Ian Leysen, CEO และผู้ร่วมก่อตั้ง Datadobi – ซีรีส์สัมภาษณ์

Ian Leysen, CEO และผู้ร่วมก่อตั้ง Datadobi, เป็นผู้บริหารเทคโนโลยีที่มีประสบการณ์ยาวนานกว่า สามทศวรรษในด้านวิศวกรรมซอฟต์แวร์, การประกันคุณภาพ, และการจัดการข้อมูลระดับองค์กร. เขาได้ร่วมก่อตั้ง Datadobi ในปี 2009 หลังจากทำงานที่ EMC เป็นผู้จัดการอาวุโสด้านการประกันคุณภาพเป็นเวลาแปดปี, ก่อนหน้านั้นเคยดำรงตำแหน่งผู้นำที่ Mediagenix และ Wave Research. ตลอดเส้นทางอาชีพ Leysen มุ่งเน้นอย่างมากในการสร้างองค์กรวิศวกรรมซอฟต์แวร์คุณภาพสูง, โดยได้ตั้งทีมการประกันคุณภาพสามทีมตั้งแต่เริ่มต้น. ที่ Datadobi, เขาดูแลบริษัทที่มุ่งช่วยองค์กรขนาดใหญ่ในการจัดการ, ควบคุม, ย้ายและปกป้องข้อมูลที่ไม่มีโครงสร้างในสภาพแวดล้อมแบบในสถานที่, คลาวด์, และไฮบริด. บริษัทได้พัฒนาตัวเองจากรากฐานการย้ายข้อมูลระดับใหญ่ ไปสู่การให้บริการ StorageMAP, แพลตฟอร์มที่เป็นกลางต่อผู้ขาย, ซึ่งออกแบบมาเพื่อให้องค์กรมีการมองเห็นและควบคุมข้อมูลที่ไม่มีโครงสร้างที่ซับซ้อนได้ดียิ่งขึ้น, รวมถึงการเตรียมข้อมูลระดับองค์กรสำหรับโครงการ AI.

Datadobi ช่วยองค์กรให้มีการมองเห็นและควบคุมข้อมูลที่ไม่มีโครงสร้างที่เพิ่มขึ้นอย่างรวดเร็วได้ดียิ่งขึ้น. ซอฟต์แวร์ของบริษัทสามารถสแกนไฟล์นับพันล้านไฟล์เพื่อระบุข้อมูลที่ล้าสมัย, ซ้ำซ้อน, ช่องว่างของความเป็นเจ้าของ, และความเสี่ยงที่อาจเกิดขึ้น, พร้อมกับใส่เมทาดาต้าและแท็กการจัดประเภทที่สนับสนุนการกำกับดูแลและนโยบายอัตโนมัติสำหรับการเก็บถาวร, การลบ, และการรักษา. สิ่งนี้มีความสำคัญมากขึ้นเรื่อย ๆ เมื่อองค์กรเตรียมข้อมูลระดับองค์กรสำหรับ AI เชิงสร้างสรรค์, ซึ่งข้อมูลที่เข้าใจไม่ดีหรือล้าสมัยอาจทำให้เกิดสัญญาณรบกวน, ปัญหาการปฏิบัติตามกฎระเบียบ, และความเสี่ยงด้านความปลอดภัย. Datadobi ยังช่วยให้บริษัทระบุชุดข้อมูลที่อาจมีคุณค่า, จัดระเบียบเพื่อการใช้งานต่อไป, และย้ายข้อมูลที่เลือกไปยัง data lake หรือ lakehouse พร้อมรักษาการติดตามและการกำกับดูแล. แพลตฟอร์มยังให้ข้อมูลเชิงลึกเกี่ยวกับต้นทุนการจัดเก็บและผลกระทบต่อคาร์บอน, ช่วยให้องค์กรตัดสินใจได้อย่างมีข้อมูลมากขึ้นเกี่ยวกับข้อมูลที่ควรเก็บรักษาและตำแหน่งที่ควรอยู่.

