อมิต ชาร์มา ซีอีโอและผู้ก่อตั้ง CData – ซีรีส์สัมภาษณ์

อมิต ชาร์มา ซีอีโอและผู้ก่อตั้ง CData Software เป็นผู้บริหารเทคโนโลยีที่ได้นำ CData จากช่วงเริ่มต้นไปสู่การเป็นผู้นำระดับโลกในด้านการเชื่อมต่อและรวมข้อมูล ด้วยอาชีพที่ครอบคลุมหลายบทบาท เช่น วิศวกรซอฟต์แวร์ที่ Infosys และ Elixar ผู้ออกแบบทางเทคนิคที่ /n Software และในภายหลังเป็น CTO ที่ CData เขาได้สร้างความเชี่ยวชาญที่ลึกซึ้งเกี่ยวกับการเข้าถึงข้อมูลและโครงสร้างพื้นฐานขององค์กร ตั้งแต่ปี 2014 ที่เขาดำรงตำแหน่งซีอีโอ เขาได้นำภารกิจของ CData ในการทำให้การเชื่อมต่อ ข้อมูล และการใช้ข้อมูลขององค์กรต่างๆ ง่ายขึ้น ช่วยให้บริษัทมีตำแหน่งเป็นชั้นพื้นฐานของการเคลื่อนย้ายข้อมูลสมัยใหม่

CData Software เป็นผู้ให้บริการชั้นนำด้านการเข้าถึงและเชื่อมต่อข้อมูล ผลิตภัณฑ์ข้อมูลแบบบริการตนเองและแพลตฟอร์มเชื่อมต่อของพวกเขามอบการเข้าถึงข้อมูลแบบเรียลไทม์ข้ามแอปพลิเคชันที่ใช้กันอย่างแพร่หลายหลายร้อยรายการ ทั้งบนพื้นฐานและบนคลาวด์ ผู้ใช้หลายล้านคนทั่วโลกพึ่งพา CData เพื่อสนับสนุนการวิเคราะห์ขั้นสูง การนำคลาวด์มาใช้ และการสร้างองค์กรที่เชื่อมโยงและขับเคลื่อนด้วยข้อมูลมากขึ้น โดยได้รับการออกแบบให้สามารถใช้งานได้โดยผู้ใช้ทุกคน เข้าถึงได้ภายในแอปพลิเคชันใดๆ และปรับขนาดสำหรับองค์กรทุกขนาด CData กำลังเปลี่ยนแปลงวิธีการที่ธุรกิจเข้าถึงและใช้ข้อมูล

คุณเริ่มอาชีพของคุณในอินเดียที่ Infosys และต่อมาเปลี่ยนมาเป็นซอฟต์แวร์สำหรับองค์กรในอเมริกา คุณได้บทเรียนแรกในช่วงเวลานั้นซึ่งยังคงกำหนดรูปแบบการนำของคุณวันนี้คืออะไร?

ช่วงเวลาที่ Infosys ของฉันทำให้ฉันได้รับการสัมผัสกับความต้องการของเทคโนโลยีองค์กรขนาดใหญ่ — ความซับซ้อน ความต้องการความน่าเชื่อถือ และวิธีการที่องค์กรขนาดใหญ่เข้าใกล้ปัญหาทางเทคนิค สิ่งนั้นได้สร้างความเคารพที่ลึกซึ้งสำหรับโครงสร้างและคุณภาพระดับองค์กร แต่เมื่อฉันเปลี่ยนมาเป็นสตาร์ทอัพในสหรัฐอเมริกา ฉันพบว่าฉันเติบโตได้ดีกับความเร็ว ความคล่องตัว และความสามารถในการมีผลกระทบโดยตรง วันนี้ ประวัติหลังที่หลากหลายนั้นเป็นแนวทางในการนำ CData Software ของฉัน: ฉันยืนยันในมาตรฐานและความแข็งแกร่งระดับองค์กร ในขณะเดียวกันก็ส่งเสริมวัฒนธรรมที่เรียบง่าย มีการเคลื่อนไหวอย่างรวดเร็ว และให้คุณค่ากับการใช้งานจริงและความเร็วในการดำเนินการ

หลังจากเป็นซีอีโอของ CData มากกว่าหนึ่งทศวรรษแล้ว การเปลี่ยนแปลงที่สำคัญที่สุดในการปรับขนาดบริษัทจากช่วงเริ่มต้นไปสู่องค์กรระดับโลกคืออะไร?

