fi extins.

Și cel care întotdeauna vine să muște oamenii este sărirea peste linia de descendență și metadatele, deoarece pare a fi o cheltuială pe care nimeni nu a cerut-o. Nu are nici un efect; până în ziua în care cineva întreabă de ce modelul a făcut un anumit apel și nu există nici un mod de a-l urmări. Acesta se transformă într-o soluție scumpă, în loc de a fi o decizie de proiectare ieftină.

Când lucrați cu întreprinderi din lista Fortune 500, ce semne vă spun dacă o organizație este cu adevărat pregătită să extindă inteligența artificială dincolo de proiecte-pilot?

Onest, pot spune de obicei în primele conversații. Diferența dintre o organizație care experimentează cu inteligența artificială și una care este gata să o operaționalizeze la scară de întreprindere se reduce la câteva semne revelatoare. De obicei, caut pregătirea în trei categorii principale: Convingere strategică, Integrare în afaceri și Maturitate operațională.

Iată ce semnele care indică adevărata pregătire pentru a extinde:

1. Alinierea strategică și convingerea executivă

O strategie de inteligență artificială clară, nu doar “invidie de inteligență artificială”: Conducerea organizației demonstrează o convingere sinceră cu privire la strategia lor de inteligență artificială. Acest lucru este ușor de observat, solicitând câteva întrebări care vizează modul în care inteligența artificială se raportează la obiectivele lor de afaceri. Dacă pot articula valoarea exactă a afacerii (de exemplu, creștere a veniturilor, îmbunătățire a marjei, sau experiență a clientului) și nu doar vor să “folosească inteligența artificială generativă”, sunt pregătiți.

Finanțare întreprinderii angajată: Au trecut dincolo de bugetele izolate de cercetare și dezvoltare. Există un buget alocat, transversal, nu doar pentru proiecte de inteligență artificială, ci și pentru managementul schimbărilor, infrastructură și MLOps în desfășurare.

2. Potrivirea problemă-soluție și integrarea în afaceri

Rezolvarea problemelor potrivite: Un semnal de alarmă major este confundarea automatizării standard a fluxului de lucru sau a automatizării proceselor robotice (RPA) cu inteligența artificială și forțarea inteligenței artificiale deasupra doar pentru a arăta adoptarea tehnologiei către consiliu. Organizațiile pregătite înțeleg valoarea distinctă a inteligenței artificiale. Se concentrează pe cazuri de utilizare în care inteligența artificială oferă o schimbare de paradigmă în capacitate, și nu doar pentru a bifa o cutie tehnologică pe un proces legacy.

Proprietatea unității de afaceri: Acesta este un semnal mai puțin zgomotos, dar adesea cel mai mare impediment pentru extindere. Dacă entuziasmul pentru inteligența artificială trăiește în întregime într-un “laborator de inovare” izolat, fără nici o piele în joc din partea unităților de afaceri reale, proiectele-pilot vor eșua. Pregătirea adevărată este semnalizată atunci când stakeholderii din afaceri co-dezvoltă soluția și dețin rezultatul final al afacerii, în loc de a arunca un concept de dovadă peste zidul către operațiuni.

3. Maturitate operațională și guvernanță

Implicarea securității și conformității de la ziua 1: Lipsa implicării din partea echipelor de securitate și guvernanță, sau încercarea de a izola un caz de utilizare critică de inteligență artificială de la ele pentru a “merge mai repede”, este o rețetă pentru eșecul implementării. Organizațiile mature aduc InfoSec, juridic și guvernanța datelor la masa de discuții de la ziua 1. Le văd pe aceste echipe ca fiind esențiale pentru a construi gardurile necesare pentru a extinde în siguranță, nu ca obstacole.

În cele din urmă, organizațiile care extind cu succes inteligența artificială o tratează nu ca pe un experiment științific IT, ci ca pe o capacitate de afaceri transformatoare, cu sponsorizarea potrivită, gardurile potrivite și alinierea afacerii potrivită.

Ce arată o fundație de date pregătită pentru inteligența artificială, mai ales pentru întreprinderile cu date fragmentate în ERP, CRM, comerț, cloud și sisteme legacy?

Majoritatea întreprinderilor nu au o problemă de volum de date, ci o problemă de încredere în date. Acesta este ceea ce se exacerbează cu inteligența artificială stratificată deasupra. Nu este vorba despre a avea o platformă nouă și strălucitoare, ci despre o mână de proprietăți fără strălucire care sunt valabile în toate sistemele.

De exemplu, același client, produs sau magazin trebuie recunoscut ca aceeași entitate, indiferent dacă se află într-un sistem ERP legacy, un CRM modern sau o platformă de comerț. Dacă sistemele dvs. nu pot să fie de acord cu privire la cine este un client, modelele dvs. de personalizare și prognoză a inteligenței artificiale lucrează pe date fracturate, rezultând o imagine halucinată. Nu puteți prevedea valoarea pe viață a clientului dacă inteligența dvs. artificială tratează un client ca trei persoane diferite.

