โดมินิค ซาร์โทริโอ, VP of Product Marketing at Denodo – สัมภาษณ์ซีรีส์

โดมินิค ซาร์โทริโอ เป็น VP of Product Marketing at Denodo โดมินิค มีประสบการณ์มากกว่า 20 ปีในตลาดการจัดการและกำกับดูแลข้อมูล โดย曾ดำรงตำแหน่งผู้นำผลิตภัณฑ์และการตลาดที่ Informatica, Protegrity และผู้ให้บริการชั้นนำอื่นๆ

Denodo เป็นผู้นำระดับโลกในการจัดการข้อมูล โดยให้พลังงานแก่เอเย่นต์ AI ที่เชื่อถือได้และแอปพลิเคชัน Denodo Platform เป็นโซลูชันการจัดการข้อมูลเชิงตรรกะที่ได้รับรางวัล ซึ่งเปลี่ยนแปลงข้อมูลองค์กรให้เป็นข้อมูลที่เชื่อถือได้สำหรับ AI, การวิเคราะห์ และการเริ่มต้นด้วยตนเอง องค์กรทั่วโลกใช้ Denodo เพื่อส่งมอบข้อมูลที่พร้อมสำหรับ AI และธุรกิจในเวลาที่สั้นลงเมื่อเทียบกับ data lakehouse แบบดั้งเดิม โดยสามารถเพิ่มความเร็วในการเข้าถึงข้อมูลได้ถึง 4 เท่า, ROI 345% และประสิทธิภาพที่ดีขึ้น 10 เท่า ตามข้อมูลจากผู้นำองค์กร 850 คน รายงาน AI Trust Gap ของ Denodo เปิดเผยว่าทำไมโครงการ AI หลายโครงการจึงต้องดิ้นรนในการพัฒนาไปไกลกว่าขั้นตอนการทดลอง และสิ่งที่องค์กรต้องทำเพื่อสร้าง AI ที่เชื่อถือได้และพร้อมสำหรับการผลิต

คุณได้รับตำแหน่งผู้นำระดับสูงในบริษัทต่างๆ เช่น Informatica, Protegrity, Infoworks และ Denodo ซึ่งทั้งหมดมุ่งเน้นไปที่ส่วนต่างๆ ของโครงสร้างพื้นฐานข้อมูลองค์กร มุมมองของคุณเกี่ยวกับ “ข้อมูลที่เชื่อถือได้” เปลี่ยนแปลงไปอย่างไรเมื่อ AI มีการเปลี่ยนแปลงจากการวิเคราะห์ไปสู่ระบบอัตโนมัติและระบบอัตลักษณ์?

ในช่วงแรกของอาชีพการงานของฉัน ข้อมูลที่เชื่อถือได้หมายถึงความแม่นยำ, การสืบค้น, ความปลอดภัย และการให้ความมั่นใจแก่นักวิเคราะห์ในการแสดงผลและรายงาน ด้วยระบบ AI อัตโนมัติ ความเสี่ยงมีมากขึ้นเพราะระบบไม่ได้แค่แปลข้อมูล แต่อาจดำเนินการอัตโนมัติ, กระตุ้นกระบวนการทางธุรกิจ หรือตัดสินใจที่มีผลกระทบจริงต่อโลก นั่นหมายความว่าข้อมูลที่เชื่อถือได้ตอนนี้ต้องรวมถึงบริบทการดำเนินงาน, ความหมายทางธุรกิจที่สอดคล้องกัน และการควบคุมที่บังคับใช้เพื่อให้แน่ใจว่าระบบอัตโนมัติดำเนินการอย่างถูกต้องและปลอดภัย

รายงาน AI Trust Gap ของ Denodo พบว่า 66% ขององค์กรระบุว่าข้อมูล AI ต้องเป็นข้อมูลแบบเรียลไทม์หรือใกล้เคียงกับเรียลไทม์จึงจะเชื่อถือได้ คุณคิดว่าทำไมองค์กรหลายแห่งยังคงดิ้นรนในการส่งมอบข้อมูลการดำเนินงานแบบเรียลไทม์ให้กับระบบ AI?

