Сатья АГ, Старший Принципал-Архитектор в Google – Серия Интервью

Сатья АГ является технологическим эвангелистом, опубликовавшим автором “Стратегии Гибридного и Мультиоблачных Решений Предприятия“, и Старшим Принципал-Архитектором в Google (Ритейл-Стратегические Отрасли), с более чем 19-летним опытом в области архитектуры предприятия и ИИ. Глобальный лидер мысли, признанный премией Top AI Influencer Award и премией Президента Google, он является автором Стратегий Гибридного и Мультиоблачных Решений Предприятия и членом консультативного совета CAIO Circle. Он является членом Британского Компьютерного Общества (FBCS), старшим членом IEEE и выпускником программы Stanford LEAD. Как востребованный докладчик на AI Forward, Google Next и NRF, Сатья также добровольно преподает ИИ/МЛ в малообеспеченных сообществах.

Отказ от ответственности: Мысли, высказанные ниже, и мнения, выраженные, являются собственными автором и не обязательно отражают взгляды, позиции или мнения его работодателя или любой организации, с которой он связан.

Вы провели более десяти лет в Oracle (ORCL ) перед тем, как перейти на должность старшего архитектора в Google, где теперь работаете с крупными розничными предприятиями. Как изменилось ваше представление об ИИ предприятия, когда компании перешли от традиционных проектов модернизации данных к инициативам, связанным с генеративным ИИ и агентским ИИ?

В дни Oracle, как архитектор предприятия, моим основным фокусом всегда было построение фундаментальных, высоко сложных систем, на которых организации полагаются для ведения своего бизнеса. Мы решали массивные проблемы интеграции, управления и управления мастер-данными, чтобы обеспечить предприятию единую, высоко-резистентную источник истины. Традиционная модернизация данных была фундаментально пассивным наблюдением, проектированием семантических слоев и трубопроводов данных, которые доставляли доверенные идеи человеческим лицам, принимающим решения.

Эволюция Генеративного и Агентского ИИ полностью изменила архитектурную парадигму с пассивного наблюдения на автономную систему действий. Теперь линза сместилась на то, можем ли мы позволить системе совершить действие от нашего имени (и, правильно, без надзора), в масштабе. Это гораздо более высокая планка для качества данных, контекста и контроля, потому что теперь плохое предположение о данных не только производит неправильный داشборд, но и неправильное действие. Агент, который неправильно интерпретирует данные об инвентаре, не только дезинформирует кого-то, но и совершит неправильный заказ.

Именно здесь строгая архитектура предприятия становится критически важной и фундаментальной для систем ИИ. Чтобы безопасно строить автономные системы, нам необходимо безупречно мостить разрыв между детерминированными системами предприятия и вероятностными системами ИИ. Архитектурные разговоры, которые я веду сейчас, являются о построении доверительного фабрика данных, обеспечении того, что реальное автономное рассуждение связано с жестким управлением, прочной наблюдаемостью и той же транзакционной целостностью, которую мы всегда требовали от систем предприятия.

Вы утверждали, что многие проекты ИИ терпят неудачу не из-за модели, а из-за решений по данным и архитектуре, принятых гораздо раньше. Какие наиболее распространенные ранние архитектурные решения тихо подрывают проекты ИИ позже?

Одно из того, что я вижу чаще всего, – компании, которые относятся к складу или озеру как к единому источнику истины, когда на самом деле это просто единственная цель. Они направляют все в одно место и предполагают, что это решает проблему “одной версии истины”, но это не так, это просто централизует несогласие. Если три системы-источника определяют активного клиента по-разному, то направление их в одно хранилище дает вам один неправильный ответ вместо трех.

Затем есть ловушка построения именно того, что находится перед вами. Трубопровод настраивается идеально для одного داشборда, работает отлично, и затем через шесть месяцев новая модель требует тех же данных быстрее или свежее, и вся система должна быть разрушена, а не расширена.

И то, что всегда возвращается, чтобы укусить людей, – это пропуск линии и метаданных, потому что это выглядит как накладные расходы, которых никто не просил. У него нет выплаты; пока день, когда кто-то спрашивает, почему модель сделала конкретный вызов, и нет способа отследить это. Это тогда становится дорогим исправлением вместо дешевого решения по проектированию.