การเปลี่ยนแปลงที่ใหญ่ที่สุดสำหรับฉันคือการเปลี่ยนจากความคิดเป็นผู้สร้างเทคโนโลยีไปสู่การเป็นผู้สร้างองค์กร ในช่วงแรกๆ ความสนใจของฉันอยู่ที่ผลิตภัณฑ์โดยสิ้นเชิง เพื่อให้แน่ใจว่ามันสวยงาม น่าเชื่อถือ และแก้ปัญหาได้จริง เมื่อ CData ขยายตัว ฉันต้องเรียนรู้ว่าซอฟต์แวร์ที่ยอดเยี่ยมเพียงอย่างเดียวไม่เพียงพอ คุณต้องการคนดี ผู้นำที่แข็งแกร่ง และกระบวนการที่สามารถขยายตัวได้โดยไม่ทำให้ชะลอการดำเนินงาน ซึ่งหมายถึงการลงทุนล่วงหน้าในการจ้างงาน การเพิ่มขีดความสามารถของทีม และการสร้างระบบที่ซ้ำกันในการขาย การสนับสนุน และการดำเนินงาน ในขณะเดียวกันก็ปกป้องวัฒนธรรมทางวิศวกรรมของเรา การเปลี่ยนแปลงความคิดคือการรับรู้ว่างานของฉันไม่ใช่แค่การสร้างเทคโนโลยีที่ยอดเยี่ยม แต่การสร้างสภาพแวดล้อมที่เทคโนโลยีที่ยอดเยี่ยมสามารถถูกสร้างขึ้นได้อย่างต่อเนื่องโดยทีมระดับโลกที่กำลังเติบโต

CData มุ่งเน้นไปที่ “การทำให้การเข้าถึงข้อมูลใดๆ ทุกที่ง่ายขึ้น” มากว่าเท่าใด การภารกิจนี้ได้พัฒนาไปอย่างไรเมื่อภาคอุตสาหกรรมเคลื่อนตัวเข้าสู่แอปพลิเคชัน AI ที่เป็นเจ้าของ?

ตั้งแต่เริ่มต้น ภารกิจของเราที่ CData คือการทำให้ข้อมูลสามารถเข้าถึงได้ทั่วไปโดยใช้インターフェซที่เป็นมาตรฐานและคุ้นเคย เนื่องจากเราเชื่อว่าปัญหาที่ใหญ่ที่สุดในการสร้างนวัตกรรมไม่ใช่การเก็บข้อมูลหรือการประมวลผล แต่เป็นการเข้าถึงข้อมูล ความคิดหลักนั้นยังคงไม่เปลี่ยนแปลง แต่บริบทได้เปลี่ยนไป เมื่อองค์กรเปลี่ยนจากวิเคราะห์ไปสู่คลาวด์และตอนนี้เข้าสู่ AI ต้นทุนของการเข้าถึงข้อมูลที่กระจัดกระจายและไม่สอดคล้องกันเพิ่มขึ้นเท่าใด การเปลี่ยนแปลงคือความรับผิดชอบของเรา: ไม่ใช่แค่การเชื่อมต่อแอปพลิเคชันกับข้อมูล แต่ยังรวมถึงการรับรองว่าข้อมูลนั้นน่าเชื่อถือ ทันเวลา และสามารถใช้ได้จริงในระบบที่ซับซ้อนและกระจายตัวมากขึ้น ในยุค AI การเข้าถึงข้อมูลเพียงอย่างเดียวไม่เพียงพอ ข้อมูลต้องพร้อมใช้งานทันทีโดยไม่ต้องมีการวิศวกรรมแบบกำหนดเอง