Al doilea, prospețimea datelor care corespunde deciziei, nu setată implicit la ceea ce face sistemul sursă. Actualizările stocului de noapte sunt bune pentru planificarea pe termen lung și inutile pentru îndeplinirea în timp real; o fundație reală susține ambele viteze fără aplatizarea tuturor la cea mai lentă.

Al treilea, un strat de linie de descendență care vă permite să răspundeți “de unde a venit acest număr” în minute, nu într-o anchetă de mai multe zile. Majoritatea întreprinderilor fragmentate nu sunt lipsite de date, ci de un strat care face datele pe care le au deja de încredere și urmăribile. Acesta este fundația reală, nu orice instrument care este conectat deasupra.

Discutați adesea despre cele 5 V ale datelor: Volum, Viteză, Variație, Veracitate și Valoare. Care dintre acestea liderii de întreprindere tind să subestimeze cel mai mult atunci când se pregătesc date pentru inteligența artificială?

Veracitatea datelor, fără îndoială, urmată îndeaproape de Valoarea datelor.

Volumul este o certitudine în ecosistemul actual de date mari. Toată lumea se înecă în date. Variația și viteza primesc un buget pentru că sunt vizibile pe o hartă a drumului – surse noi, conducte de date și fluxuri în timp real.

Veracitatea este invizibilă până când vă costă ceva – de obicei, un model produce o ieșire evidentă greșită, și cineva o urmărește înapoi la înregistrări de client duplicate sau un câmp pe care trei echipe îl populează în trei moduri diferite.

În cele din urmă, valoarea este subestimată într-un mod diferit – liderii presupun că, dacă datele există, au valoare, fără a întreba dacă ele mișcă cu adevărat o decizie. Majoritatea întreprinderilor au o fracțiune mică din datele lor care fac cu adevărat munca și nimeni nu a cartat care fracțiune este aceea.

În special în retail, cazurile de utilizare a inteligenței artificiale pot acoperi personalizarea, prognozarea, stocul, lanțul de aprovizionare, serviciul clienților și operațiunile magazinului. Unde vedeți cel mai mare decalaj între ambiția inteligenței artificiale și pregătirea datelor?

În timp ce ambiția inteligenței artificiale este distribuită uniform în retail, pregătirea datelor este foarte asimetrică.

Personalizarea și prognozarea au cea mai rezonabilă pregătire – retailerii au colectat date de tranzacționare și navigare de ani de zile.

Decalajul mai mare este lanțul de aprovizionare și omnicanal, în special legătura dintre magazinele online și fizice. Omnicanalul este incredibil de complex, deoarece forțează un retailer să rezolve două dintre cele mai grele probleme de date în timp real: identitatea unificată a clientului și stocul fluid. Majoritatea retailerilor au stoc în timp real pentru comerțul electronic, dar doar o vizibilitate periodică, uneori la sfârșitul zilei, asupra stocului la nivel de magazin.

Serviciul clienților și operațiunile magazinului sunt încă în stadii incipiente. Ambiția este ridicată, dar datele operaționale subiacente, adică personalul, finalizarea sarcinilor, condițiile reale ale magazinului, sunt adesea partea cea mai puțin digitalizată a afacerii. Ambiția este distribuită uniform în aceste cazuri de utilizare; pregătirea nu este.

Cum ar trebui companiile să modernizeze infrastructura de date legacy fără a perturba sistemele critice de afaceri pe care compania se bazează în fiecare zi?

Infrastructura de date legacy suferă adesea de blocaje operaționale, probleme grave de calitate a datelor și limite de scalare organizațională. Cea mai eficientă modalitate de a proteja operațiunile zilnice în timpul modernizării datelor este de a evita o singură migrare cu risc ridicat. Obiectivul principal al modernizării platformei de date ar trebui să fie să facă datele mai utile pentru luarea deciziilor organizaționale, mai degrabă decât să trateze efortul ca pe o simplă înlocuire a platformei IT.

Pentru a se adapta la era inteligenței artificiale, organizațiile ar trebui să adopte o arhitectură de medaliație a datelor și o arhitectură de plasă de date. Această strategie creează o conductă structurată în care datele sunt rafinate progresiv de la brut la gata pentru afaceri, prevenind astfel datele de calitate slabă de la luarea deciziilor. Prin separarea datelor în straturi logice distincte, organizațiile stabilesc o linie de descendență clară, făcându-l simplu să urmăriți cum informațiile se transformă de la sursă la destinație.

Prin ambalarea datelor verificate în produse accesibile, organizațiile împuternicesc echipele lor să ia decizii strategice, bazate pe dovezi, mai degrabă decât să se bazeze pe intuiție. În mod esențial, această abordare stabilește fundația de încredere a datelor necesară pentru inteligența artificială a întreprinderii. Construirea agenților de inteligență artificială pe produsele de date curate asigură că modelele învață din informații sigure și precise, mai degrabă decât din seturi de date murdare și neverificate.

