Onur Alp Soner ซีอีโอและผู้ร่วมก่อตั้ง Countly – สัมภาษณ์ซีรีส์

Onur Alp Soner เป็นผู้ร่วมก่อตั้งและซีอีโอของ Countly ซึ่งเป็นแพลตฟอร์มวิเคราะห์ข้อมูลดิจิทัลและอินเทอร์แอคทีฟในแอปพลิเคชัน เขาเป็นนักเทคโนโลยีและผู้ริเริ่มธุรกิจที่สร้าง Countly ขึ้นมาจากศูนย์เพื่อให้บริษัทต่างๆ มีอำนาจควบคุมมากขึ้นในการทำความเข้าใจและโต้ตอบกับลูกค้าภายใต้การนำของเขา Countly ได้เติบโตเป็นแพลตฟอร์มที่เชื่อถือได้สำหรับองค์กรทั่วโลกที่ต้องการสร้างนวัตกรรมอย่างรวดเร็วโดยยังคงรักษาความเป็นส่วนตัวของลูกค้าไว้เป็นศูนย์กลางของกลยุทธ์การเติบโต

พาเราย้อนกลับไปที่ช่วงเวลาที่ทำให้คุณตัดสินใจก่อตั้ง Countly — สิ่งใดที่คุณพบเจอกับเครื่องมือวิเคราะห์ข้อมูลที่มีอยู่ซึ่งทำให้คุณเชื่อว่าโมเดลการเป็นเจ้าของข้อมูลมีข้อบกพร่องพื้นฐาน?

เมื่อประมาณ 13 ปีที่แล้ว เมื่อแอปพลิเคชันมือถือเริ่มเป็นที่นิยม เครื่องมือวิเคราะห์ข้อมูลที่มีอยู่ในขณะนั้นใช้โมเดลที่เฉพาะเจาะจงมาก เครื่องมือเหล่านี้ส่วนใหญ่ฟรีหรือมีค่าใช้จ่ายไม่มาก แต่สิ่งที่ต้องแลกมาคือแพลตฟอร์มจะรวบรวมและสร้างรายได้จากข้อมูลของคุณ โดยทั่วไปแล้วในขณะนั้นถือว่าเป็นวิธีการทำงานปกติ

แต่สิ่งนั้นไม่เหมาะสมกับเรา แม้แต่ในฐานะบริษัทขนาดเล็ก ความคิดที่จะส่งมอบข้อมูลผู้ใช้ทั้งหมดเพียงเพื่อทำความเข้าใจว่าผลิตภัณฑ์ของเราทำงานอย่างไรไม่มีเหตุผล

Countly เริ่มต้นขึ้นเพื่อตอบสนองต่อปัญหาเหล่านั้น เราต้องการสร้างเครื่องมือวิเคราะห์ข้อมูลที่บริษัทต่างๆ สามารถเป็นเจ้าของและควบคุมได้อย่างเต็มที่ ซึ่งเป็นเหตุผลที่เราเปิดตัวเป็นแพลตฟอร์มที่เปิด源และติดตั้งเอง ความคิดนี้เป็นเรื่องง่ายๆ: องค์กรควรจะสามารถเข้าใจและดำเนินการกับข้อมูลของตนเองโดยไม่ต้องมอบมันให้กับบุคคลอื่น หลักการนี้ยังคงเป็นแก่นกลางของ Countly ในปัจจุบัน

ตั้งแต่ก่อตั้ง Countly AI ได้ผลักดันการเป็นเจ้าของข้อมูลจากความกังวลเฉพาะกลุ่มเป็นข้อกำหนดเชิงกลยุทธ์ เมื่อไหร่ที่คุณรู้สึกว่านี้จะสำคัญมากนอกเหนือจากเครื่องมือวิเคราะห์ข้อมูล?