ส่วนใหญ่ขององค์กรไม่ได้ถูกออกแบบมาเพื่อระบบ AI ที่ต้องการการรับรู้สถานการณ์แบบเรียลไทม์ข้ามระบบหลายระบบ ข้อมูลของพวกเขากระจายอยู่ทั่วทั้งแอปพลิเคชัน, คลาวด์, คลังข้อมูล, เลคเฮาส์, ระบบเก่า และแพลตฟอร์มการดำเนินงานอื่นๆ พวกเขาอาจคัดลอกข้อมูลนี้ไปยังคลังข้อมูลหรือเลคเฮาส์กลางสำหรับการวิเคราะห์และ BI แต่นี่ไม่เหมาะสมสำหรับระบบ AI ที่ต้องการการรับรู้สถานการณ์แบบเรียลไทม์ เมื่อข้อมูลถูกคัดลอก มันจะไม่ใช่ข้อมูลแบบเรียลไทม์อีกต่อไป อาจมีการส่งสัญญาณแบบเรียลไทม์ได้ แต่นี่จะทำให้ต้นทุนสูงขึ้นอย่างรวดเร็ว นี่คือจุดที่แนวทางการจัดการข้อมูลเชิงตรรกะของ Denodo มีความสำคัญ เพราะให้ระบบ AI เข้าถึงข้อมูลที่มีการกำกับดูแลโดยไม่ต้องคัดลอกและเปลี่ยนแพลตฟอร์มทุกอย่างอย่างต่อเนื่อง

การค้นพบที่น่าประทับใจอย่างหนึ่งในรายงานคือว่าโครงการ AI ขององค์กรมีการดึงข้อมูลจากแหล่งข้อมูลหลายร้อยแหล่ง โดยบางองค์กรเข้าถึงแหล่งข้อมูลมากกว่า 1,000 แหล่ง ระดับการกระจายตัวนี้เปลี่ยนแปลงวิธีคิดเกี่ยวกับสถาปัตยกรรม AI ขององค์กรอย่างไร?

ที่ระดับการกระจายตัวนั้น สถาปัตยกรรมไม่สามารถพึ่งพาการรวมแหล่งข้อมูลทั้งหมดก่อนที่ AI จะใช้ได้ องค์กรต้องการชั้นการ абстракцияที่สามารถค้นหา, รวม, กำกับดูแล และส่งมอบข้อมูลข้ามความเป็นจริงที่กระจายตัวที่พวกเขาอยู่แล้ว ในมุมมองของฉัน สถาปัตยกรรมข้อมูลต้องกลายเป็นเชิงตรรกะ, ขับเคลื่อนด้วยเมตาดาต้า และเชิงสัมบูรณ์ เพื่อให้ระบบ AI สามารถหาข้อมูลที่ถูกต้องในบริบทโดยไม่ต้องเชื่อมโยงกับระบบที่อยู่ด้านล่างอย่างแน่นหนา

รายงานระบุว่าความล้มเหลวของ AI หลายครั้งไม่ใช่ความล้มเหลวของโมเดล แต่เป็นความล้มเหลวของสถาปัตยกรรมข้อมูล คุณคิดว่าอุตสาหกรรมใช้เวลามากเกินไปในการจดจ่ออยู่กับโมเดล ในขณะที่มองข้ามความสำคัญของโครงสร้างพื้นฐานข้อมูล?

ใช่ โมเดลมีความสำคัญ แต่โครงการ AI ที่ล้มเหลวหลายโครงการไม่ล้มเหลวเพราะโมเดลไม่มีความสามารถ แต่ล้มเหลวเพราะโมเดลดำเนินการด้วยข้อมูลที่ไม่สมบูรณ์, ล้าสมัย, ไม่สอดคล้องกัน หรือมีการกำกับดูแลไม่ดี โมเดลทำงานได้ดีในการทดลอง โดยใช้ชุดข้อมูลที่ถูกกำหนดและดูแลอย่างดี แต่เมื่อใช้งานจริงใน “โลกแห่งความจริง” ที่มีความซับซ้อนของการกระจายตัว AI ล้มเหลวในการผลิตผลลัพธ์ที่เชื่อถือได้ จากประสบการณ์ของฉัน องค์กรได้รับผลลัพธ์ AI ที่ดีกว่าเมื่อพวกเขาให้ความสำคัญกับชั้นข้อมูลเป็นส่วนหนึ่งของสถาปัตยกรรม AI ไม่ใช่สิ่งที่ทำหลังจากนั้น