Guvernanța este adesea adăugată după ce un proiect de inteligență artificială este deja în curs de desfășurare. Ce se schimbă atunci când guvernanța, confidențialitatea, securitatea și calitatea datelor sunt tratate ca cerințe de arhitectură de la început?

Totul se mișcă mai repede, se sparge mai puțin și se extinde mai bine. Când tratați aceste elemente ca cerințe de arhitectură de la început, în loc de a le adăuga la sfârșit, treceți de la controlul daunelor la viteză.

Mai întâi, evitați faza dureroasă de “dezmembrare și înlocuire” în care proiecte de inteligență artificială complet construite sunt abandonate pentru că încalcă standardele de conformitate sau confidențialitate.

Următorul lucru, securitatea și calitatea datelor nu sunt lipite deasupra; ele sunt încorporate în conductă. Modelele dvs. rulează pe date de încredere, producând ieșiri pe care conducerea și utilizatorii le pot încredința.

În cele din urmă, în loc de a lovi un zid regulamentar atunci când treceți de la conceptul de dovadă la producție, calea către implementare este deja curățată și automatizată.

În sinteză, guvernanța nu este o frână pentru inovație; este sistemul de direcție care vă permite să conduceți rapid și în siguranță.

Ca consilier al CAIO Circle, cum credeți că ar trebui să evolueze rolul Directorului de Inteligență Artificială și unde ar trebui să înceapă și să se termine responsabilitățile sale față de CIO, CDO și liderii unităților de afaceri?

Făcând parte din CAIO Circle a fost cu adevărat util, deoarece acum rolul este peste tot, deoarece multe întreprinderi l-au creat reactiv, ca răspuns la hype-ul inteligenței artificiale generative, mai degrabă decât pentru a umple o lacună operațională clară. Cred că acest lucru se va stabiliza rapid și trebuie să o facă. Pentru a funcționa eficient, diviziunea executivă ar trebui să fie clară:

CIO deține infrastructura și fiabilitatea sistemului. CDO deține datele ca un activ al întreprinderii (calitatea, guvernanța și accesibilitatea). CAIO deține stratul de traducere între capacitatea brută de inteligență artificială și rezultatele reale de afaceri.

Acest strat de traducere înseamnă să preia în mod explicit proprietatea portofoliului de inteligență artificială, să determine ce să construiască, să identifice domeniile de afaceri care pot fi îmbunătățite și deservite mai bine prin tehnologia de inteligență artificială și să servească ca autoritatea finală cu privire la unde ar trebui să fie implementată inteligența artificială și unde nu.

Cel mai mare decalaj în majoritatea întreprinderilor de astăzi este evaluarea riscurilor și a schimburilor de valori între unitățile de afaceri concurente. Blocarea unei inițiative de inteligență artificială cu risc ridicat pe care o unitate de afaceri o dorește cu ardoare necesită pe cineva a cărui stimulente nu sunt legate de țintele pe termen scurt ale unității și care este suficient de tehnic pentru a evalua riscul direct. Acesta este exact gatekeeperul independent, cu o bază tehnică, pe care rolul CAIO trebuie să devină.

Privind în perspectivă, ce va separa companiile care obțin un avantaj durabil de inteligență artificială de cele care experimentează doar cu cele mai recente unelte de inteligență artificială?

Nu vor fi cele care au acces la cele mai bune modele. Capacitatea modelului se converge rapid, iar tehnologia brută nu va rămâne un diferențiator de durată.

În schimb, testul fundamental al succesului pe termen lung al inteligenței artificiale – atât intern, cât și orientat către client – se reduce la una: Încredere.

Încrederea este direct proporțională cu capacitatea unei organizații de a construi o fundație pregătită pentru inteligența artificială și un mediu în care noi capacități pot fi testate, implementate în siguranță și extinse cu viteză. Concret, aceasta necesită trei lucruri:

O fundație de date de încredere: Date curate și de încredere, astfel încât fiecare nou caz de utilizare să nu necesite un proiect masiv de curățare.

Guvernanță agilă: Procese de risc și conformitate suficient de rapide pentru a ține pasul cu viteza cu care evoluează modelele subiacente.

Metrici orientați către rezultate: O cultură organizațională care măsoară inteligența artificială prin valoarea de afaceri, nu prin sofisticare tehnică.

Companiile care vor rămâne blocate în “modul de experimentare” peste trei ani vor fi cele care nu au construit niciodată această fundație – vor continua să învețe aceleași lecții de date și guvernanță pentru fiecare proiect de inteligență artificială.

Învingătorii cu un avantaj durabil vor fi cei unde al zecelea caz de utilizare a inteligenței artificiale devine dramatic mai ieftin și mai rapid de implementat decât primul, pentru că fundația a fost construită corect de la început.

Mulțumim pentru acest interviu minunat, cititorii pot citi și cartea sa Strategii hibride și multi-cloud de nivel întreprindere.