คุณใช้เวลาสแปดปีเป็นหัวหน้าฝ่ายการประกันคุณภาพที่ EMC ก่อนจะร่วมก่อตั้ง Datadobi ในปี 2010 สิ่งใดที่คุณเห็นในสภาพแวดล้อมการจัดเก็บและข้อมูลระดับองค์กรขนาดใหญ่ที่ทำให้คุณเชื่อว่ามีโอกาสสร้างบริษัทได้, และวิสัยทัศน์เดิมได้พัฒนาอย่างไรเมื่อข้อมูลที่ไม่มีโครงสร้างกลายเป็นสิ่งสำคัญต่อ AI มากขึ้น?

ที่ EMC ฉันได้เห็นองค์กรลงทุนอย่างหนักในโครงสร้างพื้นฐานการจัดเก็บข้อมูล แต่แทบไม่มีการมองเห็นว่ามีอะไรอยู่จริงบนมัน. เราช่วยลูกค้าเก็บและปกป้องข้อมูลได้ดี, แต่ไม่มีใครถามคำถามที่ยากกว่า: ข้อมูลนี้คืออะไร, ใครเป็นเจ้าของ, มีใครยังต้องการมันอยู่หรือไม่, มันมีมูลค่าเท่าไหร่? ช่องว่างระหว่างความสามารถของโครงสร้างพื้นฐานและความเข้าใจข้อมูลคือโอกาส. เราเริ่ม Datadobi เพื่อช่วยองค์กรย้ายและจัดการข้อมูลที่ไม่มีโครงสร้างอย่างชาญฉลาด, ไม่ใช่แค่ย้ายจากอาเรย์หนึ่งไปยังอีกอาเรย์หนึ่ง.

สิ่งที่เปลี่ยนแปลงคือความสำคัญ. เมื่อสิบห้าปีก่อน, ไฟล์แชร์ที่ไม่ได้จัดการเป็นปัญหาด้านต้นทุนและการปฏิบัติตามกฎระเบียบ. วันนี้ไฟล์แชร์เดียวกันนั้นกลายเป็นความเสี่ยงทันทีที่มีการชี้โมเดล AI หรือเอเจนต์ไปที่มัน. ข้อมูลที่ไม่มีโครงสร้างไม่ได้เป็นเพียงสิ่งที่องค์กรเก็บไว้แล้ว, แต่เป็นสิ่งที่กำหนดว่าโครงการ AI ของพวกเขาจะประสบความสำเร็จหรือไม่. ความคิดเดิมของเราว่าโครงสร้างพื้นฐานการจัดเก็บไม่สามารถบอกคุณว่าข้อมูลของคุณมีความหมายต่อธุรกิจอย่างไรยังคงอยู่, แต่ตอนนี้มันกลายเป็นเรื่องเร่งด่วนอย่างที่ไม่เคยเป็นมาก่อน.

คุณได้อ้างว่าปัญหา AI สร้างขึ้นไม่ได้จาก AI เอง, แต่เป็นการเปิดเผยและเร่งรัดปัญหาที่มีมานานหลายทศวรรษ. สิ่งที่ AI เปิดเผยเป็นจุดอ่อนที่ใหญ่ที่สุดในวิธีที่องค์กรจัดการข้อมูลอย่างไร?

องค์กรต่างต่อสู้กับการทำความเข้าใจข้อมูลระดับองค์กรมานานหลายทศวรรษ. AI ไม่ได้สร้างความต่อสู้นี้ขึ้นมา, มันเพียงแค่ทำให้ที่ซ่อนอยู่เดิมปรากฏออกมา. เมื่อข้อมูลนั่งเงียบบนไฟล์แชร์หรือในคลังเก็บ, ใครก็ไม่ต้องตอบคำถามว่าในนั้นมีอะไรอยู่. แต่ทันทีที่คุณชี้โมเดลภาษาขนาดใหญ่หรือกระบวนการ RAG ไปที่มัน, ทุกจุดอ่อนจะปรากฏและมีผลตามมา.