เมื่อแอปพลิเคชัน AI ที่เป็นเจ้าของกลายเป็นมาตรฐาน ภารกิจของเราขยายออกไปเพื่อทำให้ข้อมูลพร้อมใช้งาน AI โดยค่าเริ่มต้น ซึ่งหมายถึงการเปิดใช้งานเซมานติกส์ที่สอดคล้องกัน การเชื่อมต่อประสิทธิภาพสูง การเข้าถึงที่ตระหนักถึงการกำกับดูแล และการรวมข้อมูลแบบเรียลไทม์ข้ามแหล่งข้อมูลที่มีโครงสร้างและ SaaS เพื่อให้โมเดลและเอเย่นต์สามารถทำงานกับข้อมูลที่สดใหม่และเชื่อถือได้ ไม่ใช่การรวมกันที่เปราะบางหรือสำเนาที่เก่าแก่ ในแง่ปฏิบัติ เรามุ่งเน้นไปที่การกำจัดความตึงเครียดระหว่างที่ข้อมูลอาศัยอยู่และที่ระบบ AI ดำเนินการ เพื่อให้ทีมสามารถย้ายจากการทดลองไปสู่การผลิตได้เร็วขึ้น เรามองเห็นตัวเองไม่เพียงแต่เป็นผู้ให้บริการเชื่อมต่อ แต่ยังเป็นชั้นพื้นฐานของข้อมูลสำหรับองค์กรที่ขับเคลื่อนด้วย AI ที่ให้พลังงานแก่ระบบที่ทำให้แอปพลิเคชันที่ฉลาดเป็นไปได้

ด้วย AI ที่สร้างขึ้นเร็วขึ้น “ข้อมูลพร้อมใช้งาน AI” จริงๆ แล้วหมายถึงอะไร และที่ไหนที่คุณเห็นองค์กรตีความความคิดนี้ผิดมากที่สุด?

สำหรับฉัน “ข้อมูลพร้อมใช้งาน AI” หมายถึงข้อมูลที่สามารถเข้าถึงได้ น่าเชื่อถือ ทันเวลา และเข้าใจได้ทั้งโดยมนุษย์และเครื่องจักรโดยไม่ต้องมีการเชื่อมต่อแบบกำหนดเอง มันไม่ใช่แค่การย้ายข้อมูลเข้าสู่ทะเลสาบหรือคลังข้อมูล แต่เป็นการรับรองว่าระบบ โมเดล และเอเย่นต์สามารถเข้าถึงข้อมูลที่ถูกต้องในเวลาที่ถูกต้องผ่านอินเตอร์เฟซที่มีการกำกับดูแล ความพร้อมใช้งาน AI ขึ้นอยู่น้อยกว่ากับว่าข้อมูลถูกเก็บไว้ที่ไหน แต่มากกว่ากับว่าข้อมูลสามารถค้นพบ คิวรี่ และรวมกันได้แบบเรียลไทม์หรือไม่ โดยไม่ต้องมีการเชื่อมต่อแบบกำหนดเอง

ที่ที่ฉันเห็นองค์กรตีความความคิดนี้ผิดมากที่สุดคือการ假定ว่าการรวมศูนย์โดยอัตโนมัติเท่ากับการพร้อมใช้งาน AI ทีมงานมักเชื่อว่าเมื่อข้อมูลถูกย้ายเข้าสู่แพลตฟอร์มเดียว พวกเขาก็พร้อมสำหรับ AI แล้ว เมื่อความเป็นจริงแล้วพวกเขาเพียงแต่สร้างซิลโคนใหม่ อีกทีมหนึ่งลงทุนมากเกินไปในเครื่องมือโดยไม่ต้องจัดการคุณภาพข้อมูล เซมานติกส์ และการเชื่อมต่อ ซึ่งเป็นปัญหาที่ไม่หรูหราแต่ทำให้ระบบ AI ในโลกแห่งความเป็นจริงล้มเหลว AI ไม่ล้มเหลวเพราะโมเดล แต่ล้มเหลวเพราะข้อมูลที่ไม่เรียบร้อย ไม่สามารถเข้าถึงได้ หรือเก่าแก่ องค์กรที่จะชนะคือผู้ที่รักษาความพร้อมใช้งานข้อมูลให้เป็นวินัยในการดำเนินงาน ไม่ใช่โครงการย้ายข้อมูลแบบครั้งเดียว