Когда работаете с предприятиями Fortune 500, какие сигналы указывают на то, что организация действительно готова масштабировать ИИ за пределы пилотных проектов?

Честно говоря, я обычно могу сказать в течение первых нескольких разговоров. Разница между организацией, экспериментирующей с ИИ, и той, которая готова операционализировать его в масштабе предприятия, заключается в нескольких характерных признаках. Я обычно ищу готовность в трех основных областях: Стратегическое Убеждение, Интеграция Бизнеса и Операционная Зрелость.

Вот что сигнализирует о真正й готовности к масштабированию:

1. Стратегическое Выравнивание и Убеждение Руководства

Четкая Стратегия ИИ, Не Просто ИИ-Зависть: Руководство организации демонстрирует искреннее убеждение относительно своей стратегии ИИ. Это легко обнаружить, задав несколько ведущих вопросов о том, как ИИ сопоставляется с их бизнес-целями. Если они могут артикулировать точную бизнес-ценность (например, рост выручки, улучшение маржи или опыт клиента), а не просто хотят “использовать генеративный ИИ”, они готовы.

Коммитированное Предприятие Финансирование: Они перешли за пределы изолированных бюджетов R&D. Существует выделенный, межфункциональный бюджет, выделенный не только для проектов ИИ, но и для управления изменениями, инфраструктуры и постоянной MLOps.

2. Сопоставление Проблемы и Решения и Интеграция Бизнеса

Решение Правильных Проблем: Крупный красный флаг – это путаница стандартной автоматизации рабочего процесса или роботизированной автоматизации процессов (RPA) с ИИ и принудительное применение ИИ сверху просто для демонстрации принятия ИИ совету. Готовые организации понимают уникальную ценность ИИ. Они фокусируются на случаях использования, где ИИ предлагает парадигмальный сдвиг в возможностях, а не просто проверку технологической коробки на устаревшем процессе.

Владение Бизнес-Единицей: Это более тихий сигнал, но часто является самым большим препятствием для масштабирования. Если волнение ИИ существует полностью внутри изолированной “лаборатории инноваций” без какой-либо кожи в игре от фактических бизнес-единиц, пилотные проекты потерпят неудачу. Истинная готовность сигнализируется, когда бизнес-стейкхолдеры активно ко-разрабатывают решение и владеют окончательным бизнес-результатом, а не бросают доказательство концепции через стену к операциям.

3. Операционная Зрелость и Управление

Дневной Безопасности и Согласования: Отсутствие участия команд безопасности и управления, или попытка отгородить критический случай использования ИИ от них, чтобы “двигаться быстрее”, является рецептом для развертывания неудачи. Зрелые организации привлекают InfoSec, юридические и данные управления к столу в День 1. Они рассматривают эти команды как критически важные для построения ограждений, необходимых для безопасного масштабирования, а не как препятствия.

В конечном итоге организации, которые успешно масштабируют ИИ, рассматривают его не как научный эксперимент ИТ, а как трансформационную бизнес-возможность с правильным спонсорством, правильными ограждениями и правильным бизнес-выравниванием.

Что выглядит как готовая к ИИ основа данных, особенно для предприятий с фрагментированными данными по ERP, CRM, коммерции, облаку и устаревшим системам?

Большинство предприятий не имеют проблемы с объемом данных, а имеют проблему доверия к данным. Это то, что усугубляется ИИ, наложенным сверху. Это менее связано с наличием блестящей новой платформы и более связано с горсткой незаметных свойств, которые сохраняются в системах.

Например, один и тот же клиент, продукт или магазин должен быть признан одним и тем же объектом, независимо от того, находится ли он в устаревшей ERP, современной CRM или платформе коммерции. Если ваши системы не могут согласиться на то, кто является клиентом, ваши модели персонализации и прогнозирования ИИ работают на основе разбитых данных, в результате чего получается воображаемая картина. Вы не можете предсказать ценность клиента за всю жизнь, если ваш ИИ рассматривает одного клиента как трех разных людей.

Второе – это свежесть данных, соответствующая решению, а не умолчанию для того, что система-источник случайно делает. Еженощные обновления запасов подходят для долгосрочного планирования и бесполезны для реального времени выполнения; реальная основа поддерживает оба темпа без выравнивания всего до самого медленного.

