สัธยา AG, Senior Principal Architect ที่ Google – สัมภาษณ์ Series

สัธยา AG เป็นนักพัฒนาทางเทคโนโลยี, ผู้เขียนหนังสือ “Enterprise-Grade Hybrid and Multi-Cloud Strategies” และ Senior Principal Architect ที่ Google (Retail Strategic Industries) โดยมีประสบการณ์มากกว่า 19 ปี ในด้าน enterprise architecture และ AI เป็นผู้นำความคิดระดับโลกที่ได้รับการยอมรับจาก Top AI Influencer Award และ Google’s President’s Award และเป็นสมาชิกของคณะกรรมการ CAIO Circle เป็น Fellow ของ British Computer Society (FBCS), Senior Member ของ IEEE และ Stanford LEAD alumnus เป็นผู้พูดที่ได้รับความนิยมใน AI Forward, Google Next และ NRF สัธยา ยังเป็นอาสาสมัครในการสอน AI/ML ให้กับชุมชนชายขอบ

免責声明:ความคิดเห็นที่แบ่งปันและความคิดเห็นที่แสดงออกมาเป็นความคิดเห็นของ作者เอง และไม่จำเป็นต้องสะท้อนมุมมองหรือความคิดเห็นของนายจ้างหรือองค์กรใดๆ ที่เขาทำงานด้วย

คุณใช้เวลาเกินหนึ่งทศวรรษที่ Oracle (ORCL ) ก่อนที่จะย้ายไปสู่บทบาทสถาปนิกอาวุโสที่ Google ซึ่งคุณทำงานกับองค์กรค้าปลีกขนาดใหญ่ มุมมองของคุณต่อ enterprise AI มีการเปลี่ยนแปลงอย่างไรเมื่อบริษัทต่างๆ ย้ายจากโครงการ modernization ของข้อมูลแบบดั้งเดิมไปสู่โครงการ AI ที่สร้างขึ้นและโครงการ AI ที่มีหน่วยงาน?

ในสมัย Oracle เมื่อผมเป็นสถาปนิกองค์กร ผมมุ่งเน้นไปที่การสร้างระบบที่ซับซ้อนและเชื่อถือได้สำหรับองค์กร การแก้ปัญหา integration, governance และ Master Data Management เพื่อให้องค์กรมีแหล่งข้อมูลที่เชื่อถือได้และไม่ซ้ำกัน การ modernization ของข้อมูลแบบดั้งเดิมเป็นเรื่องของการดูและออกแบบ semantic layers และ data pipelines ที่ให้ข้อมูลเชื่อถือได้สำหรับผู้ตัดสินใจ

การเปลี่ยนแปลงของ AI ที่สร้างขึ้นและ AI ที่มีหน่วยงานได้เปลี่ยนพาราได้มจากการสังเกตแบบไม่มีการกระทำไปสู่ระบบอัตโนมัติที่สามารถกระทำได้โดยไม่ต้องมีการดูแล ตอนนี้ เรามุ่งเน้นไปที่ว่าเราสามารถให้ระบบกระทำการแทนเราได้หรือไม่ (และโดยไม่ต้องมีการดูแล) ในระดับที่สูงขึ้น ซึ่งเป็นมาตรฐานที่สูงกว่าสำหรับคุณภาพข้อมูล บริบท และการควบคุม เพราะ ข้อมูลที่ไม่ถูกต้องไม่เพียงแต่ให้ข้อมูลที่ไม่ถูกต้อง แต่ยังให้การกระทำที่ไม่ถูกต้องด้วย

สิ่งนี้ทำให้ enterprise architecture มีความสำคัญและเป็นรากฐานของระบบ AI เพื่อสร้างระบบอัตโนมัติที่ปลอดภัย เราต้องเชื่อมช่องว่างระหว่างระบบองค์กรที่แน่นอนและระบบ AI ที่มีความน่าจะเป็น การสนทนาสถาปัตยกรรมที่ผมนำตอนนี้คือการสร้าง data fabric ที่เชื่อถือได้ เพื่อให้แน่ใจว่าการให้เหตุผลอัตโนมัติแบบเรียลไทม์ถูกผูกไว้ด้วยการกำกับดูแลที่เข้มงวด การสังเกตการณ์ที่ดี และความสมบูรณ์ของธุรกรรมที่เราต้องการจากระบบองค์กร