Denodo พูดถึงความสอดคล้องเชิงสัมบูรณ์และความสำคัญของชั้นเชิงสัมบูรณ์แบบสากล เมื่อระบบ AI เริ่มทำการตัดสินใจอัตโนมัติ ความสอดคล้องเชิงสัมบูรณ์เป็นเรื่องสำคัญเพียงใดในการป้องกันการกระทำที่ไม่ถูกต้องหรือการสร้างตรรกะทางธุรกิจที่หลอกลวง?

ความสอดคล้องเชิงสัมบูรณ์เป็นเรื่องสำคัญอย่างยิ่ง หากระบบหนึ่งกำหนด “ลูกค้า”, “รายได้”, “ความเสี่ยง” หรือ “การลาออก” แตกต่างจากอีกระบบหนึ่ง ระบบ AI อาจสร้างคำตอบที่เป็นไปได้ทางเทคนิค แต่ยังคงผิดในบริบททางธุรกิจ ชั้นเชิงสัมบูรณ์แบบสากลช่วยให้แน่ใจว่าระบบ AI ดำเนินการด้วยความหมายทางธุรกิจที่สอดคล้องกัน ไม่ใช่แค่การเข้าถึงข้อมูลเท่านั้น

การนำเสนอของคุณที่ AI & Big Data Expo มุ่งเน้นไปที่การย้ายจากการทดลอง AI ไปสู่การผลิต ในประสบการณ์ของคุณ สิ่งที่ทำให้องค์กรติดอยู่ใน “ขั้นทดลอง” และล้มเหลวในการขยาย AI ไปสู่ระบบการดำเนินงานจริงคืออะไร?

การทดลองมักจะทำงานได้ดีเพราะมันแคบ, คัดเลือกด้วยมือ และแยกออกจากความซับซ้อนขององค์กรทั้งหมด AI ในการผลิตต้องจัดการกับข้อมูลสดจากแหล่งข้อมูลหลายแห่ง, ความปลอดภัย, การกำกับดูแล, ประสิทธิภาพ, ความสามารถในการตรวจสอบ, กฎธุรกิจที่เปลี่ยนแปลง และการรวมเข้ากับกระบวนการทำงานจริง องค์กรหลายแห่งติดอยู่เพราะพวกเขาสร้างการนำเสนอที่น่าประทับใจ แต่ไม่ได้สร้างรากฐานข้อมูลที่มีการกำกับดูแลที่จำเป็นในการดำเนินการ AI อย่างน่าเชื่อถือในระดับใหญ่

รายงานอ้างอิงการคาดการณ์ว่าสัดส่วนสำคัญของโครงการ AI อัตโนมัติอาจถูกยกเลิกในช่วงหลายปีข้างหน้าเนื่องจากต้นทุนเพิ่มขึ้น, มูลค่าที่ไม่ชัดเจน หรือการควบคุมความเสี่ยงที่ไม่เพียงพอ คุณคิดว่าอุตสาหกรรมกำลังเข้าสู่ช่วงที่องค์กรจะเลือกโครงการ AI ที่จะรอดูอย่างมีเลือกสรร?

ใช่ และฉันคิดว่านี่เป็นสิ่งที่ดี ลูกกลุ่มแรกของการลองใช้ AI คือเรื่องของความเป็นไปได้; ลูกกลุ่มถัดไปจะเป็นเรื่องของมูลค่าการดำเนินงาน, การควบคุมต้นทุน และความเชื่อถือ โครงการที่รอดูจะเท่านั้นที่เชื่อมโยงกับผลลัพธ์ทางธุรกิจที่วัดผลได้ และได้รับการสนับสนุนจากข้อมูล, การกำกับดูแล และสถาปัตยกรรมที่ถูกต้อง

ความปลอดภัยและการกำกับดูแลปรากฏตลอดรายงานเป็นหัวข้อที่เกิดขึ้นซ้ำๆ โดยเฉพาะอย่างยิ่งเกี่ยวกับ “รั้ว” สำหรับ AI อัตโนมัติ องค์กรควรสร้างสมดุลระหว่างความสามารถ AI อัตโนมัติกับความต้องการในการควบคุมการเข้าถึงและการตรวจสอบอย่างไร?