การวิจัยใหม่ของคุณ The State of AI Data Connectivity: 2026 Outlook พบว่าเพียง 6% ของผู้นำ AI เชื่อว่าโครงสร้างพื้นฐานข้อมูลของตนพร้อมสำหรับ AI แล้ว คุณคิดว่าช่องว่างความพร้อมใช้งานนั้นใหญ่มากเพราะอะไร และสิ่งนี้บอกเราอะไรเกี่ยวกับเส้นทางปัจจุบันของอุตสาหกรรม?

ช่องว่างนั้นใหญ่มากเพราะส่วนใหญ่ขององค์กรลงทุนในการรวบรวมและจัดเก็บข้อมูลก่อนที่จะลงทุนในการทำให้ข้อมูลสามารถใช้ได้ ในช่วงสิบปีที่ผ่านมา บริษัทต่างๆ ได้สร้างทะเลสาบ คลังข้อมูล และท่อข้อมูล แต่ไม่ได้สร้างชั้นการเข้าถึงที่สอดคล้องกันเพื่อให้แน่ใจว่าข้อมูลสามารถเข้าถึงได้ข้ามระบบ ตั้งแต่การวิเคราะห์ไปสู่คลาวด์และตอนนี้เข้าสู่ AI ต้นทุนของการเข้าถึงข้อมูลที่กระจัดกระจายและไม่สอดคล้องกันเพิ่มขึ้นเท่าใด เมื่อผู้นำค้นพบว่าเมื่อพวกเขาดำเนินการ AI ในการทำงานจริง โครงสร้างพื้นฐานที่อยู่ด้านล่างไม่สามารถรองรับได้ สิ่งนี้ไม่สะท้อนถึงการขาดความทะเยอทะยาน แต่สะท้อนถึงความเป็นจริงที่ว่า AI เปิดเผยความอ่อนแอที่มีอยู่เสมอแต่ไม่สำคัญมากนักในด้านการวิเคราะห์แบบดั้งเดิม

สิ่งที่ข้อมูลบอกเราถึงอุตสาหกรรมคือว่าเรายังอยู่ในช่วงเริ่มต้นของการนำ AI ไปใช้ องค์กรกำลังทดลองอย่าง積極ที่ชั้นแอปพลิเคชัน แต่ตอนนี้พวกเขากำลังรับรู้ว่าความสำเร็จขึ้นอยู่กับการที่จะทันสมัยโครงสร้างพื้นฐานข้อมูลของพวกเขา เรากำลังเข้าสู่ช่วงเวลาที่การมุ่งเน้นเปลี่ยนจากการทดลองไปสู่ความพร้อมในการดำเนินงาน — การเข้าถึงแบบมาตรฐาน การรวมที่มีการกำกับดูแล และการเชื่อมต่อแบบเรียลไทม์ ผู้ชนะจะไม่ใช่บริษัทที่สร้างการนำเสนอที่น่าประทับใจที่สุด แต่จะเป็นบริษัทที่สามารถทันสมัยโครงสร้างพื้นฐานข้อมูลได้เร็วพอที่จะย้ายการทดลองเหล่านั้นไปสู่การผลิตในระดับใหญ่

การค้นพบยังแสดงให้เห็นว่า 71% ของทีม AI ใช้เวลามากกว่าหนึ่งในสี่ของเวลาทำงานกับการเชื่อมต่อข้อมูล ในมุมมองของคุณ ส่วนใดของงานนี้เป็นกลยุทธ์แทนที่จะเป็นหนี้สินทางเทคนิค?