คุณได้โต้แย้งว่าโครงการ AI หลายโครงการล้มเหลวไม่ใช่เพราะของแบบจำลอง แต่เพราะการตัดสินใจเกี่ยวกับข้อมูลและสถาปัตยกรรมที่ทำไว้ก่อนหน้านี้ สิ่งที่พบบ่อยที่สุดคือการตัดสินใจเกี่ยวกับสถาปัตยกรรมในตอนต้นๆ ที่บ่อนทำลายโครงการ AI ในภายหลัง?

สิ่งที่ผมเห็นบ่อยที่สุดคือบริษัทต่างๆ ที่ปฏิบัติต่อคลังข้อมูลหรือทะเลสาบข้อมูลเป็นแหล่งข้อมูลเดียวที่ถูกต้องเมื่อจริงๆ แล้วมันคือจุดหมายปลายทางเดียว พวกเขาส่งทุกอย่างไปที่จุดหนึ่งและสมมติว่ามันจะแก้ปัญหา ‘one version of truth’ แต่มันไม่ได้ทำเช่นนั้น มันแค่รวมความไม่เห็นด้วยไว้ที่จุดเดียวเท่านั้น หากระบบที่มาจากแหล่งที่แตกต่างกันสามแหล่งนิยามลูกค้าที่ใช้งานอยู่แตกต่างกัน การส่งทุกอย่างไปที่คลังข้อมูลเดียวจะทำให้ได้คำตอบที่ไม่ถูกต้องหนึ่งคำตอบแทนของสามคำตอบที่ไม่ถูกต้อง

จากนั้นมีหลุมที่สร้างขึ้นโดยการสร้างขึ้นเพื่ออะไรที่อยู่ตรงหน้า คู่ขนานที่ได้รับการปรับให้เหมาะสมกับแผงหนึ่งทำงานได้ดี และจากนั้นหกเดือนต่อมา โมเดลใหม่ต้องการข้อมูลเดียวกันเร็วขึ้นหรือสดใหม่ขึ้น และทุกอย่างต้องถูกทำลายและสร้างขึ้นใหม่แทนการขยาย

และที่ที่มักจะกลับมาทำร้ายคนทุกคนคือการข้ามบรรทัดและเมตาดาต้าเพราะมันดูเหมือนค่าใช้จ่ายที่ไม่มีใครขอ มันไม่มีผลตอบแทนจนกว่าวันหนึ่งบางคนจะถามว่าทำไมแบบจำลองจึงตัดสินใจแบบนั้น และไม่มีทางติดตามมันได้ นั่นคือเมื่อมันเปลี่ยนเป็นการแก้ไขที่มีค่าใช้จ่ายสูงแทนการตัดสินใจด้านการออกแบบที่ถูกต้อง

เมื่อทำงานกับองค์กรระดับ Fortune 500 สิ่งใดบ่งบอกว่าองค์กรพร้อมที่จะขยาย AI ไปยังระดับที่มากกว่าการทดลอง?

จริงๆ แล้วผมสามารถบอกได้ภายในไม่กี่นาทีของการสนทนา ความแตกต่างระหว่างองค์กรที่ทดลองกับ AI และที่พร้อมที่จะนำไปใช้ในระดับองค์กรมาจากสัญญาณที่ชัดเจนสามสัญญาณหลัก: การเชื่อมโยงเชิงกลยุทธ์, การผสมผสานทางธุรกิจ และ ความเป็นอยู่ที่ดีในการดำเนินงาน

สิ่งนี้คือสัญญาณที่บ่งบอกถึงความพร้อมที่จะขยาย:

1. การจัดตำแหน่งเชิงกลยุทธ์และความเชื่อมั่นของผู้บริหาร

กลยุทธ์ AI ที่ชัดเจน ไม่ใช่แค่ “AI Envy” ผู้นำขององค์กรมีความเชื่อมั่นอย่างแท้จริงเกี่ยวกับกลยุทธ์ AI ของตนเอง สิ่งนี้สามารถสังเกตได้ง่ายๆ โดยการถามคำถามนำไปสู่วัตถุประสงค์ทางธุรกิจของ AI หากพวกเขาสามารถอธิบายคุณค่าทางธุรกิจที่แน่นอน (เช่น การเติบโตของรายได้, การปรับปรุงมาร์จิน, หรือประสบการณ์ของลูกค้า) แทนที่จะแค่ต้องการ “ใช้ AI ที่สร้างขึ้น” พวกเขาก็พร้อมแล้ว

2. การผสมผสานทางธุรกิจและการเป็นเจ้าของหน่วยธุรกิจ

การแก้ปัญหาที่ถูกต้อง: สัญญาณอันตรายหลักคือการ混淆การทำงานอัตโนมัติของ 워크โฟลว์หรือ RPA กับ AI และการบังคับใช้ AI ลงบนกระบวนการดั้งเดิมเพียงเพื่อแสดงให้เห็นถึงการนำ AI ไปใช้ในการนำเสนอผลงานให้กับคณะกรรมการ องค์กรที่พร้อมจะนำไปใช้เข้าใจคุณค่าเฉพาะของ AI และมุ่งเน้นไปที่กรณีการใช้งานที่ AI มอบการเปลี่ยนแปลงในความสามารถ ไม่ใช่แค่การตรวจสอบกล่องเทคโนโลยีบนกระบวนการดั้งเดิม

3. การเติบโตและการกำกับดูแลในการดำเนินงาน

การมีส่วนร่วมของทีมความปลอดภัยและทีมกำกับดูแลตั้งแต่วันแรก: การขาดการมีส่วนร่วมจากทีมความปลอดภัยและทีมกำกับดูแล หรือการพยายามแยก AI ออกจากพวกเขาเพื่อ “เคลื่อนที่เร็วขึ้น” เป็นสูตรสำหรับการใช้งานที่ล้มเหลว องค์กรที่มีความเป็นอยู่ที่ดีจะนำทีม InfoSec, ทีมกฎหมาย และทีมกำกับดูแลข้อมูลมาที่โต๊ะตั้งแต่วันแรก พวกเขามองว่าทีมเหล่านี้เป็นผู้ช่วยสำคัญที่สร้างรั้วที่จำเป็นในการขยายขนาดอย่างปลอดภัย ไม่ใช่สิ่งกีดขวาง

สุดท้าย องค์กรที่ประสบความสำเร็จในการขยาย AI จะปฏิบัติต่อ AI ไม่เหมือนกับการทดลองทางวิทยาศาสตร์ของ IT แต่เหมือนกับความสามารถในการเปลี่ยนแปลงทางธุรกิจที่มีการสนับสนุนที่ถูกต้อง การสร้างรั้วที่ถูกต้อง และการผสมผสานทางธุรกิจที่ถูกต้อง

องค์กรที่มีข้อมูลกระจายอยู่ทั่วทั้ง ERP, CRM, Commerce, Cloud และระบบดั้งเดิม จะมีรากฐานข้อมูล AI ที่พร้อมใช้งานจริงๆ ดูเหมือนอย่างไร?

องค์กรส่วนใหญ่ไม่มีปัญหาเรื่องปริมาณข้อมูล แต่มีปัญหาเรื่องความเชื่อถือได้ของข้อมูล นี่คือสิ่งที่ทำให้ AI มีความซับซ้อนมากขึ้น

