Онур Альп Сонер, генеральный директор и сооснователь Countly – Интервью

Онур Альп Сонер – сооснователь и генеральный директор Countly, платформы цифровой аналитики и вовлечения в приложениях. Как технолог и предприниматель, он создал Countly с нуля, чтобы дать компаниям больше контроля над тем, как они понимают и взаимодействуют со своими пользователями. Под его руководством Countly вырос в доверенную платформу для предприятий по всему миру, которые хотят быстро инновировать, сохраняя конфиденциальность пользователей в центре своих стратегий роста.

Вернемся к моменту, который привел вас к основанию Countly — что вы лично столкнулись с существующими инструментами аналитики, что убедило вас, что модель владения данными фундаментально сломана?

Примерно 13 лет назад, когда мобильные приложения начали набирать популярность, доступные инструменты аналитики следовали определенной модели. Многие из них были бесплатными или относительно недорогими, но компромисс заключался в том, что платформа собирала и монетизировала ваши данные, часто подпитывая их в рекламные экосистемы. В то время это было широко принято как нормальный способ работы.

Однако это не совсем устраивало нас. Даже как небольшая компания, идея передачи всех наших пользовательских данных просто для понимания того, как работает наш продукт, не имела смысла.

Countly начался как ответ на это. Мы хотели построить аналитику, которую компании могли бы полностью владеть и контролировать, поэтому мы запустили ее как открытую, самообслуживаемую платформу. Идея была простой: организации должны быть в состоянии понимать и действовать на основе своих данных без их передачи. Этот принцип остается в основе Countly и сегодня.

С момента основания Countly ИИ вытолкнул владение данными из нишевой проблемы в стратегическое требование. Когда стало ясно, что этот принцип будет иметь значение далеко за пределами аналитики?

В ранние годы большинство разговоров о владении данными были сформированы через проблемы конфиденциальности или соблюдения требований. Это были в основном банки, поставщики медицинских услуг и правительства, которые глубоко заботились о том, где находятся их данные и кто их контролирует. Для многих других аналитика все еще рассматривалась как простой инструмент отчетности, поэтому вопрос владения не казался срочным.

Эта точка зрения начала меняться, когда компании начали больше полагаться на данные для управления своими продуктами, а не только для их измерения. Как только аналитика перешла от отчетности к принятию решений, обеспечению персонализации, изменению продукта и вовлечению клиентов, важность контроля над этими данными стала намного яснее. Каждая цифровая компания, от мобильности до гостиничного бизнеса, фактически начала конкурировать на основе данных, а не только на основе своего пользовательского опыта.

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

Многие организации считают, что они готовы к ИИ, потому что у них есть большие объемы данных. Что обычно отсутствует под поверхностью, исходя из того, что вы видите внутри реальных компаний?

Отсутствие данных обычно не является проблемой. Реальная проблема заключается в отсутствии пригодных для использования данных. Многие организации имеют огромные объемы информации, но они фрагментированы по разным инструментам, командам и системам. Например, маркетинг может иметь один набор данных, продукт – другой, а инженерия – свою собственную телеметрию, часто хранящуюся в разных форматах с минимальной общей структурой.

Для того чтобы ИИ был полезен, данные под ним должны быть чистыми, последовательными и контекстными. Не достаточно просто собирать события или журналы; необходимо понимать, что эти сигналы на самом деле представляют. Без этого семантического слоя системы ИИ по сути угадывают.

Другой проблемой является владение. Удивительно большое количество компаний не контролируют свои собственные данные, потому что они находятся внутри платформ третьих лиц. Это затрудняет объединение наборов данных, управление их использованием или безопасное применение моделей ИИ к ним.

Итак, когда компании говорят, что они готовы к ИИ, потому что у них много данных, реальный вопрос заключается в том, имеют ли они целостную основу данных.

Почему данные первого уровня создают прочное конкурентное преимущество в системах ИИ, в то время как сами модели становятся все более взаимозаменяемыми?

То, что создает прочное преимущество, – это не модель сама по себе, а понимание пользователей, которое получается из данных первого уровня. Эти данные отражают, как люди фактически взаимодействуют с вашим продуктом, и они уникальны для каждой организации. Модели, с другой стороны, становятся все более коммерческими. Вы можете лицензировать их, донастроить или переключиться между поставщиками относительно легко. То, что вы не можете воспроизвести, – это поведенческие данные, генерируемые вашими собственными пользователями, взаимодействующими с вашими продуктами во времени.

Эти данные захватывают закономерности, контекст и сигналы, отражающие, как клиенты фактически ведут себя. Когда они правильно структурированы и поняты, они позволяют компаниям строить системы, которые непрерывно учатся от реального использования, а не от общих наборов данных.

Где современные аналитические стеки тихо ломаются, когда они используются для систем ИИ, а не для отчетности, панелей и показателей?