บางส่วนของ “การเชื่อมต่อข้อมูล” เป็นกลยุทธ์โดยสิ้นเชิงเมื่อมันเกี่ยวกับการสร้างการเข้าถึงข้อมูลที่มีมาตรฐานผ่านอินเตอร์เฟซที่มีการกำกับดูแลและออกแบบสำหรับการปรับขนาดและความปลอดภัยตั้งแต่แรก การลงทุนในการเชื่อมต่อที่สอดคล้อง เซมานติกส์ที่ใช้ร่วมกัน และรูปแบบการรวมที่เชื่อถือได้ เป็นงานพื้นฐานที่ให้ผลตอบแทนในแอปพลิเคชันและโมเดลที่ตามมา ปัญหาอยู่ที่ส่วนใหญ่ของทีมไม่ได้ทำการเชื่อมต่อแบบนั้น พวกเขากำลังสร้างท่อข้อมูลแบบกำหนดเอง ต่อเชื่อมต่อที่เปราะบาง และแก้ไขการรวมที่แก้ปัญหาเพียงครั้งเดียว นั่นคือหนี้สินทางเทคนิคที่ปลอมตัวเป็นความก้าวหน้า

สิ่งที่เป็นกลยุทธ์คือทุกสิ่งที่ลดความตึงเครียดในอนาคต: การกำจัดโค้ดแบบกำหนดเองเพื่อสนับสนุนมาตรฐาน การสร้างบริการข้อมูลที่สามารถใช้ซ้ำ และการเชื่อมต่อระบบในลักษณะที่ปรับขนาดข้ามทีมและกรณีการใช้งาน เมื่อการเชื่อมต่อกลายเป็นเรื่องธรรมดาและซ้ำกัน มันจะหยุดเป็นภาษีสำหรับทีม AI และกลายเป็นตัวช่วย สิ่งที่แท้จริงไม่ใช่การลดเวลาในการใช้ข้อมูล แต่เป็นการหยุดใช้เวลากับปัญหาข้อมูลเดียวกันซ้ำๆ

จุดข้อมูลที่น่าประทับใจอย่างหนึ่งจากรายงานคือ 46% ขององค์กรมีการต้องการการเข้าถึงข้อมูลแบบเรียลไทม์จากแหล่งข้อมูลอย่างน้อย 6 แหล่งสำหรับการใช้ AI เพียงครั้งเดียว สิ่งนี้สะท้อนถึงสิ่งที่คุณเห็นกับลูกค้าหรือไม่ และอะไรที่ทำให้การเชื่อมต่อในระดับนี้ยาก?

ใช่ สิ่งนี้สอดคล้องกับสิ่งที่เราพบในลูกค้าของเรา คดีใช้ AI ที่ทันสมัย ไม่ว่าจะเป็นการวิเคราะห์เชิงทำนาย เครื่องมือแนะนำ หรือการทำงานอัตโนมัติ ส่วนใหญ่ไม่พึ่งพาเพียงระบบเดียว องค์กรต้องการรวม ERP CRM แอป SaaS แพลตฟอร์มสตรีมมิ่ง และฐานข้อมูลแบบดั้งเดิมเพื่อให้ได้ข้อมูลเชิงลึกที่มีความหมาย การท้าทายไม่ใช่แค่จำนวนแหล่งที่มา แต่ยังรวมถึงความหลากหลาย โปรโตคอล รูปแบบ และความถี่ในการอัปเดต และความคาดหวังที่ข้อมูลนั้นจะพร้อมใช้งานแบบเรียลไทม์สำหรับโมเดล AI ที่จะบริโภค

สิ่งที่ทำให้การเชื่อมต่อในระดับนี้ยากคือวิธีการรวมแบบดั้งเดิมไม่ได้ออกแบบมาเพื่อความเร็ว ความน่าเชื่อถือ และความน่าเชื่อถือที่ AI ต้องการ การเชื่อมต่อแบบกำหนดเองและท่อข้อมูลแบบแบตช์ไม่สามารถติดตามได้ การเข้าถึงแบบเรียลไทม์ที่แท้จริงต้องการอินเตอร์เฟซที่มีการจัดการ เซมานติกส์ที่สอดคล้องกัน และการตรวจสอบเพื่อให้แน่ใจถึงคุณภาพและความพร้อมของข้อมูล องค์กรที่ประสบความสำเร็จคือผู้ที่รักษาการเชื่อมต่อให้เป็นความสามารถเชิงกลยุทธ์ ไม่ใช่แค่หน้าที่ทางเทคนิค

รายงานเน้นย้ำถึงความสอดคล้องทางเซมานติกส์ บริบท และการเชื่อมต่อเป็นลักษณะที่กำหนดโครงสร้างพื้นฐานข้อมูล AI ที่เติบโตขึ้น องค์กรควรพิจารณาการจัดลำดับความสำคัญเหล่านี้อย่างไร?