Третье – это слой линии, который позволяет ответить на вопрос “откуда взялось это число” за минуты, а не за многодневное расследование. Большинство фрагментированных предприятий не имеют недостатка в данных, а имеют недостаток в слое, который делает данные, которые у них уже есть, достоверными и отслеживаемыми. Это и есть фактическая основа, а не какой-либо инструмент, который прикреплен сверху.

Вы часто обсуждаете 5 В данных: Объем, Скорость, Разнообразие, Верификация и Ценность. Какой из них лидеры предприятий склонны недооценивать больше всего при подготовке данных для ИИ?

Верификация данных, без вопросов, тесно следуя за ней – Ценность данных.

Объем является данностью в сегодняшней экосистеме больших данных. Все тонут в данных. Разнообразие и Скорость получают бюджет, потому что они видны на дорожной карте – новые источники, трубопроводы и потоки данных в реальном времени.

Верификация невидима, пока это не будет стоить вам чего-то – обычно модель производит явно неправильный вывод, и кто-то отслеживает это до дубликатов записей клиентов или поля, которое три команды заполняют тремя разными способами.

Наконец, Ценность недооценивается по-другому – лидеры предполагают, что если данные существуют, они имеют ценность, не задавая вопроса, действительно ли они движут решением. Большинство предприятий имеют небольшую долю своих данных, которые действительно делают какую-либо работу, и никто не составил карту, какая доля это.

В рознице в частности ИИ-случаи использования могут охватывать персонализацию, прогнозирование, запасы, цепочку поставок, обслуживание клиентов и магазинные операции. Где вы видите самый большой разрыв между амбициями ИИ и готовностью данных?

Хотя амбиции ИИ распределены равномерно по рознице, готовность данных сильно асимметрична.

Персонализация и прогнозирование имеют наиболее разумную готовность – розничные продавцы собирали транзакционные и просмотровые данные в течение многих лет.

Больший разрыв находится в цепочке поставок и.omni-канале, особенно в соединении между онлайн- и физическими магазинами. Omni-канал невероятно сложен, потому что он заставляет розничного продавца решить две самых сложных проблем данных в реальном времени: унифицированную идентичность клиента и текучую информацию о запасах. Большинство розничных продавцов имеют информацию о запасах в реальном времени для электронной коммерции, но только периодическую, иногда в конце дня, видимость уровня запасов в магазине.

Обслуживание клиентов и магазинные операции еще находятся на ранних этапах. Амбиции высоки, но основные операционные данные, т. е. персонал, выполнение задач, реальные условия магазина, часто являются наименее оцифрованными частями бизнеса. Амбиции распределены равномерно по этим случаям использования; готовность не.

Как компании должны модернизировать устаревшую инфраструктуру данных, не нарушая критически важных систем, от которых бизнес все еще зависит каждый день?

Устаревшие платформы данных часто страдают от операционных узких мест, серьезных проблем качества данных и организационных ограничений масштабирования. Наиболее эффективный способ защитить ежедневные операции во время путешествия по модернизации – это строго избегать единой, высокорисковой миграции. Основной целью модернизации платформы данных должно быть сделать данные более полезными для принятия решений в организации, а не рассматривать усилия как чистую замену платформы ИТ.

Чтобы удовлетворить эпоху ИИ, организации должны принять архитектуру данных-медалиона и архитектуру данных-меш. Эта стратегия создает структурированный трубопровод, где данные постепенно очищаются от сырых до бизнес-готовых, эффективно предотвращая плохое качество данных от принятия решений. Разделив данные на отдельные логические слои, организации устанавливают четкую линию, что делает легко отслеживать, как информация преобразуется из источника в пункт назначения.

Упаковывая проверенные данные в доступные продукты, организации наделяют свои команды возможностью принимать стратегические, основанные на фактах решения, а не полагаться на интуицию. Критически, этот подход устанавливает основу доверия к данным, необходимую для ИИ предприятия. Построение агентов ИИ на основе отобранных продуктов данных гарантирует, что модели учатся на безопасных, точных данных, а не на беспорядочных, непроверенных наборах данных.

Управление часто добавляется после того, как проект ИИ уже начат. Что меняется, когда управление, конфиденциальность, безопасность и качество данных рассматриваются как требования к архитектуре с первого дня?