ความท้าทายที่ใหญ่ที่สุดคือส่วนใหญ่ขององค์กรยังจัดการการจัดเก็บ, ไม่ได้จัดการข้อมูล. พวกเขารู้ว่าปริมาณและบัคเก็ตของพวกเขาอยู่ที่ไหน, แต่ไม่รู้ว่าในนั้นมีอะไรบ้าง: ไฟล์ไหนล้าสมัย, ไฟล์ไหนมีข้อมูลที่อ่อนไหวหรือควบคุม, ไฟล์ไหนซ้ำหลายสิบครั้งทั่วสภาพแวดล้อม, และใครมีการเข้าถึงจริง ๆ. AI ยังเปิดเผยว่าการเป็นเจ้าของข้อมูลกระจัดกระจายแค่ไหน. ข้อมูลสะสมอยู่ทั่วระบบในสถานที่, หลายคลาวด์, และคลัง SaaS, แต่ไม่มีใครเป็นเจ้าของภาพรวมทั้งหมด. สิ่งเหล่านี้ไม่ใช่ปัญหาใหม่; AI เพียงทำให้ค่าใช้จ่ายของการละเลยมันเป็นเรื่องที่เห็นได้ทันทีและชัดเจน.

องค์กรมักมุ่งเน้นการลงทุน AI ไปที่โมเดลที่ทรงพลัง, GPU, และโครงสร้างพื้นฐาน. ทำไมการเพิ่มประสิทธิภาพคอมพิวเตอร์หรือการจัดเก็บข้อมูลไม่สามารถแก้ปัญหาการเตรียมข้อมูลได้, แล้วองค์กรควรลงทุนที่ไหนแทน?

การเพิ่มประสิทธิภาพคอมพิวเตอร์ทำให้คำตอบที่ไม่ดีมาถึงเร็วขึ้น, ไม่ได้ทำให้คำตอบแม่นยำ, ปลอดภัย, หรือสอดคล้องกับกฎระเบียบ. GPU และโครงสร้างพื้นฐานจัดการการตัดสินใจแต่ไม่ได้สร้างมัน. หากคุณป้อนโมเดลที่ทรงพลังด้วยข้อมูลที่ล้าสมัย, ซ้ำซ้อน, มีสิทธิ์ไม่ถูกต้อง, หรือข้อมูลที่อ่อนไหว, คุณจะได้โมเดลที่ทรงพลังแต่ให้ผลลัพธ์ที่ไม่น่าเชื่อถือหรือเสี่ยงต่อความเสี่ยงในระดับใหญ่และเร็ว.

เรามีความเชื่อว่าตลาดได้มาถึงจุดเปลี่ยนสำคัญ: ในอดีตองค์กรมุ่งปรับประสิทธิภาพการจัดเก็บ; ปัจจุบันพวกเขาต้องปรับประสิทธิภาพข้อมูล. นั่นหมายถึงการลงทุนในระเบียบวิธีที่อยู่เหนือชั้นโครงสร้างพื้นฐาน, คือ ความสามารถในการมองเห็นทั่วทั้งทรัพย์สินข้อมูลของคุณ, เข้าใจว่าชิ้นข้อมูลแต่ละชิ้นคืออะไรและใครรับผิดชอบ, ตัดสินใจว่าจะเก็บ, ย้าย, เก็บถาวร หรือลบ, แล้วดำเนินการตัดสินใจนั้นอย่างสม่ำเสมอ. การใช้จ่ายโครงสร้างพื้นฐานโดยไม่มีระเบียบวิธีนั้นหมายความว่าองค์กรทำสิ่งที่ผิดได้เร็วขึ้น.