เมื่อพิจารณาการจัดลำดับความสำคัญ องค์กรควรเริ่มต้นด้วยการเชื่อมต่อ หากข้อมูลไม่สามารถเข้าถึงได้อย่างน่าเชื่อถือข้ามระบบ สิ่งอื่นๆ จะไม่เกี่ยวข้อง โมเดล AI ไม่สามารถเรียนรู้จากสิ่งที่ไม่สามารถเข้าถึงได้ การสร้างการเชื่อมต่อที่มีการกำกับดูแลข้ามแหล่งข้อมูลที่สำคัญทั้งหมดสร้างพื้นฐานสำหรับทุกสิ่งที่ตามมา

เมื่อการเชื่อมต่ออยู่ในตำแหน่ง เซมานติกส์ที่สอดคล้องกันกลายเป็นลำดับความสำคัญถัดไป ข้อมูลต้องมีภาษาร่วมกันเพื่อให้ข้อมูลจากแหล่งต่างๆ สามารถตีความได้อย่างถูกต้องและรวมกันอย่างมีความหมาย บริบทตามมาโดยธรรมชาติ: การทำความเข้าใจไม่เพียงแต่ค่า แต่ยังรวมถึงความหมายภายในกระบวนการทางธุรกิจ เวลา และความสัมพันธ์ เพื่อให้แน่ใจว่าโมเดล AI สามารถทำการคาดการณ์ที่แม่นยำและสามารถดำเนินการได้ การรักษาองค์ประกอบเหล่านี้เป็นลำดับ — การเชื่อมต่อแรก เซมานติกส์ที่สอง บริบทที่สาม — อนุญาตให้องค์กรสร้างโครงสร้างพื้นฐานข้อมูลที่พร้อมใช้งาน AI ซึ่งสามารถปรับขนาดและรองรับข้อมูลเชิงลึกที่เชื่อถือได้และพร้อมสำหรับการผลิต

ผู้ให้บริการซอฟต์แวร์ AI ที่เป็นเจ้าของต้องการการรวมแบบภายนอกประมาณสามเท่ามากกว่าผู้ให้บริการแบบดั้งเดิม สิ่งที่ขับเคลื่อนช่องว่างที่กว้างขึ้นนี้ และสิ่งนี้เปิดเผยอะไรเกี่ยวกับทิศทางที่ซอฟต์แวร์กำลังไป?

ช่องว่างที่กว้างขึ้นนี้ได้รับแรงผลักดันจากธรรมชาติของ AI เอง: แอปพลิเคชัน AI ที่เป็นเจ้าของตัวเองมีชีวิตชีวาในข้อมูลที่หลากหลายและทันเวลาจากแหล่งต่างๆ ไม่เหมือนกับซอฟต์แวร์แบบดั้งเดิมที่ทำงานภายในระบบเดียวหรือชุดซอฟต์แวร์ โมเดล AI ต้องการการดูดซึม การสัมพันธ์ และการวิเคราะห์ข้อมูลข้าม ERP ระบบ CRM แอป SaaS แหล่งสตรีมมิ่ง และอื่นๆ แต่ละการรวมเป็นสิ่งจำเป็นเพื่อให้ AI มีบริบทและความครอบคลุมเพียงพอในการทำการคาดการณ์ที่แม่นยำ การแนะนำหรือการดำเนินการอัตโนมัติ