ในช่วงแรกๆ การสนทนาส่วนใหญ่เกี่ยวกับการเป็นเจ้าของข้อมูลถูกจัดรูปในเรื่องความเป็นส่วนตัวหรือการปฏิบัติตามกฎระเบียบ มันเป็นหลักๆ ที่ธนาคาร ผู้ให้บริการด้านสุขภาพ และรัฐบาลที่ใส่ใจอย่างลึกซึ้งเกี่ยวกับที่ที่ข้อมูลของพวกเขาอยู่และใครควบคุมมัน สำหรับผู้อื่น เครื่องมือวิเคราะห์ข้อมูลยังคงถูกมองว่าเป็นเครื่องมือรายงานอย่างง่าย ดังนั้นปัญหาเรื่องการเป็นเจ้าของจึงไม่รู้สึกเร่งด่วน

มุมมองนี้เริ่มเปลี่ยนไปเมื่อบริษัทต่างๆ เริ่มพึ่งพาข้อมูลมากขึ้นในการดำเนินธุรกิจของตน ไม่ใช่แค่การวัดผลเท่านั้น เมื่อเครื่องมือวิเคราะห์ข้อมูลเปลี่ยนจากการรายงานไปสู่การสนับสนุนการตัดสินใจ การปรับเปลี่ยนผลิตภัณฑ์ และการมีส่วนร่วมของลูกค้า ความสำคัญของการควบคุมข้อมูลนั้นได้กลายเป็นเรื่องที่ชัดเจนมากขึ้น ทุกบริษัทที่มุ่งเน้นดิจิทัล โดยตั้งแต่การเคลื่อนย้ายไปจนถึงการให้บริการที่พัก ได้เริ่มแข่งขันกันบนข้อมูล ไม่ใช่แค่ประสบการณ์หน้าจอเท่านั้น

AI ได้เร่งการรับรู้นี้อย่างมาก คุณสามารถได้รับใบอนุญาตหรือสร้างโมเดล AI แต่คุณไม่สามารถซื้อข้อมูลพฤติกรรมที่สะท้อนถึงวิธีการโต้ตอบของลูกค้ากับผลิตภัณฑ์ของคุณได้ ข้อมูลนั้นเป็นเอกลักษณ์เฉพาะสำหรับแต่ละองค์กร

หลายองค์กรเชื่อว่าตนเองพร้อมสำหรับ AI เนื่องจากมีข้อมูลจำนวนมาก แต่สิ่งใดที่ขาดหายไปที่พื้นผิวเมื่อดูจากภายในบริษัทจริงๆ?

ปัญหาที่แท้จริงไม่ใช่การขาดข้อมูล แต่เป็นการขาดข้อมูลที่ใช้ได้ องค์กรหลายแห่งมีข้อมูลจำนวนมาก แต่ข้อมูลเหล่านั้นกระจายอยู่ทั่วเครื่องมือ ทีม และระบบต่างๆ ตัวอย่างเช่น ทีมการตลาดอาจมีเซตข้อมูลหนึ่ง ทีมผลิตภัณฑ์อีกเซตหนึ่ง และทีมวิศวกรรมมีข้อมูลอีกประเภทหนึ่ง ซึ่งบันทึกในรูปแบบต่างๆ และมีโครงสร้างที่ไม่เหมือนกัน

สำหรับ AI ที่จะใช้ได้ผล ข้อมูลที่อยู่ด้านล่างต้องสะอาด มีโครงสร้างที่ดี และมีบริบท ไม่เพียงพอแค่การรวบรวมเหตุการณ์หรือบันทึกข้อมูล คุณต้องเข้าใจว่าสัญญาณเหล่านั้นแท้จริงแล้วหมายถึงอะไร

อีกประเด็นที่สำคัญคือการเป็นเจ้าของข้อมูล องค์กรจำนวนมากไม่ได้เป็นเจ้าของข้อมูลของตนเองจริงๆ เนื่องจากข้อมูลนั้นอยู่ภายในแพลตฟอร์มของบุคคลที่สาม ซึ่งทำให้ยากต่อการรวมข้อมูล ตรวจสอบการใช้งาน หรือใช้โมเดล AI กับข้อมูลเหล่านั้นอย่างปลอดภัย

