Онур Альп Сонер, генеральный директор и соучредитель Countly – серия интервью.

Онур Альп Сонер — соучредитель и генеральный директор компании ГрафствоCountly — платформа для цифровой аналитики и взаимодействия внутри приложений. Будучи технологом и инициативным человеком, он создал Countly с нуля, чтобы дать компаниям больше контроля над тем, как они понимают своих пользователей и взаимодействуют с ними. Под его руководством Countly превратилась в надежную платформу для предприятий по всему миру, которые хотят быстро внедрять инновации, сохраняя при этом конфиденциальность пользователей в центре своих стратегий роста.

Расскажите нам о моменте, который побудил вас основать Countly — с какими проблемами вы лично столкнулись при использовании существующих аналитических инструментов, которые убедили вас в фундаментальной несостоятельности модели владения данными?

Примерно 13 лет назад, когда мобильные приложения только начинали набирать популярность, доступные инструменты аналитики следовали очень специфической модели. Многие из них были бесплатными или довольно недорогими, но платой за это было то, что платформа собирала и монетизировала ваши данные, часто передавая их в рекламные экосистемы. В то время это считалось общепринятым нормальным способом работы.

Однако это нас не устраивало. Даже для небольшой компании идея передачи всех данных о пользователях только для того, чтобы понять, насколько хорошо работает наш продукт, казалась бессмысленной.

Countly появился как ответ на это. Мы хотели создать аналитические инструменты, которыми компании могли бы полностью владеть и управлять, поэтому мы запустили его как платформу с открытым исходным кодом и возможностью самостоятельного размещения. Идея была проста: организации должны иметь возможность понимать свои данные и использовать их для принятия решений, не раскрывая их третьим лицам. Этот принцип по-прежнему лежит в основе Countly.

С момента основания Countly искусственный интеллект превратил владение данными из узкоспециализированной проблемы в стратегическую необходимость. Когда вам стало ясно, что этот принцип будет иметь значение далеко за пределами аналитики?

В первые годы большинство дискуссий о владении данными проходили в контексте конфиденциальности или соблюдения нормативных требований. В основном банки, медицинские учреждения и правительства были глубоко обеспокоены тем, где хранятся их данные и кто ими управляет. Для многих других аналитика по-прежнему рассматривалась как простой инструмент отчетности, поэтому вопрос о владении данными не казался таким уж актуальным.

Эта точка зрения начала меняться по мере того, как компании стали все больше полагаться на данные для управления своими продуктами, а не просто для их измерения. Как только аналитика перешла из области отчетности в сферу принятия решений, обеспечивая персонализацию, изменения в продуктах и ​​взаимодействие с клиентами, важность контроля над этими данными стала гораздо очевиднее. Каждая компания, ориентированная на цифровые технологии, от мобильных до гостиничного бизнеса, фактически начала конкурировать на основе данных, а не только на основе пользовательского интерфейса.

Искусственный интеллект значительно ускорил это осознание. Вы можете лицензировать или создать модель ИИ, но вы не можете купить поведенческие данные, отражающие то, как ваши собственные клиенты взаимодействуют с вашим продуктом. Эти данные уникальны для каждой организации.

Многие организации считают, что они «готовы к ИИ», потому что обладают большими объемами данных. Но что обычно скрывается за поверхностью, когда вы видите, что происходит внутри реальных компаний?

Как правило, проблема не в недостатке данных. Настоящая проблема заключается в отсутствии пригодных для использования данных. Многие организации обладают огромными объемами информации, но она фрагментирована по различным инструментам, командам и системам. Например, у отдела маркетинга может быть один набор данных, у отдела разработки — другой, а у отдела проектирования — собственная телеметрия, часто хранящаяся в разных форматах с минимальной общей структурой.

Для того чтобы ИИ был полезен, лежащие в его основе данные должны быть чистыми, согласованными и контекстуальными. Недостаточно просто собирать события или журналы; необходимо понимать, что на самом деле означают эти сигналы. Без этого семантического слоя системы ИИ, по сути, лишь гадают.

Ещё одна проблема — право собственности. Удивительно большое количество компаний фактически не контролируют свои собственные данные, поскольку они хранятся на сторонних платформах. Это затрудняет объединение наборов данных, регулирование их использования или безопасное применение к ним моделей искусственного интеллекта.

Поэтому, когда компании заявляют о своей готовности к внедрению ИИ, поскольку у них много данных, реальный вопрос заключается в том, обладают ли они целостной базой данных.

Почему собственные данные создают устойчивое конкурентное преимущество в системах искусственного интеллекта, в то время как сами модели становятся все более взаимозаменяемыми?

Устойчивое конкурентное преимущество создаётся не самой моделью, а пониманием пользователей, основанным на собственных данных. Эти данные отражают то, как люди на самом деле взаимодействуют с вашим продуктом, и они уникальны для каждой организации. Модели, с другой стороны, всё чаще становятся товаром массового потребления. Их можно лицензировать, дорабатывать или относительно легко переключаться между поставщиками. Чего вы не можете воспроизвести, так это поведенческие данные, генерируемые вашими собственными пользователями, взаимодействующими с вашими продуктами с течением времени.

Эти данные фиксируют закономерности, контекст и сигналы, отражающие реальное поведение клиентов. При правильной структуризации и понимании они позволяют компаниям создавать системы, которые непрерывно обучаются на основе реального использования, а не на основе обобщенных наборов данных.