Они склонны ломаться в точке, где данные необходимо передать от наблюдения к действию. Традиционные аналитические стеки были разработаны в основном для отчетности. Они собирают и агрегируют данные, затем представляют их в панелях, которые помогают командам понять, что произошло вчера или на прошлой неделе.

Системы ИИ, однако, работают очень по-другому. Они требуют данных, которые структурированы, контекстуализированы и доступны в реальном времени, чтобы они могли напрямую влиять на поведение системы. Когда аналитические конвейеры построены вокруг пакетной обработки и отложенной отчетности, они борются с поддержкой систем, которые должны реагировать мгновенно.

Как отсутствие истинного владения данными проявляется операционно, когда команды пытаются переместить ИИ из экспериментирования в производство?

Обычно это проявляется как проблема контроля. В конечном итоге, если вы не контролируете свои данные, вы не контролируете свой ИИ. Это становится особенно ясным, когда команды переходят от экспериментирования к производству. Во время экспериментирования команды могут работать с небольшими наборами данных или временными конвейерами, но производственные системы требуют последовательного доступа к надежным данным по всей организации.

Затем, во многих компаниях, основные данные находятся в разных платформах третьих лиц, таких как инструменты аналитики, маркетинговые системы или облачные сервисы. Это затрудняет объединение наборов данных, применение правил управления или перемещение данных между системами в контролируемом порядке. Это одна из причин, почему многие проекты ИИ остаются в пилотных фазах. Без структурированных, организационных данных становится трудно развертывать ИИ надежно в производстве.

Это также затрудняет отслеживание того, как модель приняла решение, или восстановление точного состояния данных, лежащего в основе него. Без этого уровня контроля исправление ошибок или откат решений становится чрезвычайно трудным.

Почему плохая структура данных, семантика и контекст подрывают даже самые способные модели ИИ?

Даже самые способные модели ИИ только так хороши, как данные, которые они получают. Если основные данные плохо структурированы или лишены контекста, модель имеет очень мало понимания того, что эти сигналы на самом деле представляют.

Во многих системах данные собираются как изолированные события или журналы без ясного значения, присвоенного им. Модель может видеть тысячи взаимодействий, но без правильной структуры и семантики она не может различить, что важно, а что просто шум.

Контекст также важен. Системы ИИ должны понимать, как разные части данных связаны друг с другом во времени. Без этого контекста модели могут все еще производить выходные данные, но они часто ненадежны, потому что система работает с неполной информацией.

Какие предупреждающие знаки указывают на то, что компания движется к генерическим результатам ИИ задолго до того, как эти результаты будут казаться генерическими клиентам?

Самый базовый предупреждающий знак – это когда компании полагаются на одни и те же внешние модели ИИ и инструменты, но делают очень мало для развития своей собственной основы данных. Если организации используют одни и те же модели, но не кормят их своими собственными данными пользователей и контекстными данными, системы по сути работают с одними и теми же общими входными данными. В этой ситуации ИИ может производить только высокоуровневые или генерические результаты. Со временем это приводит к продуктам, которые кажутся все более похожими, потому что интеллект, лежащий в их основе, построен на одних и тех же ограниченных данных.

Другим предупреждающим знаком является то, когда организации фокусируются сильно на принятии моделей ИИ, но уделяют мало внимания структуре и качеству своих данных. ИИ усиливает то, что он получает. Если основные данные запутаны, фрагментированы или плохо структурированы, система просто производит более изощренную версию одной и той же проблемы.

Для организаций, пытающихся построить ИИ на основе своих собственных данных, что на самом деле позволяет Countly, чего не могут традиционные платформы аналитики и данных?

Ключевое различие заключается в том, как контроль построен в платформе. Во многих продуктах аналитики владение данными является чем-то, что появляется как опция или функция. С Countly оно находится в основе системы. Платформа была разработана так, чтобы организации не должны были обменивать контроль над своими данными на продвинутую функциональность.

На практике это означает, что компании могут запускать Countly в своей собственной среде, сохранять полный контроль над своей стопкой данных и все еще получать доступ к аналитике, вовлечению и автоматизации на масштабе. Это становится особенно важным, когда организации хотят построить ИИ на основе своих собственных данных. Многие традиционные инструменты аналитики построены в основном для отчетности, что означает, что данные, которые они собирают, часто остаются внутри панелей третьих лиц, вместо того, чтобы стать пригодной основой для других систем. Countly подходит к этому по-другому, рассматривая аналитику как часть основной инфраструктуры данных.

Когда системы ИИ становятся встроенными в повседневное принятие решений, как должно эволюционировать определение этичного ИИ, когда владение данными рассматривается как основной принцип проектирования, а не как галочка политики?

Как только владение данными становится принципом проектирования, этический ИИ больше не является вопросом аудита моделей после факта – это вопрос проектирования систем, в которых пользователи сохраняют агентство над данными, которые их обучают. Этика становится инфраструктурой.

Спасибо за отличное интервью, читателям, которые хотят узнать больше, следует посетить Countly.