ดังนั้น เมื่อบริษัทบอกว่าตนพร้อมสำหรับ AI เนื่องจากมีข้อมูลจำนวนมาก คำถามที่แท้จริงคือว่าพวกเขามีพื้นฐานข้อมูลที่สอดคล้องกันหรือไม่

ทำไมข้อมูลของบุคคลที่หนึ่งจึงสร้างความได้เปรียบในการแข่งขันที่ยั่งยืนในระบบ AI ในขณะที่โมเดลต่างๆ กำลังกลายเป็นสิ่งที่สามารถเปลี่ยนได้?

สิ่งที่สร้างความได้เปรียบคือไม่ใช่โมเดลตัวเอง แต่เป็นความเข้าใจผู้ใช้ที่มาจากข้อมูลของบุคคลที่หนึ่ง ข้อมูลนั้นสะท้อนถึงวิธีการที่ผู้คนโต้ตอบกับผลิตภัณฑ์ของคุณจริงๆ และเป็นเอกลักษณ์เฉพาะสำหรับแต่ละองค์กร โมเดลต่างๆ กลายเป็นสินค้าโภคภัณฑ์มากขึ้น คุณสามารถได้รับใบอนุญาต โมเดลเหล่านี้ ปรับแต่ง หรือเปลี่ยนระหว่างผู้ให้บริการได้อย่างค่อนข้างง่าย สิ่งที่คุณไม่สามารถทำซ้ำได้คือข้อมูลพฤติกรรมที่สร้างขึ้นโดยผู้ใช้ของคุณที่โต้ตอบกับผลิตภัณฑ์ของคุณตลอดเวลา

ที่ไหนที่แพลตฟอร์มวิเคราะห์ข้อมูลสมัยใหม่ล้มเหลวอย่างเงียบๆ เมื่อใช้สำหรับระบบ AI มากกว่าการรายงาน แผงควบคุม และ KPI?

พวกมันมักจะล้มเหลวที่จุดที่ข้อมูลต้องเปลี่ยนจากการสังเกตไปสู่การดำเนินการ แพลตฟอร์มวิเคราะห์ข้อมูลแบบดั้งเดิมถูกออกแบบมาเพื่อรายงานเป็นหลัก พวกมันรวบรวมและรวมข้อมูล จากนั้นนำเสนอในแผงควบคุมที่ช่วยให้ทีมเข้าใจสิ่งที่เกิดขึ้นเมื่อวานนี้หรือสัปดาห์ที่แล้ว

ระบบ AI ดำเนินงานต่างออกไป พวกมันต้องการข้อมูลที่มีโครงสร้าง บริบท และพร้อมใช้งานแบบเรียลไทม์ เพื่อสามารถมีอิทธิพลต่อวิธีการทำงานของระบบได้ เมื่อแพลตฟอร์มวิเคราะห์ข้อมูลถูกสร้างขึ้นรอบๆ การประมวลผลแบตช์และการรายงานที่ล่าช้า พวกมันจะดิ้นรนในการสนับสนุนระบบที่ต้องตอบสนองอย่างทันที

การขาดการเป็นเจ้าของข้อมูลที่แท้จริงจะปรากฏตัวในทางปฏิบัติเมื่อทีมพยายามย้าย AI จากการลองใช้ไปสู่การผลิต?