ตัวอย่างเช่น ลูกค้าเดียวกัน สินค้าเดียวกัน หรือร้านค้าเดียวกันจะต้องถูกตระหนักว่าเป็นหน่วยเดียวกัน ไม่ว่าจะอยู่ในระบบ ERP ที่ดั้งเดิม ระบบ CRM ที่ทันสมัย หรือแพลตฟอร์ม Commerce หากระบบของคุณไม่สามารถตกลงกันว่าใครคือลูกค้า AI ของคุณในการส่งเสริมการขายและการคาดการณ์จะทำงานบนข้อมูลที่แตกแยก ทำให้ได้ภาพที่หลอกลวง คุณไม่สามารถคาดการณ์คุณค่าชีวิตของลูกค้าได้หาก AI ของคุณมองลูกค้าคนเดียวกันเป็นคนละคน

สิ่งที่สอง คือความสดใหม่ของข้อมูลที่ตรงกับการตัดสินใจ ไม่ใช่การปรับให้เหมาะสมกับสิ่งที่ระบบต้นทางทำ การอัปเดตสินค้าในเวลากลางคืนเหมาะสำหรับการวางแผนระยะยาวและไม่เหมาะสำหรับการจัดส่งแบบเรียลไทม์ รากฐานที่ดีจะรองรับทั้งสองความเร็วโดยไม่ทำให้ทุกอย่างช้าลง

สิ่งที่สาม คือชั้นการสร้างที่ทำให้คุณสามารถตอบคำถาม “ตัวเลขนี้มาจากไหน” ในเวลาไม่กี่นาที ไม่ใช่การสอบสวนหลายวัน ส่วนใหญ่ขององค์กรที่กระจายตัวไม่ขาดข้อมูล แต่ขาดชั้นที่ทำให้ข้อมูลที่มีอยู่แล้วเชื่อถือได้และติดตามได้ นั่นคือรากฐานที่แท้จริง ไม่ใช่เครื่องมือที่ติดไว้ด้านบน

คุณมักจะพูดถึง 5 V ของข้อมูล: Volume, Velocity, Variety, Veracity และ Value องค์กรผู้นำมักจะประเมินค่าต่ำกว่าข้อมูลใดมากที่สุดเมื่อเตรียมข้อมูลสำหรับ AI?

ความถูกต้องของข้อมูล (Veracity) โดยไม่ต้องสงสัย และตามด้วยคุณค่า (Value)

ปริมาณข้อมูลเป็นสิ่งที่ให้ไว้ในปัจจุบัน ทุกคนกำลังจมอยู่ในข้อมูล ความหลากหลายและความเร็วได้รับการจัดสรรในแผนงาน – แหล่งใหม่, ปายพไลน์ และฟีดแบบเรียลไทม์

ความถูกต้องเป็นสิ่งที่มองไม่เห็นจนกว่ามันจะทำให้คุณเสียอะไรไป – โดยทั่วไปแล้ว เมื่อแบบจำลองผลิตผลลัพธ์ที่ไม่ถูกต้อง และบางคนติดตามมันกลับไปสู่บันทึกลูกค้าซ้ำหรือฟิลด์ที่ทีมสามทีมเติมสามวิธีต่างๆ

สุดท้าย คุณค่าถูกประเมินค่าต่ำกว่าในทางที่แตกต่าง – ผู้นำคิดว่าหากข้อมูลมีอยู่ มันจะมีคุณค่า โดยไม่ต้องถามว่ามันจะย้ายการตัดสินใจหรือไม่ ส่วนใหญ่ขององค์กรมีข้อมูลเพียงเศษเสี้ยวที่ทำงานจริงๆ และไม่มีใครทำการแมปว่าส่วนไหนที่ทำงาน

ในภาคค้าปลีกโดยเฉพาะ AI ใช้งานได้หลากหลายตั้งแต่การปรับให้เหมาะสม การคาดการณ์ สินค้าในคลัง การจัดการห่วงโซ่อุปทาน การบริการลูกค้า และการดำเนินงานในร้านค้า ตรงจุดที่มีช่องว่างระหว่างความทะเยอทะยานของ AI และความพร้อมของข้อมูล?

