Sathya AG, Senior Principal Arkitekt på Google – Intervju-serie

Sathya AG är en teknikevangelist, publicerad författare till “Enterprise-Grade Hybrid and Multi-Cloud Strategies“, och Senior Principal Arkitekt på Google (Retail Strategic Industries), med över 19 års erfarenhet av företagsarkitektur och AI. En global tankeledare som erkänts med Top AI Influencer Award och Google’s President’s Award, han är författare till Enterprise-Grade Hybrid and Multi-Cloud Strategies och en Advisory Board Member för CAIO Circle. Han är en Fellow of the British Computer Society (FBCS), Senior Member of IEEE, och Stanford LEAD alumnus. En eftertraktad talare på AI Forward, Google Next, och NRF, Sathya undervisar också AI/ML till underprivilegierade samhällen.

Disclaimer: Tankarna som delas nedan och uttryckta åsikter är författarens egna och speglar inte nödvändigtvis synsätt, positioner eller åsikter från hans arbetsgivare eller någon organisation han är ansluten till.

Du tillbringade mer än ett decennium på Oracle (ORCL ) innan du gick vidare till en seniorarkitektroll på Google, där du nu arbetar med stora detaljhandelsföretag. Hur har din syn på företags-AI förändrats när företag har gått från traditionella datamoderniseringsprojekt till generativ AI och agensbaserad AI-initiativ?

Tillbaka i Oracle-dagarna, som en företagsarkitekt, var mitt huvudsakliga fokus alltid att bygga de grundläggande, högt komplexa system som organisationer förlitar sig på för att driva sin verksamhet. Vi löste massiva integrations-, styrnings- och Master Data Management-utmaningar för att säkerställa att företaget hade en enda, högt tillförlitlig källa till sanning. Traditionell datamodernisering var i grunden om passiv observation, design av semantiska lager och datapipeliner som levererade tillförlitliga insikter till mänskliga beslutsfattare.

Utvecklingen av generativ och agensbaserad AI har helt förändrat det arkitektoniska paradigmet från passiv observation till ett autonomt system för handling. Nu har fokus skiftat till om vi kan låta ett system utföra en handling på vår vägnar (och, korrekt, utan övervakning), i skala. Det är en mycket högre bar för datakvalitet, sammanhang och kontroll eftersom ett felaktigt dataantagande inte bara producerar en felaktig instrumentbräda, utan också en felaktig handling. En agent som missförstår lagerdata informerar inte bara felaktigt någon, utan slutar också med att placera en felaktig beställning.

Detta är där rigorös företagsarkitektur blir kritisk och grundläggande för AI-system. För att säkert bygga autonoma system måste vi överbrygga gapet mellan deterministiska företagssystem och probabilistiska AI. Arkitektursamtalen jag leder nu handlar om att bygga en tillförlitlig datastruktur, säkerställa att realtidsautonom resonemang är bundet av strikt styrning, robust övervakning och samma transaktionsintegritet vi alltid har krävt av företagssystem.

Du har hävdat att många AI-projekt misslyckas inte på grund av modellen, utan på grund av data- och arkitekturbeslut som fattats mycket tidigare. Vilka är de vanligaste tidiga arkitekturvalen som tyst förstör AI-projekt senare?

Det jag ser mest är att företag behandlar ett lager eller en sjö som den enda sanningen när det i själva verket bara är en enda destination. De rör in allt i en plats och antar att det löser problemet med “en version av sanningen”, men det gör det inte, det centraliserar bara oenigheten. Om tre källsystem var och en definierar en aktiv kund på ett annat sätt, och du rör in dem i en enda lager, får du ett felaktigt svar istället för tre.

Sedan finns fällan att bygga för exakt vad som ligger framför dig. En pipeline justeras perfekt för en instrumentbräda, fungerar bra, och sedan, sex månader senare, behöver en ny modell samma data snabbare eller färskare, och hela systemet måste rivas upp istället för att utökas.

Och det som alltid kommer tillbaka för att bita människor är att hoppa över linje och metadata eftersom det ser ut som en onödig överbelastning som ingen har bett om. Det har ingen avkastning; tills den dagen någon frågar varför modellen gjorde ett visst samtal och det inte finns något sätt att spåra det. Då förvandlas det till en dyrbar lösning istället för ett billigt designbeslut.