มันปรากฏตัวขึ้นเป็นปัญหาในการควบคุม ในที่สุด หากคุณไม่มีการควบคุมข้อมูล คุณก็ไม่มีการควบคุม AI สิ่งนี้จะชัดเจนมากขึ้นเมื่อทีมย้ายจากการทดลองไปสู่การผลิต ในช่วงการทดลอง ทีมสามารถทำงานกับเซตข้อมูลขนาดเล็กหรือการเชื่อมต่อชั่วคราวได้ แต่ระบบการผลิตต้องการการเข้าถึงข้อมูลที่เชื่อถือได้และสม่ำเสมอในองค์กร

จากนั้น ในหลายบริษัท ข้อมูลพื้นฐานอยู่ทั่วแพลตฟอร์มของบุคคลที่สาม เช่น เครื่องมือวิเคราะห์ ระบบการตลาด หรือบริการคลาวด์ ซึ่งทำให้ยากต่อการรวมข้อมูล ตรวจสอบการใช้งาน หรือย้ายข้อมูลระหว่างระบบในลักษณะที่ควบคุมได้ นี่เป็นเหตุผลหนึ่งที่โครงการ AI หลายโครงการยังคงอยู่ในระยะทดลอง

นอกจากนี้ยังทำให้ยากต่อการติดตามว่าโมเดลได้มาถึงการตัดสินใจอย่างไร หรือสร้างสถานะข้อมูลที่แน่นอนซึ่งอยู่เบื้องหลังการตัดสินใจนั้นได้อย่างไร โดยไม่มีการควบคุมระดับนี้ การแก้ไขข้อผิดพลาดหรือการกลับรายการการตัดสินใจจะยากมาก

ทำไมการขาดโครงสร้างข้อมูลที่ดี สีมานติกส์ และบริบทจึงทำลายโมเดล AI ที่มีความสามารถแม้กระทั่ง?

แม้แต่โมเดล AI ที่มีความสามารถมากที่สุดก็ไม่ดีกว่าข้อมูลที่ได้รับ หากข้อมูลพื้นฐานมีโครงสร้างที่ไม่ดีหรือขาดบริบท โมเดลจะมีความเข้าใจน้อยมากเกี่ยวกับสิ่งที่สัญญาณเหล่านั้นแท้จริงหมายถึง

ในหลายระบบ ข้อมูลถูกเก็บเป็นเหตุการณ์หรือบันทึกที่แยกจากกันโดยไม่มีความหมายที่ชัดเจน โมเดลอาจเห็นปฏิสัมพันธ์หลายพันครั้ง แต่หากไม่มีโครงสร้างและความหมายที่เหมาะสม มันไม่สามารถแยกแยะระหว่างสิ่งที่สำคัญและอะไรที่เป็นเพียงเสียงรบกวน

บริบทก็มีความสำคัญเช่นกัน ระบบ AI ต้องเข้าใจว่าส่วนต่างๆ ของข้อมูลเกี่ยวข้องกันอย่างไรตลอดเวลา โดยไม่มีบริบทนี้ โมเดลอาจสร้างผลลัพธ์ แต่ผลลัพธ์เหล่านั้นมักจะไม่น่าเชื่อถือเพราะระบบทำงานกับข้อมูลที่ไม่สมบูรณ์

สัญญาณเตือนใดบ่งชี้ว่าบริษัทกำลังจะนำไปสู่ผลลัพธ์ AI ที่เป็นแบบทั่วไปก่อนที่ลูกค้าจะรู้สึกว่ามันเหมือนกัน?

สัญญาณเตือนพื้นฐานที่สุดคือเมื่อบริษัทต่างๆ พึ่งพาโมเดล AI และเครื่องมือภายนอก แต่ไม่พัฒนาพื้นฐานข้อมูลของตนเอง หากองค์กรใช้โมเดลเดียวกัน แต่ไม่ให้ข้อมูลผู้ใช้และบริบทของตนเอง ระบบเหล่านั้นจะทำงานจากข้อมูลทั่วไปเท่านั้น ในสถานการณ์นั้น AI จะสร้างผลลัพธ์ทั่วไปหรือระดับสูงเท่านั้น เมื่อเวลาผ่านไป สิ่งนี้นำไปสู่ผลิตภัณฑ์ที่รู้สึกเหมือนกันมากขึ้นเพราะความฉลาดที่อยู่เบื้องหลังถูกสร้างขึ้นจากข้อมูลที่จำกัด