ความทะเยอทะยานของ AI แพร่กระจายอย่างเท่าเทียมกันในภาคค้าปลีก แต่ความพร้อมของข้อมูลไม่สมดุล

การปรับให้เหมาะสมและการคาดการณ์มีความพร้อมที่สมเหตุสมผล – ผู้ค้าปลีกได้รวบรวมข้อมูลธุรกรรมและการท่องเว็บมาหลายปี

ช่องว่างที่ใหญ่กว่าคือห่วงโซ่อุปทานและ omni-channel โดยเฉพาะการเชื่อมต่อระหว่างร้านค้าออนไลน์และร้านค้าปลีก Omni-channel มีความซับซ้อนมากเพราะมันบังคับให้ผู้ค้าปลีกแก้ปัญหาข้อมูลลูกค้าที่เป็นเอกลักษณ์และสินค้าในคลังที่มีคล่องตัว

การบริการลูกค้าและการดำเนินงานในร้านค้ายังคงอยู่ในช่วงแรกๆ ความทะเยอทะยานสูง แต่ข้อมูลการดำเนินงาน เช่น การจัดตารางงาน การทำงานที่เสร็จสมบูรณ์ และสภาพร้านค้าแบบเรียลไทม์ มักจะเป็นส่วนของธุรกิจที่ยังไม่ได้ถูกดิจิทัล

บริษัทควรที่จะทันสมัย hóaโครงสร้างพื้นฐานข้อมูลที่มีอายุโดยไม่ทำให้ระบบที่สำคัญต่อการดำเนินงานที่ธุรกิจยังคงต้องใช้ทุกวัน?

โครงสร้างพื้นฐานข้อมูลที่มีอายุมักจะประสบปัญหาด้านการทำงาน การควบคุมคุณภาพข้อมูล และข้อจำกัดในการขยายองค์กร วิธีที่มีประสิทธิภาพที่สุดในการปกป้องการดำเนินงานประจำวันระหว่างการเดินทางในการทันสมัยคือการหลีกเลี่ยงการย้ายโครงสร้างพื้นฐานที่มีความเสี่ยงสูงในครั้งเดียว

วัตถุประสงค์หลักของการปรับปรุงโครงสร้างพื้นฐานข้อมูลควรเป็นการทำให้ข้อมูลมีประโยชน์มากขึ้นสำหรับการตัดสินใจขององค์กร ไม่ใช่การปฏิบัติต่อความพยายามนี้เหมือนกับการเปลี่ยนแพลตฟอร์ม IT

เพื่อให้เหมาะกับยุค AI องค์กรควรใช้โครงสร้างพื้นฐานข้อมูลแบบ medallion และ data mesh สิ่งนี้จะสร้างการขนส่งที่มีโครงสร้างที่ข้อมูลจะถูกทำให้สมบูรณ์แบบจากดิบไปสู่ธุรกิจได้โดยไม่ทำให้ข้อมูลที่ไม่ดีเข้าไปสู่การตัดสินใจ

โดยการแยกข้อมูลออกเป็นชั้นเชิงตรรกะ องค์กรจะสร้างการสร้างที่ชัดเจน ทำให้ง่ายต่อการตรวจสอบว่าข้อมูลเปลี่ยนแปลงไปอย่างไรตั้งแต่แหล่งที่มาถึงจุดหมายปลายทาง

โดยการบรรจุข้อมูลที่ตรวจสอบแล้วเป็นผลิตภัณฑ์ที่สามารถเข้าถึงได้ องค์กรจะทำให้ทีมของตนสามารถตัดสินใจเชิงกลยุทธ์ได้โดยอาศัยหลักฐาน ไม่ใช่การอาศัย直觉 สิ่งสำคัญคือการสร้างรากฐานของความเชื่อถือได้ของข้อมูลที่จำเป็นสำหรับ AI ขององค์กร

การสร้างตัวแทน AI บนผลิตภัณฑ์ข้อมูลที่ตรวจสอบแล้วทำให้แน่ใจว่าแบบจำลองเหล่านั้นได้รับการเรียนรู้จากข้อมูลที่ปลอดภัยและถูกต้อง ไม่ใช่จากชุดข้อมูลที่ไม่ดีและไม่ได้รับการตรวจสอบ

การกำกับดูแลมักจะถูกเพิ่มหลังจากที่โครงการ AI ได้เริ่มต้นแล้ว สิ่งใดที่เปลี่ยนแปลงเมื่อการกำกับดูแล ความเป็นส่วนตัว ความปลอดภัย และคุณภาพข้อมูลถูกมองว่าเป็นข้อกำหนดทางสถาปัตยกรรมตั้งแต่วันแรก?