นี่คือปัญหาที่แพลตฟอร์มการจัดการข้อมูลที่ไม่มีโครงสร้างของเราออกแบบมาเพื่อแก้. มันให้มุมมองเดียวทั่วการจัดเก็บในสถานที่, คลาวด์, และ SaaS, ทำการจัดประเภทข้อมูลด้วยแท็กและการวิเคราะห์เมทาดาต้าเพื่อให้ทีมเห็นว่าข้อมูลไหนซ้ำซ้อน, ล้าสมัย, หรือมีคุณค่าจริง, แล้วดำเนินการตามการตัดสินใจนั้นโดยการย้าย, เก็บถาวร, หรือลบข้อมูลผ่านเวิร์กโฟลว์ที่ขับเคลื่อนโดยนโยบายและทำงานต่อเนื่อง ไม่ใช่โครงการครั้งเดียว. การผสมผสานของการมองเห็น, การจัดประเภท, และการดำเนินการอย่างสม่ำเสมอนี้ทำให้ “เรามีข้อมูลมาก” กลายเป็น “เรารู้ว่ามีอะไรบ้างและต้องทำอย่างไรกับมัน”.

“AI-ready data” ได้กลายเป็นวลีอุตสาหกรรมทั่วไป. จากมุมมองของคุณ, สิ่งใดทำให้ข้อมูลที่ไม่มีโครงสร้างพร้อมสำหรับ AI, และองค์กรควรใช้เกณฑ์อะไรก่อนที่จะอนุญาตให้ข้อมูลเข้าสู่ AI สร้างสรรค์, RAG, หรือกระบวนการฝึกโมเดล?

ข้อมูลที่พร้อมสำหรับ AI คือข้อมูลที่องค์กรได้ตรวจสอบแล้ว, ไม่ใช่แค่ข้อมูลที่มีอยู่ในมือ. ในทางปฏิบัติหมายถึงองค์กรสามารถตอบคำถามหลายข้อด้วยความมั่นใจก่อนที่ข้อมูลนั้นจะถึงโมเดลหรือกระบวนการ: ข้อมูลนี้แม่นยำและเป็นปัจจุบันหรือไม่, หรือมันนั่งอยู่โดยไม่มีการแก้ไขมานาน? มีการซ้ำซ้อนที่อาจทำให้ผลลัพธ์บิดเบือนหรือขัดแย้งหรือไม่? มีข้อมูลที่อ่อนไหว, ควบคุม, หรือส่วนบุคคลที่ไม่ควรเปิดเผยหรือไม่? ใครได้รับอนุญาตให้เข้าถึงและยังคงสอดคล้องกับผู้ที่ควรเข้าถึงหรือไม่? ข้อมูลนี้เพิ่มคุณค่าทางธุรกิจให้กับกรณีการใช้งานหรือเป็นเพียงสัญญาณรบกวน?

หากไม่มีคำตอบเหล่านี้ การป้อนข้อมูลเข้าสู่ AI สร้างสรรค์หรือกระบวนการ RAG เพียงหมายถึงการย้ายปัญหาการกำกับดูแลของคุณไปยังระบบที่ดีกว่าในการเปิดเผยสิ่งที่พบมากกว่าที่ไฟล์แชร์ของคุณเคยทำ. การพร้อม AI เป็นระเบียบวิชาการด้านข้อมูล, ไม่ใช่เช็คลิสต์ที่ทำครั้งเดียวก่อนโครงการเริ่ม.

องค์กรสามารถมีไฟล์นับพันล้านไฟล์กระจายทั่วโครงสร้างพื้นฐานในสถานที่, หลายคลาวด์, คลังเก็บ, และหน่วยธุรกิจได้อย่างไรจะกำหนดว่าข้อมูลใดมีคุณค่าทางธุรกิจและข้อมูลใดซ้ำซ้อน, ล้าสมัย, ธรรมดา, หรือเป็นสัญญาณรบกวนที่อาจทำให้ประสิทธิภาพ AI ลดลง?