กุญแจสำคัญคือไม่ให้การกำกับดูแลเป็นสิ่งที่ติดตามหลังการสร้างระบบ AI การควบคุมการเข้าถึง, การบังคับใช้นโยบาย, การสืบค้น และการตรวจสอบต้องถูกฝังไว้ในชั้นการเข้าถึงข้อมูลเอง เพื่อให้ระบบ AI เห็นและใช้ข้อมูลที่ได้รับอนุญาตเท่านั้น ด้วย Denodo นโยบายการกำกับดูแลเดียวกันสามารถใช้ได้ตลอดแหล่งข้อมูลที่กระจายตัว ซึ่งจำเป็นเมื่อ AI ดำเนินการข้ามสภาพแวดล้อมไฮบริดและหลายคลาวด์

Denodo จัดตำแหน่งการจัดการข้อมูลเชิงตรรกะเป็นวิธีการรวมการเข้าถึงข้ามสภาพแวดล้อมไฮบริดและหลายคลาวด์โดยไม่ต้องย้ายข้อมูลอย่างต่อเนื่อง เมื่อองค์กร采用สถาปัตยกรรม AI แบบเรียกใช้ข้อมูล คุณคิดว่า “ไม่มีการคัดลอก” หรือสถาปัตยกรรมเชิงตรรกะจะเป็นทิศทางในระยะยาวสำหรับ AI ขององค์กรหรือไม่?

ใช่ สถาปัตยกรรม AI แบบเรียกใช้ข้อมูลพึ่งพาการรับข้อมูลที่ถูกต้องในเวลาที่ถูกต้อง ไม่ใช่การย้ายชุดข้อมูลทั้งหมดไปยังคลังข้อมูลเดียวล่วงหน้า วิธีการเชิงตรรกะ, ไม่มีการคัดลอกเป็นแนวทางที่สอดคล้องกับวิธีการดำเนินงานขององค์กรได้ดีกว่า: ข้อมูลยังคงกระจายตัว แต่ AI สามารถเข้าถึงได้ผ่านชั้นการกำกับดูแล, เชิงสัมบูรณ์ และแบบเรียลไทม์ นั่นคือทิศทางที่ฉันเชื่อว่า AI ขององค์กรต้องไป

เมื่อมองไปในอนาคต 3-5 ปี คุณคิดว่าอะไรจะทำให้องค์กรที่ประสบความสำเร็จในการดำเนินงาน AI ที่เชื่อถือได้แตกต่างจากองค์กรที่ยังคงติดอยู่ในโหมดการทดลอง?

ผู้ชนะจะเป็นองค์กรที่รับรู้ว่า AI ไม่ใช่แค่กลยุทธ์โมเดล แต่เป็นกลยุทธ์ข้อมูล, กลยุทธ์การกำกับดูแล และกลยุทธ์แบบจำลองการดำเนินงาน พวกเขาจะลงทุนในการเข้าถึงข้อมูลแบบเรียลไทม์, ความสอดคล้องเชิงสัมบูรณ์, การกำกับดูแลที่สามารถใช้ซ้ำ และสถาปัตยกรรมที่สามารถครอบคลุมองค์กรทั้งหมดได้ องค์กรที่ยังคงสร้างการทดลองที่แยกออกจากกันบนข้อมูลที่กระจายตัวหรือล้าสมัยจะดิ้นรนในการพัฒนาไปไกลกว่าขั้นทดลอง

ขอขอบคุณสำหรับการสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านสามารถเรียนรู้เพิ่มเติมได้ที่ Denodo หรือดาวน์โหลด รายงาน AI Trust Gap ของ Denodo