В каких областях современные аналитические системы дают сбой, когда их перепрофилируют для систем искусственного интеллекта, а не для создания отчетов, панелей мониторинга и ключевых показателей эффективности?

Они, как правило, дают сбой в точке, где данные необходимо перевести из стадии наблюдения в стадию действия. Традиционные аналитические системы были разработаны в первую очередь для составления отчетов. Они собирают и агрегируют данные, а затем представляют их в виде панелей мониторинга, которые помогают командам понять, что произошло вчера или на прошлой неделе.

Однако системы искусственного интеллекта работают совершенно иначе. Им необходимы структурированные, контекстуальные данные, доступные в режиме реального времени, чтобы они могли напрямую влиять на поведение системы. Когда аналитические конвейеры строятся на основе пакетной обработки и отложенной отчетности, им трудно поддерживать системы, которым необходимо реагировать мгновенно.

Как отсутствие подлинного права собственности на данные проявляется на операционном уровне, когда команды пытаются перевести ИИ из экспериментальной стадии в производственную?

Обычно это проявляется как проблема контроля. В конечном счете, если вы не контролируете свои данные, вы не контролируете свой ИИ. Это становится особенно очевидным, когда команды переходят от экспериментов к производству. На этапе экспериментов команды часто могут работать с небольшими наборами данных или временными конвейерами, но для производственных систем необходим постоянный доступ к надежным данным по всей организации.

Во многих компаниях исходные данные хранятся на различных сторонних платформах, таких как аналитические инструменты, маркетинговые системы или облачные сервисы. Это затрудняет объединение наборов данных, применение правил управления или контролируемое перемещение данных между системами. Это одна из причин, почему многие проекты в области ИИ застревают на пилотных этапах. Без структурированных данных, охватывающих всю организацию, становится сложно надежно внедрить ИИ в производство.

Это также затрудняет отслеживание того, как модель пришла к тому или иному решению, или восстановление точного состояния данных, лежащих в её основе. Без такого уровня контроля исправление ошибок или отмена решений становятся крайне сложными.

Почему некачественная структура данных, семантика и контекст подрывают эффективность даже самых совершенных моделей искусственного интеллекта?

Даже самые совершенные модели ИИ хороши настолько, насколько хороши получаемые ими данные. Если исходные данные плохо структурированы или им не хватает контекста, модель очень плохо понимает, что на самом деле представляют собой эти сигналы.

Во многих системах данные собираются в виде отдельных событий или журналов без четкого понимания их смысла. Модель может отслеживать тысячи взаимодействий, но без надлежащей структуры и семантики она не может отличить важное от простого шума.

Контекст имеет не меньшее значение. Системы искусственного интеллекта должны понимать, как различные фрагменты данных соотносятся друг с другом во времени. Без этого контекста модели могут по-прежнему выдавать результаты, но они часто ненадежны, поскольку система работает с неполной информацией.

Какие тревожные признаки указывают на то, что компания движется к шаблонным результатам в области ИИ задолго до того, как эти результаты станут шаблонными для клиентов?

Наиболее очевидный тревожный сигнал — это когда компании полагаются на одни и те же внешние модели и инструменты ИИ, но практически ничего не делают для развития собственной базы данных. Если организации используют одни и те же модели, но не предоставляют им собственные пользовательские и контекстные данные, системы, по сути, работают с одними и теми же общими входными данными. В такой ситуации ИИ может выдавать только высокоуровневые или общие результаты. Со временем это приводит к тому, что продукты становятся все более похожими друг на друга, поскольку их интеллектуальная основа базируется на одной и той же ограниченной информации.

Ещё один тревожный сигнал — это когда организации уделяют большое внимание внедрению моделей ИИ, но мало внимания уделяют структуре и качеству своих данных. ИИ усиливает то, что получает. Если исходные данные неструктурированы, фрагментированы или плохо организованы, система просто создаст более сложную версию той же проблемы.

Для организаций, стремящихся внедрить ИИ на основе собственных данных, что же на самом деле позволяет Countly такого, чего не могут обеспечить традиционные аналитические и информационные платформы?

Ключевое отличие заключается в том, как управление данными встроено в платформу. Во многих аналитических продуктах владение данными рассматривается как опция или функция. В Countly же оно находится в основе системы. Платформа разработана таким образом, чтобы организациям не приходилось обменивать контроль над своими данными на расширенные функциональные возможности.

На практике это означает, что компании могут запускать Countly в своей собственной среде, сохраняя полный контроль над своим стеком данных и при этом получая доступ к возможностям аналитики, взаимодействия и автоматизации в масштабе. Это становится особенно важным, когда организации хотят создавать ИИ на основе собственных данных. Многие традиционные аналитические инструменты созданы в первую очередь для отчетности, а это значит, что собранные ими данные часто остаются в сторонних панелях мониторинга, вместо того чтобы стать полезной основой для других систем. Countly использует другой подход, рассматривая аналитику как часть базовой инфраструктуры данных.

По мере того как системы искусственного интеллекта все чаще внедряются в повседневный процесс принятия решений, как должно развиваться определение этичного ИИ, если право собственности на данные рассматривается как основной принцип проектирования, а не как формальный пункт в политике?

Как только право собственности на данные становится принципом проектирования, этичный ИИ перестает быть просто проверкой моделей постфактум — он превращается в разработку систем, в которых пользователи сохраняют контроль над данными, на основе которых они обучаются. Этика становится частью инфраструктуры.

Спасибо за отличное интервью, читатели, которые хотят узнать больше, должны посетить Графство.