ในระดับนั้น, ไม่มีใครจะตอบคำถามนี้ไฟล์ต่อไฟล์ได้, และการตรวจสอบด้วยมือไม่ใช่กลยุทธ์ที่ทำได้. องค์กรต้องมีการมองเห็นระดับองค์กรก่อน: มุมมองเดียวที่แม่นยำทั่วการจัดเก็บในสถานที่, คลาวด์, และ SaaS, เพราะคุณไม่สามารถตัดสินใจเกี่ยวกับข้อมูลที่คุณไม่เห็นได้. จากนั้นจึงใช้ข้อมูลเชิงปัญญาเพื่อจัดประเภทสิ่งที่อยู่ในสภาพแวดล้อม, เพื่อให้ข้อมูล ROT (ซ้ำซ้อน, ล้าสมัย, ธรรมดา) ถูกระบุและแยกออกจากข้อมูลที่มีคุณค่าทางธุรกิจจริง.

นี่คือจุดที่ระเบียบวิธีต้องก้าวไกลกว่าการมองเห็นเพียงอย่างเดียว. การเห็นข้อมูลเป็นสิ่งจำเป็นแต่ไม่เพียงพอ. องค์กรต้องก้าวผ่านการเข้าใจว่าข้อมูลนั้นคืออะไรและหมายความว่าอะไร, ตัดสินใจว่าจะทำอย่างไรกับมัน – เก็บ, ย้าย, เก็บถาวร, ลบ, หรือใช้เพื่อขับเคลื่อน AI – แล้วดำเนินการตัดสินใจนั้นอย่างสม่ำเสมอทั่วพันล้านวัตถุ. การข้ามตรงจากการมองเห็นไปสู่การป้อน AI คือวิธีที่สัญญาณรบกวนทำให้ประสิทธิภาพโมเดลลดลงและข้อมูลที่มีคุณค่าจริงถูกฝังอยู่ในนั้น.

ความปลอดภัยและการกำกับดูแลกลายเป็นสิ่งสำคัญโดยเฉพาะเมื่อระบบ AI สามารถเปิดเผยข้อมูลที่ก่อนหน้านี้พนักงานค้นหาได้ยาก. องค์กรควรประเมินสิทธิ์, ข้อมูลที่อ่อนไหว, ความเป็นเจ้าของ, และความเสี่ยงตามกฎระเบียบอย่างไรก่อนที่จะเปิดเผยข้อมูลระดับองค์กรต่อระบบ AI?

นี่เป็นหนึ่งในพื้นที่ที่ AI เปลี่ยนแปลงการคำนวณความเสี่ยงมากที่สุด. ไฟล์ที่มีสิทธิ์เกินหรือล้าสมัยเคยเป็นการเปิดเผยเชิงทฤษฎี, เพราะโดยจริง ๆ แล้วคนต้องรู้ว่ามีไฟล์นั้นและไปค้นหามัน. ระบบ AI ที่มีการเข้าถึงกว้างขวางสามารถเปิดเผยไฟล์เดียวกันนั้นให้กับใครก็ได้ที่ถามคำถามที่ถูกต้องในทันที. ความลับไม่เคยเป็นการควบคุมที่แท้จริง, แต่ AI ได้ลบส่วนสุดท้ายของการป้องกันที่บังเอิญให้ไป.

ก่อนที่ข้อมูลใดจะถูกเปิดเผยต่อระบบ AI, องค์กรต้องมีภาพชัดเจนว่าใครมีสิทธิ์เข้าถึงและสิทธิ์นั้นยังคงสมเหตุสมผลหรือไม่, ข้อมูลนั้นมีข้อมูลที่อ่อนไหวหรือควบคุมหรือไม่, ใครเป็นเจ้าของและรับผิดชอบ, และมีภาระผูกพันตามกฎระเบียบอะไรบ้าง – เช่น ข้อกำหนดการอยู่อาศัยของข้อมูล, การเก็บรักษา, และความเป็นส่วนตัว. การประเมินนี้ไม่สามารถทำเป็นการตรวจสอบครั้งเดียวก่อนเปิดตัวได้. ข้อมูลระดับองค์กรเปลี่ยนแปลงอย่างต่อเนื่อง, ดังนั้นสิทธิ์, ความเป็นเจ้าของ, และความเสี่ยงต้องได้รับการตรวจสอบอย่างต่อเนื่อง, ไม่ใช่เพียงเมื่อโครงการ AI เริ่มทำงาน.

