Раскрытие последней мили корпоративного ИИ с помощью федеративной, данных-уровня интеллекта

Принятие корпоративного ИИ широко распространено в амбициях и неравномерно в исполнении. Во всех отраслях организации экспериментируют с машинным обучением и генеративными моделями, обучают команды и развертывают инструменты ИИ в ограниченных рабочих процессах. Однако только небольшое количество предприятий позволяет системам ИИ влиять на реальные операционные решения. Основным ограничением является не производительность модели, а доверие к данным, которые информируют эти решения.

Корпоративные данные фрагментированы, чувствительны и регулируются под широким спектром ограничений. Критические сигналы расположены на аналитических платформах, операционных системах, регулируемых средах, партнерских экосистемах и потоковых данных. Большая часть этих данных не может быть свободно скопирована или централизована без увеличения риска безопасности или нарушения требований соответствия. В результате многие инициативы ИИ остаются ограничены пилотными проектами, анализом и вспомогательными случаями использования, с ограниченным влиянием на бизнес-стратегию или решения, которые обеспечивают измеримое воздействие.

Этот разрыв между экспериментом и воздействием часто описывается как последняя миля корпоративного ИИ. Он отражает более широкую архитектурную задачу: обеспечение работы ИИ в безопасной среде на протяжении всего корпоративного ландшафта данных, а не только на той части, которая легче всего доступна.

Корпоративные данные распределены по дизайну

Современные корпорации работают в сложной и распределенной среде данных. Склады и озера поддерживают аналитику и отчетность, в то время как операционные системы управляют транзакциями, логистикой и взаимодействием с клиентами. Окружающие среды генерируют сигналы в режиме реального времени, а регулируемые системы обеспечивают строгий контроль над чувствительной информацией. Партнерские и экосистемные данные добавляют дополнительную сложность.

Эти системы были разработаны для удовлетворения различных операционных, регулирующих и производственных требований. В результате корпоративные данные распределены по необходимости, а не случайно. Попытки консолидировать все данные в одну платформу часто вводят задержку, дублирование, управленческий и безопасный риск.

В результате системы ИИ часто обучаются и оцениваются на частичных представлениях корпоративной реальности. Хотя эти модели могут работать хорошо в контролируемых условиях, их полезность снижается, когда они применяются к реальным операционным решениям, которые зависят от более широкого набора сигналов.

Доверие возникает из доступа, управления и контроля

Доверие к корпоративному ИИ развивается, когда организации имеют уверенность в том, как данные доступны, управляются и используются. Принимающие решения ожидают, что системы ИИ отражают текущие операционные условия, уважают требования безопасности и конфиденциальности, и работают в установленных рамках управления.

На практике эти ожидания трудно выполнить, когда доступ к данным ограничен централизованными или санитарными подмножествами. Чувствительные атрибуты, регулируемые записи и сигналы в режиме реального времени часто исключаются, что снижает актуальность выводов ИИ. Со временем это ограничивает уверенность организации в рекомендациях, основанных на ИИ.

Исследования аналитиков подтверждают этот шаблон. Хотя эксперименты с ИИ распространены, организации часто цитируют готовность данных, зрелость управления и ограничения безопасности в качестве причин, по которым инициативы ИИ не продвигаются за пределы ограниченного развертывания.

Чтобы ИИ стал доверенным участником принятия решений в корпорации, он должен быть способен взаимодействовать со всеми соответствующими данными под соответствующим контролем, а не работать на ограниченном подмножестве.

Федеративная архитектура позволяет ИИ достичь всех корпоративных данных

Федеративная архитектура решает эту задачу, согласовывая выполнение ИИ с распределенной природой корпоративных данных. Вместо перемещения данных в центральную систему федеративные подходы позволяют вычислениям работать напрямую в существующих средах.

В федеративной модели данные остаются под местным владением и управлением. Политики применяются там, где находятся данные, и рабочие процессы ИИ выполняются на месте. Этот подход снижает ненужное перемещение данных, сохраняет суверенитет данных и позволяет системам ИИ взаимодействовать с более широким набором корпоративных сигналов.

Федеративные архитектуры все чаще признаются практическим ответом на ограничения централизованных систем ИИ. Gartner подчеркивает федеративную аналитику как шаблон для обеспечения взаимодействия и обмена информацией между полусамостоятельными доменами данных, поддержки децентрализованного управления и владения доменом, сохраняя при этом корпоративные стандарты. Анализ отрасли дальше подчеркивает, что федеративные подходы соответствуют распределенным средам данных, сохраняя местный контроль, управление и безопасность, а также обеспечивая более широкий доступ ИИ.

Федеративное обучение иллюстрирует этот принцип в действии, позволяя совместную подготовку моделей по децентрализованным наборам данных без обмена сырыми данными. Хотя это представляет собой один конкретный метод, он демонстрирует, как интеллект может быть получен по средам, уважая местный контроль.

Более широко, федеративная архитектура устанавливает основу для систем ИИ, чтобы работать на всех корпоративных данных, включая аналитические, операционные, регулируемые и данные в режиме реального времени, без компрометации управления.

Безопасность на уровне данных делает федерацию операционно жизнеспособной

Федеративное выполнение расширяет охват ИИ, а безопасность на уровне данных гарантирует, что этот охват остается под контролем. Поскольку системы ИИ взаимодействуют с данными непрерывно и по доменам, безопасность и управление должны работать на уровне точности, соответствующем чувствительности данных.

Безопасность на уровне данных применяет политики на уровне отдельных элементов данных, а не полагается исключительно на системные или ролевые контроли. Это позволяет рабочим процессам ИИ получать доступ к разрешенным атрибутам, в то время как чувствительные поля остаются защищенными, даже в рамках одного и того же набора данных.

Внедряя безопасность непосредственно в использование данных, организации могут применять ИИ по смешанным средам с чувствительностью, снижая риск и сохраняя соответствие. Исследования отрасли, включая анализ Deloitte барьеров принятия ИИ, подчеркивают, что управление должно работать непрерывно на протяжении всего жизненного цикла ИИ, когда системы приближаются к влиянию на операционные решения.

От частичной видимости к корпоративной интеллекте

Обещание корпоративного ИИ заключается в его способности включать все соответствующие данные, а не только те, которые удобно доступны. Федеративные архитектуры, объединенные с безопасностью на уровне данных, позволяют системам ИИ работать на протяжении всего корпоративного имущества данных, сохраняя доверие, соответствие и контроль.

Этот подход позволяет организациям:

• Включать операционные и данные в режиме реального времени в рабочие процессы ИИ
• Уважать регулируемые и договорные границы
• Снизить дублирование и риск безопасности
• Сохранять последовательное управление по средам

По мере того, как возможности ИИ продолжают развиваться, архитектурные решения, связанные с доступом к данным и безопасности, будут играть все более решающую роль в определении корпоративных результатов.

Проектирование ИИ для корпорации, какой она существует

Корпоративный ИИ успешен, когда он отражает операционную реальность. Данные распределены, управление нюансировано, а ожидания безопасности высоки. Федеративные, ориентированные на данные архитектуры признают эти условия и предоставляют путь для ИИ, чтобы выйти за пределы ограниченного эксперимента.

Позволяя ИИ работать там, где живут данные, и обеспечивая контроль на уровне данных, организации могут расширить интеллект по всему своему ландшафту данных. Этот сдвиг преобразует ИИ из аналитического помощника в доверенного участника принятия решений.

Последняя миля достигается, когда ИИ может безопасно и ответственно взаимодействовать со всеми корпоративными данными, где бы они ни находились.