När du arbetar med Fortune 500-företag, vilka signaler visar att en organisation verkligen är redo att skala AI bortom piloter?

Ärligt talat kan jag vanligtvis säga det inom de första få konversationerna. Skillnaden mellan ett företag som experimenterar med AI och ett som är redo att operativa det på företagsnivå beror på ett par viktiga tecken. Jag letar vanligtvis efter beredskap över tre huvudsakliga områden: Strategisk övertygelse, affärsintegration och operativ mognad.

Här är vad som signalerar verklig beredskap att skala:

1. Strategisk anpassning och verkställande övertygelse

En tydlig AI-strategi, inte bara AI-avund: Företagets ledning visar äkta övertygelse när det gäller sin AI-strategi. Detta är lätt att upptäcka genom att ställa några ledande frågor om hur AI kartläggs mot deras affärsmål. Om de kan uttrycka det exakta affärsvärdet (t.ex. intäktsökning, marginalförbättring eller kundupplevelse) snarare än att bara vilja “använda generativ AI”, är de redo.

Åtagen företagsfinansiering: De har flyttat bortom isolerade FoU-budgetar. Det finns en dedikerad, tvärfunktionell budget som tilldelats inte bara för AI-projekt, utan också för förändringshantering, infrastruktur och kontinuerlig MLOps.

2. Problemlösning och affärsintegration

Lösning av rätt problem: En stor varningsflagga är att förväxla standardarbetsflödesautomatisering eller robotisk processautomatisering (RPA) med AI och tvinga AI på topp för att visa AI-antagande till styrelsen. Beredda företag förstår det distinkta värdeerbjudandet från AI. De fokuserar på användningsfall där AI erbjuder en paradigmskift i kapacitet, snarare än att bara bocka av en teknikruta på en legacyprocess.

Ägarandel för affärsmässig enhet: Detta är en tyst signal, men ofta den största hindrande för att skala. Om AI-entusiasm lever helt inom en isolerad “innovationslabb” med ingen hud i spelet från de faktiska affärsmässiga enheterna, kommer piloter att misslyckas med att lyfta. Verklig beredskap signaleras när affärsmässiga intressenter aktivt utvecklar lösningen och äger det slutliga affärsresultatet, snarare än att kasta en bevisidé över muren till drift.

3. Operativ mognad och styrning

Säkerhets- och efterlevnadsengagemang från dag ett: Avsaknad av engagemang från säkerhets- och styrningsteam, eller försök att avskärma ett kritiskt AI-användningsfall från dem för att “flytta snabbare”, är ett recept för distributionsmisslyckande. Moget företag involverar InfoSec, juridik och datastyrning från dag ett. De ser dessa team som kritiska aktiverare som bygger de skyddsräcken som krävs för att skala säkert, snarare än vägspärrar.

Slutligen, företag som lyckas skala AI behandlar det inte som ett IT-vetenskapsexperiment, utan som en transformationell affärskapacitet med rätt sponsring, rätt skyddsräcken och rätt affärsanpassning.

Vad ser en AI-beredd datastruktur ut som under ytan, särskilt för företag med fragmenterad data över ERP, CRM, handel, moln och legacy-system?

De flesta företag har inte ett datavolymproblem, utan ett datatillitsproblem. Detta förvärras med AI i överlapp. Det handlar mindre om att ha en skinande ny plattform och mer om en handfull oansenliga egenskaper som gäller över system.

Till exempel måste samma kund, produkt eller butik erkännas som samma enhet, oavsett om det ligger i ett legacy-ERP, ett modernt CRM eller en handelsplattform. Om dina system inte kan enas om vem en kund är, kommer dina AI-personalisering- och prognosmodeller att arbeta med spruckna data, vilket resulterar i en hallucinerad bild. Du kan inte förutsäga kundlivstidsvärdet om din AI behandlar en kund som tre olika personer.

Andra, datafräschhet som matchar beslutet, inte standardiserat till vad källsystemet råkar göra. Nattliga lageruppdateringar är bra för långsiktig planering och värdelösa för realtidsleverans; en verklig grund stöder båda hastigheterna utan att platta till allt till den långsammaste.