Datadobi ส่งเสริมการเปลี่ยนแปลงการสนทนาจากการจัดการโครงสร้างพื้นฐานการจัดเก็บข้อมูลไปสู่การจัดการข้อมูลเป็นสินทรัพย์ทางธุรกิจ. การเปลี่ยนแปลงนี้เป็นอย่างไรในทางปฏิบัติ, และมันเปลี่ยนความสัมพันธ์ระหว่างทีม IT, ทีมข้อมูล, ผู้นำด้านความปลอดภัย, และหน่วยธุรกิจอย่างไร?

ในทางปฏิบัติ, หมายความว่าการสนทนาหยุดพูดถึงความจุ, การจัดระดับ, และเวลาการทำงาน, แล้วเริ่มพูดถึงผลลัพธ์: การลดต้นทุน, การลดความเสี่ยง, การปฏิบัติตามกฎระเบียบ, และการเปิดโอกาสให้ AI ทำงาน. สิ่งเหล่านี้เคยถูกมองว่าเป็นโครงการแยกกัน, แต่เรามองว่าแนวคิดนี้ล้าสมัยแล้ว. พวกมันทั้งหมดพึ่งพาการเข้าใจข้อมูลระดับองค์กรเดียวกัน, และสิ่งที่ต้องการคือโมเดลการดำเนินงานที่มุ่งเน้นข้อมูลซึ่งเชื่อมต่อพวกมัน, แทนที่จะถือว่าแต่ละโครงการเป็นระบบแยกอิสระ. แพลตฟอร์มของเราคือวิธีที่เรานำโมเดลการดำเนินงานนั้นไปใช้.

สิ่งนี้ทำให้ผู้ที่อยู่ในห้องเปลี่ยนไป. IT ไม่ได้เป็นเจ้าของการสนทนาเพียงอย่างเดียว, เพราะการตัดสินใจเกี่ยวกับข้อมูลที่ควรเก็บ, ย้าย, หรือเปิดเผยต่อ AI เป็นการตัดสินใจทางธุรกิจ, ที่อิงข้อมูลเชิงปัญญา, ไม่ใช่การตัดสินใจด้านโครงสร้างพื้นฐาน. ผู้นำด้านความปลอดภัยและการปฏิบัติตามต้องการมองเห็นข้อมูลเดียวกับที่ IT จัดการ. หน่วยธุรกิจต้องมีเสียงในเรื่องว่าข้อมูลใดสำคัญต่อผลลัพธ์ของพวกเขา. การจัดการข้อมูลหยุดเป็นฟังก์ชัน IT เบื้องหลังและกลายเป็นระเบียบการดำเนินงานร่วมกับ IT, ความปลอดภัย, และธุรกิจที่ทำการตัดสินใจจากข้อมูลเดียวกัน.

หนึ่งในความท้าทายของ AI ระดับองค์กรคือข้อมูลเปลี่ยนแปลงตลอดเวลา. AI readiness สามารถทำได้ครั้งเดียวหรือจำเป็นต้องเป็นกระบวนการต่อเนื่องเพื่อค้นหา, จัดประเภท, กำกับดูแล, เก็บถาวร, และย้ายข้อมูลตามที่มันพัฒนา?