สัญญาณเตือนอีกอย่างหนึ่งคือเมื่อบริษัทต่างๆ มุ่งเน้นไปที่การนำโมเดล AI มาใช้ แต่ไม่สนใจโครงสร้างและคุณภาพของข้อมูล AI เพิ่มสิ่งที่ได้รับ หากข้อมูลพื้นฐานไม่ดี มีเศษส่วน หรือมีโครงสร้างไม่ดี ระบบจะสร้างผลลัพธ์ที่ซับซ้อนขึ้นของปัญหาเดิม

สำหรับองค์กรที่พยายามสร้าง AI บนข้อมูลของตนเอง Countly ช่วยให้สามารถทำอะไรที่แพลตฟอร์มวิเคราะห์ข้อมูลและข้อมูลแบบดั้งเดิมไม่สามารถทำได้?

ความแตกต่างหลักคือวิธีการควบคุมที่ถูกสร้างเข้าไปในแพลตฟอร์ม ในผลิตภัณฑ์วิเคราะห์ข้อมูลหลายตัว การเป็นเจ้าของข้อมูลเป็นเพียงตัวเลือกหรือคุณลักษณะหนึ่ง ใน Countly การเป็นเจ้าของข้อมูลอยู่ที่แก่นกลางของระบบ แพลตฟอร์มนี้ถูกออกแบบมาเพื่อให้องค์กรไม่ต้องแลกการควบคุมข้อมูลของตนเพื่อแลกกับการทำงานที่ทันสมัย

ในทางปฏิบัติ สิ่งนี้หมายความว่าบริษัทต่างๆ สามารถรัน Countly ในสภาพแวดล้อมของตนเอง รักษาการควบคุมข้อมูลสแต็คของตนเอง และยังคงสามารถเข้าถึงความสามารถด้านวิเคราะห์ การมีส่วนร่วม และการทำงานอัตโนมัติในระดับที่กว้างขึ้น สิ่งนี้มีความสำคัญอย่างยิ่งเมื่อบริษัทต่างๆ ต้องการสร้าง AI บนข้อมูลของตนเอง แพลตฟอร์มวิเคราะห์ข้อมูลแบบดั้งเดิมหลายตัวถูกสร้างขึ้นสำหรับการรายงานเป็นหลัก ซึ่งหมายความว่าข้อมูลที่พวกมันรวบรวมมักจะอยู่ภายในแดชบอร์ดของบุคคลที่สามแทนการเป็นพื้นฐานที่ใช้ได้สำหรับระบบอื่นๆ Countly มีแนวทางที่แตกต่างโดยการรักษาวิเคราะห์เป็นส่วนหนึ่งของโครงสร้างพื้นฐานข้อมูล

เมื่อระบบ AI ถูกฝังอยู่ในการตัดสินใจประจำวัน การกำหนดความหมายของ AI ที่มีจริยธรรมควรพัฒนาอย่างไรเมื่อการเป็นเจ้าของข้อมูลถูกมองว่าเป็นหลักการออกแบบหลักแทนที่จะเป็นเพียงการตรวจสอบกล่อง?

เมื่อการเป็นเจ้าของข้อมูลกลายเป็นหลักการออกแบบ AI ที่มีจริยธรรมไม่ได้เกี่ยวกับการตรวจสอบโมเดลหลังจากที่เกิดขึ้นแล้ว แต่เกี่ยวกับการสร้างระบบที่ผู้ใช้สามารถรักษาหน่วยงานเหนือข้อมูลที่ใช้ฝึกอบรมพวกเขา จริยธรรมกลายเป็นโครงสร้างพื้นฐาน

ขอขอบคุณสำหรับการสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านสามารถเยี่ยมชม Countly เพื่อเรียนรู้เพิ่มเติม