Tredje, en linjelag som låter dig svara på “var kom den här siffran ifrån” på minuter, inte en flerdagarsutredning. De flesta fragmenterade företag har inte ont om data, utan ont om ett lager som gör den data de redan har tillförlitlig och spårbar. Det är den faktiska grunden, inte vilket verktyg som helst som monteras ovanpå.

Du diskuterar ofta de 5 V av data: Volym, Hastighet, Variation, Tillförlitlighet och Värde. Vilken av dessa tenderar företagsledare att underskatta mest när de förbereder data för AI?

Data Tillförlitlighet, utan tvekan, tätt följt av Data Värde.

Volym är en given i dagens stora data-ekosystem. Alla drunknar i data. Variation och Hastighet får en budget eftersom de är synliga på en roadmap – nya källor, pipelines och realtidsflöden.

Tillförlitlighet är osynlig tills det kostar något – vanligtvis producerar en modell en uppenbart felaktig utdata, och någon spårar det tillbaka till dubblettkundregister eller ett fält som tre team fyller i på tre olika sätt.

Slutligen, Värde underskattas på ett annat sätt – ledare antar att om data finns, har den värde, utan att fråga om den faktiskt flyttar ett beslut. De flesta företag har en liten bråkdel av sin data som faktiskt gör något riktigt arbete, och ingen har kartlagt vilken bråkdel det är.

I detaljhandeln specifikt kan AI-användningsfall omfatta personlig anpassning, prognostisering, lager, leverantörskedja, kundservice och butiksdrift. Var ser du den största klyftan mellan AI-ambition och databeredskap?

Medan AI-ambitionen är jämnt fördelad över detaljhandeln, är databeredskapen starkt asymmetrisk.

Personlig anpassning och prognostisering har den mest rimliga beredskapen – detaljhandlare har samlat in transaktions- och bläddringsdata i år.

Den större klyftan är leverantörskedja och omnikanal, särskilt anslutningen mellan online- och fysiska butiker. Omnikanal är otroligt komplext eftersom det tvingar en detaljhandlare att lösa två av de svåraste dataproblemen i realtid: enad kundidentitet och flytande lager. De flesta detaljhandlare har realtids-e-handelslager, men bara periodiska, ibland slutet av dagen, synlighet i butiksleverans.

Kundservice och butiksdrift är fortfarande i tidiga skeden. Ambitionen är hög, men den underliggande operativa datan, dvs. personal, uppgiftsfyllnad, realtidsbutiksstatus, är ofta den minst digitaliserade delen av verksamheten. Ambitionen är jämnt fördelad över dessa användningsfall; beredskapen är det inte.

Hur bör företag modernisera legacy-datainfrastruktur utan att störa kritiska system som verksamheten fortfarande förlitar sig på varje dag?

Legacy-dataplattformar lider ofta av operativa flaskhalsar, allvarliga datakvalitetsproblem och organisationsmässiga skalningsbegränsningar. Det mest effektiva sättet att skydda daglig drift under en moderniseringsresa är att strikt undvika en enda, högriskig big-bang-migration. Det primära målet med dataplattformsmoderniseringen bör vara att göra data demonstrativt mer användbart för organisatoriskt beslutsfattande, snarare än att behandla ansträngningen som en ren IT-plattformbyte.

För att anpassa sig till AI-eran bör organisationer anta en data-medaljong och data-mesh-arkitektur. Denna strategi skapar en strukturerad pipeline där data raffineras progressivt från rå till affärsklar, och förhindrar effektivt att dålig kvalitet på data når beslutsfattandet. Genom att separera data i distinkta logiska lager etablerar organisationer en tydlig linje, vilket gör det enkelt att spåra hur information omvandlas från källa till destination.

Genom att paketera verifierad data i tillgängliga produkter, ger organisationer sina team möjlighet att fatta strategiska, evidensbaserade beslut snarare än att förlita sig på intuition. Kritiskt, etablerar detta tillvägagångssätt grunden för dataförtroende som krävs för företags-AI. Att bygga AI-agenter ovanpå kuraterad dataprodukt säkerställer att modellerna lär sig från säker, korrekt information snarare än från smutsig, otestad data.