มันเป็นกระบวนการต่อเนื่อง, จบแล้ว. ข้อมูลระดับองค์กรเปลี่ยนแปลงอย่างต่อเนื่อง, มีไฟล์ใหม่สร้าง, สิทธิ์เปลี่ยน, พนักงานเข้ามาและออก, กฎระเบียบพัฒนา, ดังนั้นการจัดการข้อมูลต้องกลายเป็นความสามารถการดำเนินงานต่อเนื่อง, ไม่ใช่ชุดของโครงการแยกกัน. การมองว่า AI readiness เป็นการทำความสะอาดครั้งเดียวก่อนโครงการเปิดตัวเหมือนกับการประกาศว่าตึกปลอดภัยหลังจากช่างกุญแจเข้าไปตรวจสอบครั้งเดียวแล้วไม่ตรวจสอบประตูอีก.

สิ่งที่องค์กรต้องการคือระเบียบการดำเนินงานที่เคลื่อนที่ผ่านการมองเห็น, ความเข้าใจ, การตัดสินใจ, และการดำเนินการอย่างต่อเนื่อง, ค้นหาว่าข้อมูลมีอยู่, จัดประเภทและเข้าใจ, ตัดสินใจว่าจะทำอย่างไรกับมัน, แล้วดำเนินการตามการตัดสินใจนั้นอย่างสม่ำเสมอ. องค์กรที่ทำได้ดีกว่าคู่แข่งจะเป็นผู้ที่สามารถเคลื่อนที่ผ่านวงจรนี้อย่างต่อเนื่องและในระดับองค์กร, ไม่ใช่ผู้ที่มองว่า AI readiness เป็นโครงการที่มีวันสิ้นสุด.

เมื่อองค์กรเพิ่มการใช้ AI agents ที่สามารถค้นหาข้ามระบบและทำการกระทำอัตโนมัติ การจัดการข้อมูลที่ไม่มีโครงสร้างจะสำคัญยิ่งขึ้นหรือไม่? ความเสี่ยงใหม่อะไรเกิดขึ้นเมื่อ AI agent สามารถเข้าถึงข้อมูลที่กระจายทั่วองค์กรแทนการตอบสนองต่อคำสั่งผู้ใช้เดียว?

มันจะสำคัญอย่างมาก, เพราะ agent เปลี่ยนลักษณะของการเปิดเผย. chatbot ที่ตอบคำถามเดียวจำกัดโดยสิ่งที่ผู้ใช้ถามและเห็น, agent ที่สามารถค้นหาข้ามระบบและทำการกระทำอัตโนมัติสามารถสำรวจส่วนมากของสภาพแวดล้อมมากกว่าที่พนักงานคนใดคนหนึ่งจะทำได้, และสามารถทำการกระทำบนข้อมูลที่พบ, ย้าย, แชร์, หรือใช้ข้อมูลโดยที่มนุษย์อาจไม่ได้ตรวจสอบทุกขั้นตอน.

สิ่งนี้ทำให้เกิดความเสี่ยงที่เกินการค้นพบง่าย. หาก agent มีการเข้าถึงข้อมูลที่ไม่ควรมี (ไฟล์ที่มีสิทธิ์ผิดพลาด, บันทึกที่ล้าสมัยและอ่อนไหว, ข้อมูลที่ควรเก็บถาวรหรือถูกลบหลายปีแล้ว) มันสามารถทำการกระทำบนข้อมูลนั้นด้วยความเร็วและขนาดของเครื่องจักร, ไม่ใช่แค่แสดงให้ผู้ใช้คนหนึ่งที่สนใจเห็น. ความสำเร็จขององค์กรที่นำ agent ไปใช้ได้ดีที่สุดคือองค์กรที่มองว่าการกำกับดูแลข้อมูลเป็นข้อกำหนดเบื้องต้น, ไม่ใช่เรื่องตามมาภายหลัง, เพราะ agent จะใช้ประโยชน์จากช่องโหว่ใด ๆ ที่มีในข้อมูลของคุณ.