สิ่งนี้เปิดเผยว่าซอฟต์แวร์กำลังเปลี่ยนจากการใช้งานแยกจากกันไปสู่ระบบนิเวศที่เชื่อมต่อและฉลาด ผู้ชนะจะไม่ใช่ผลิตภัณฑ์ที่ทำงานได้ดีเพียงอย่างเดียว แต่จะเป็นแพลตฟอร์มที่สามารถเข้าถึงและรวมข้อมูลได้อย่างราบรื่นไม่ว่าจะอยู่ที่ไหนก็ตาม ในแง่ปฏิบัติ สิ่งนี้หมายความว่าการเชื่อมต่อ มาตรฐาน และการรวมแบบเรียลไทม์ไม่ใช่สิ่งที่ดี แต่เป็นความสามารถพื้นฐานสำหรับซอฟต์แวร์ AI ที่จะให้คุณค่าจริง

เมื่อมองไปข้างหน้า 5 ปี คุณคิดว่าอะไรจะเป็นปัญหาที่สำคัญที่สุดสำหรับความสำเร็จของ AI — การเชื่อมต่อ การรวมแบบเรียลไทม์ การสร้างแบบจำลองเซมานติกส์ การกำกับดูแล หรือสิ่งอื่น?

เมื่อมองไปข้างหน้า ฉันเชื่อว่า การกำกับดูแลและความปลอดภัย จะกลายเป็นปัญหาที่สำคัญที่สุดสำหรับความสำเร็จของ AI ในขณะที่การเชื่อมต่อและการรวมแบบเรียลไทม์ยังคงเป็นพื้นฐาน องค์กรต่างๆ กำลังรับรู้ว่า AI ที่ไม่มีการกำกับดูแลไม่ยั่งยืนและอาจเป็นอันตราย เมื่อ AI เข้าสู่การผลิตและเริ่มมีอิทธิพลต่อการตัดสินใจทางธุรกิจที่สำคัญ ความเสี่ยงของการลำเอียง การไม่ปฏิบัติตามกฎระเบียบ การรั่วไหลของข้อมูล และข้อผิดพลาดในการดำเนินงานเพิ่มขึ้นอย่างมาก

ความท้าทายไม่ใช่แค่การเคลื่อนย้ายข้อมูล แต่เป็นการเคลื่อนย้าย ข้อมูลที่ถูกต้อง ด้วยการควบคุมที่ถูกต้อง ไปยัง ระบบที่ถูกต้อง ในลักษณะที่สามารถติดตามและตรวจสอบได้ องค์กรที่ล้มเหลวในการฝังกรอบการกำกับดูแลและโพรโทคอลความปลอดภัยตั้งแต่เริ่มต้นจะเผชิญกับแรงกดดันจากกฎระเบียบ ความเสี่ยงต่อชื่อเสียง และในที่สุด AI ระบบที่พวกเขาจะไม่สามารถเชื่อถือหรือปรับขนาดได้ เราได้เห็นสัญญาณแรกๆ แล้ว: ธุรกิจที่ลังเลที่จะใช้ AI เพราะพวกเขาไม่สามารถรับประกันการกำกับดูแลหรือการควบคุมการเข้าถึงได้

องค์กรที่ประสบความสำเร็จมากที่สุดในอีก 5 ปีข้างหน้าจะเป็นองค์กรที่รักษาการกำกับดูแลและความปลอดภัยไม่ใช่แค่เรื่องรอง แต่เป็นตัวช่วยหลักของ AI ใช่ คุณต้องการการเชื่อมต่อและการรวมแบบเรียลไทม์เพื่อให้ข้อมูลไหล แต่โดยไม่มีการกำกับดูแลและความปลอดภัย ข้อมูลนั้นจะกลายเป็นภาระมากกว่าทรัพย์สิน อนาคตของ AI ไม่ใช่แค่เรื่องความเร็วหรือขนาด แต่เป็นเรื่องของความไว้วางใจ ความรับผิดชอบ และการนำไปใช้อย่างมีความรับผิดชอบในทุกๆ ชั้นของสแต็กข้อมูล

ขอขอบคุณสำหรับการสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านสามารถเยี่ยมชม CData Software เพื่อเรียนรู้เพิ่มเติม