Styrning läggs ofta till efter att ett AI-projekt redan är på gång. Vad förändras när styrning, integritet, säkerhet och datakvalitet behandlas som arkitekturkrav från dag ett?

Allt rör sig snabbare, bryter mindre och skalar bättre. När du behandlar dessa element som arkitekturkrav från dag ett snarare än en sista-minuten-granskningslista, skiftar du från skademinimering till hastighet. Här är vad som förändras:

Först, undviker du den smärtsamma “rip-and-replace”-fasen där fullt byggda AI-projekt skrotas eftersom de bryter mot efterlevnads- eller integritetsstandarder.

Sedan är säkerhet och datakvalitet inte pålagda ovanpå; de är inbäddade i pipelinen. Dina modeller körs på tillförlitlig data, vilket ger utdata som ledning och användare faktiskt litar på.

Slutligen, istället för att träffa en regulatorisk vägg när du flyttar från bevisidé till produktion, är distributionsvägen redan klar och automatiserad.

Sammanfattningsvis, styrning är inte en broms på innovation, utan snarare ett styrsystem som låter dig köra fort på ett säkert sätt.

Som rådgivare till CAIO Circle, hur tror du att rollen som Chief AI Officer bör utvecklas, och var bör dess ansvar börja och sluta i förhållande till CIO, CDO och affärsenhetsledare?

Att vara en del av CAIO Circle har varit en genuint användbar vy in i detta, eftersom rollen just nu är överallt på grund av att många företag skapade den reaktivt, som svar på generativ AI-hype, snarare än att fylla en tydlig operativ lucka. Jag tror att detta kommer att stabiliseras snabbt och det behöver det. För att fungera effektivt bör den verkställande nedbrytningen vara tydlig:

CIO äger infrastrukturen och systemtillförlitligheten. CDO äger data som en företags-tillgång (dess kvalitet, styrning och tillgänglighet). CAIO äger översättningslagret mellan rå AI-kapacitet och verkliga affärsresultat.

Detta översättningslager innebär att ta explicit ägarskap för AI-portföljen, bestämma vad som ska byggas, identifiera områden i verksamheten som kan förbättras och betjänas bättre genom AI-teknik och fungera som den yttersta myndigheten för var AI ska och inte ska distribueras.

Den största luckan i de flesta företag idag är att utvärdera risk- och värdeavvägningar mellan konkurrerande affärsenheter. Att blockera ett högrisk-AI-initiativ som en enskild affärsenhet desperat vill ha kräver någon vars incitament inte är knutna till den enhetens kortsiktiga mål och som är tillräckligt tekniskt kunnig för att utvärdera risken direkt. Den oberoende, tekniskt grundade grindvakt som CAIO-rollen behöver bli.

Om du ser framåt, vad kommer att skilja företag som uppnår en varaktig AI-fördel från de som bara experimenterar med de senaste AI-verktygen?

Det kommer inte att vara de som har tillgång till de bästa modellerna. Modellkapacitet konvergerar snabbt, och rå teknik kommer inte att förbli en varaktig differentierare.

Det kommer istället att vara Förtroende.

Förtroende är direkt proportionellt mot en organisations förmåga att bygga en AI-beredd grund och en miljö där nya kapaciteter kan testas, säkert distribueras och skalas i hastighet. Konkret kräver det tre saker:

En tillförlitlig datastruktur: Ren, tillförlitlig data så att varje nytt användningsfall inte kräver ett massivt, engångsrengöringsprojekt.

Agil styrning: Risk- och efterlevnadsprocesser som är tillräckligt snabba för att hålla jämna steg med hur snabbt underliggande modeller utvecklas.

Resultatdrivna mått: En organisationskultur som mäter AI efter affärsvärde, inte teknisk sofistikation.

Företagen som fortfarande kommer att vara fast i “experimentläge” om tre år kommer att vara de som aldrig byggde den grunden – de kommer att fortsätta lära sig samma data- och styrningslärdomar på varje enskilt AI-projekt.

De vinnare som har en varaktig fördel kommer att vara de där det tionde AI-användningsfallet blir dramatiskt billigare och snabbare att distribuera än det första, eftersom grunden byggdes rätt från början.

Tack för den underbara intervjun, läsare kan också vilja läsa hans bok Enterprise-Grade Hybrid and Multi-Cloud Strategies.