สำหรับองค์กรที่สะสมข้อมูลที่ไม่มีโครงสร้างมานานหลายทศวรรษและต้องการขยายโครงการ AI ของตน, คุณแนะนำขั้นตอนปฏิบัติแรกอะไร, และข้อผิดพลาดใดที่ผู้นำควรหลีกเลี่ยงเมื่อเริ่มควบคุมทรัพย์สินข้อมูลของตน?

เริ่มด้วยการมองเห็น. คุณไม่สามารถตัดสินใจที่ดีเกี่ยวกับข้อมูลที่คุณไม่เห็นได้, ดังนั้นขั้นตอนปฏิบัติแรกคือการได้ภาพที่แม่นยำและระดับองค์กรของข้อมูลที่มีอยู่ทั่วในสถานที่, คลาวด์, และ SaaS. จากนั้นไปสู่การทำความเข้าใจ, จัดประเภทข้อมูลเพื่อรู้ว่าข้อมูลใดมีคุณค่า, ข้อมูลใดอ่อนไหว, และข้อมูลใดเป็นเพียงสัญญาณรบกวน, ก่อนที่จะตัดสินใจเกี่ยวกับการเก็บรักษา, การย้าย, การเก็บถาวร, หรือการลบ.

นอกจากนี้ยังมีความเป็นจริงด้านงบประมาณที่ผู้นำไม่สามารถละเลยได้. CIO ส่วนใหญ่ไม่ได้รับงบประมาณ AI แยกจากอื่น ๆ, พวกเขาต้องทำงานกับเงินทุนที่จำกัดและ AI ต้องแข่งขันกับทุกอย่างที่ทำให้ธุรกิจดำเนินต่อไป. การตัดสินใจใช้ AI โดยการตัดการลงทุนในโครงสร้างพื้นฐานที่มีอยู่เป็นการตัดสินใจที่ผิด, เพราะโครงสร้างพื้นฐาน, การจัดเก็บ, ท่อข้อมูล, การกำกับดูแล คือสิ่งที่ AI พึ่งพาเพื่อประสบความสำเร็จ. เส้นทางที่ยั่งยืนคือการสร้างพื้นที่ว่างในทรัพย์สินที่มีอยู่: การปรับปรุงการมองเห็นและลดของเสียการจัดเก็บผ่านการปรับข้อมูลแบบที่ StorageMAP ทำได้ จะปลดปล่อยงบประมาณจริงโดยไม่ต้องแตะต้องความจุที่ AI จะต้องการจริง ๆ.

ข้อผิดพลาดที่ใหญ่ที่สุดที่ฉันเห็นคือองค์กรข้ามตรงไปสู่การดำเนินการ, ชี้ AI ไปที่ทรัพย์สินข้อมูลของพวกเขา, หรือเริ่มโครงการทำความสะอาดโดยไม่ได้สร้างพื้นฐานของการมองเห็นและทำความเข้าใจก่อน. ข้อผิดพลาดที่สองคือมองว่ามันเป็นโครงการครั้งเดียวแทนที่จะเป็นความสามารถการดำเนินงาน; ข้อมูลเปลี่ยนแปลงตลอดเวลา, ดังนั้นระเบียบวิธีต้องต่อเนื่อง. และข้อผิดพลาดที่สามคือทำให้มันเป็นเพียงการฝึกเทคนิคเท่านั้น. องค์กรที่ประสบความสำเร็จมองว่ามันเป็นการตัดสินใจทางธุรกิจ, ที่มี IT, ความปลอดภัย, และผู้มีส่วนได้ส่วนเสียทางธุรกิจสอดคล้องกันในเรื่องมูลค่าของข้อมูลและสิ่งที่ควรทำกับมัน, ไม่ใช่แค่โครงการย้ายหรือจัดเก็บที่มอบให้ IT อย่างเดียว.

ขอบคุณสำหรับการสัมภาษณ์ที่ยอดเยี่ยม, ผู้อ่านที่ต้องการเรียนรู้เพิ่มเติมควรเยี่ยมชม Datadobi.