Все движется быстрее, ломается меньше и масштабируется лучше. С вероятностной природой генеративного ИИ управление крайне важно, но все же является наиболее упущенной из них в многих организациях.

Когда вы рассматриваете эти элементы как требования к архитектуре с первого дня, а не как последний контрольный список, вы переходите от контроля ущерба к скорости. Вот что меняется:

Сначала вы избегаете болезненной фазы “разрыва и замены”, где полностью построенные проекты ИИ отменяются, потому что они нарушают стандарты соответствия или конфиденциальности.

Далее безопасность и качество данных не заплатываются сверху; они встроены в трубопровод. Ваши модели работают на надежных данных, что дает выводы, которыми доверие лидерства и пользователей.

Наконец, вместо того, чтобы наткнуться на стену регулирования при переходе от концепции к производству, путь к развертыванию уже очищен и автоматизирован.

Вкратце, управление не является тормозом на инновации, а является системой управления, которая позволяет вам ехать быстро безопасно.

Как советник CAIO Circle, как вы думаете, роль Главного Офицера ИИ должна эволюционировать, и где должны начинаться и заканчиваться его обязанности относительно CIO, CDO и лидеров бизнес-единиц?

Будучи частью CAIO Circle, я получил真正е окно в это, потому что сейчас эта роль находится повсюду, потому что многие предприятия создали ее реактивно, в ответ на генеративный ИИ-гиб, а не заполняя четкий операционный пробел. Я считаю, что это быстро устроится и должно быть. Чтобы работать эффективно, исполнительный разрыв должен быть хрустящим:

CIO владеет инфраструктурой и системной надежностью. CDO владеет данными как активом предприятия (его качество, управление и доступность). CAIO владеет слоем перевода между сырым возможностями ИИ и реальными бизнес-результатами.

Этот слой перевода означает принятие явного владения портфелем ИИ, определение того, что следует строить, выявление областей бизнеса, которые можно улучшить и обслужить лучше с помощью технологии ИИ, и служение в качестве окончательной власти по вопросу о том, где ИИ должен и не должен быть развернут.

Самый большой пробел в большинстве предприятий сегодня – это оценка рисков и торговых компромиссов между конкурирующими бизнес-единицами. Блокирование высокорискованной инициативы ИИ, которую одна бизнес-единица отчаянно хочет, требует кого-то, чьи стимулы не связаны с краткосрочными целями этой единицы, и кто технически достаточно компетентен, чтобы оценить риск напрямую. Этот независимый, технически обоснованный ворота – это именно то, чем должна стать роль CAIO.

Оглядываясь вперед, что будет отделять компании, которые достигают прочного преимущества ИИ, от тех, которые просто экспериментируют с последними инструментами ИИ?

Это не будет теми, у кого есть доступ к лучшим моделям. Возможность модели быстро сходится, и сырая технология не останется долгосрочным дифференциатором.

Вместо этого основной тест долгосрочного успеха ИИ – будь то внутренний или ориентированный на клиента – заключается в одном: Доверие.

Доверие прямо пропорционально способности организации построить готовую к ИИ основу и среду, в которой новые возможности могут быть протестированы, безопасно развернуты и масштабированы с скоростью. Конкретно, это требует трех вещей:

Надежная Основы Данных: Чистые, достоверные данные, чтобы каждое новое использование не требовало огромного, разового проекта очистки.

Гибкое Управление: Процессы риска и соответствия, которые достаточно быстры, чтобы идти в ногу с тем, как быстро эволюционируют основные модели.

Метрики, Ориентированные на Результат: Культура организации, которая измеряет ИИ бизнес-ценностью, а не технической изощренностью.

Компании, которые все еще будут застряны в “экспериментальном режиме” через три года, будут теми, которые никогда не построили эту основу – они будут продолжать повторять одни и те же уроки данных и управления на каждом проекте ИИ.

Победители с прочным преимуществом будут те, где десятый случай использования ИИ станет намного дешевле и быстрее в развертывании, чем первый, потому что основа была построена правильно с первого раза.

Спасибо за отличный интервью, читателям также может быть интересно прочитать его книгу Стратегии Гибридного и Мультиоблачных Решений Предприятия.