ทุกอย่างเคลื่อนที่เร็วขึ้น หยุดชะงักน้อยลง และขยายได้ดีขึ้น เมื่อการกำกับดูแลถูกมองว่าเป็นข้อกำหนดทางสถาปัตยกรรมตั้งแต่วันแรก แทนที่จะเป็นรายการตรวจสอบที่ทำหลังจบแล้ว คุณเปลี่ยนจากความเสียหายในการควบคุมไปสู่ความเร็ว

สิ่งแรกที่เปลี่ยนแปลงคือการหลีกเลี่ยงขั้นตอน “rip-and-replace” ที่เจ็บปวด โดยที่โครงการ AI ที่ถูกสร้างเสร็จถูกทำลายเพราะไม่ปฏิบัติตามมาตรฐานการปฏิบัติหรือความเป็นส่วนตัว

ต่อไป การรักษาความปลอดภัยและคุณภาพข้อมูลไม่ได้ถูกติดไว้ด้านบน แต่ถูกฝังไว้ในกระบวนการ แบบจำลองของคุณทำงานบนข้อมูลที่เชื่อถือได้ ทำให้ผลลัพธ์ที่ผู้นำและผู้ใช้สามารถเชื่อถือได้

สุดท้าย แทนที่จะพบกับกำแพงด้านกฎระเบียบเมื่อเคลื่อนจากตัวอย่างไปสู่การผลิต เส้นทางในการใช้งานถูกเปิดและถูกทำให้自动

โดยสรุป การกำกับดูแลไม่ใช่เบรกในการสร้างสรรค์ แต่เป็นระบบที่ช่วยให้คุณสามารถขับรถได้อย่างรวดเร็วและปลอดภัย

ในฐานะที่เป็นที่ปรึกษาของคณะกรรมการ CAIO คุณคิดว่าบทบาทของ Chief AI Officer ควรพัฒนาไปอย่างไร และบทบาทนี้ควรเริ่มต้นและหยุดลงที่ไหนเมื่อเทียบกับ CIO, CDO และผู้นำธุรกิจ?

การเป็นส่วนหนึ่งของคณะกรรมการ CAIO ทำให้ผมมองเห็นภาพที่แท้จริงของบทบาทนี้ ซึ่งตอนนี้ยังอยู่ในระหว่างการเปลี่ยนแปลง เนื่องจากหลายองค์กรสร้างบทบาทนี้ขึ้นมาเพื่อตอบสนองต่อการเกิดขึ้นของ AI ที่สร้างขึ้นโดยไม่มีช่องว่างที่ชัดเจน

ผมเชื่อว่าสิ่งนี้จะถูกแก้ไขและต้องถูกแก้ไขเพื่อให้ทำงานได้อย่างมีประสิทธิภาพ การแบ่งส่วนการบริหารควรจะชัดเจน: CIO เป็นผู้รับผิดชอบโครงสร้างพื้นฐานและความน่าเชื่อถือของระบบ CDO เป็นผู้รับผิดชอบข้อมูลในฐานะสินทรัพย์ขององค์กร (คุณภาพ การกำกับดูแล และการเข้าถึง) และ CAIO เป็นผู้รับผิดชอบชั้นการแปลระหว่างความสามารถ AI ที่ดิบกับผลลัพธ์ทางธุรกิจที่แท้จริง

ชั้นการแปลนี้หมายถึงการรับความรับผิดชอบอย่างชัดเจนสำหรับพอร์ตโฟลิโอ AI การกำหนดสิ่งที่จะสร้าง การระบุพื้นที่ธุรกิจที่สามารถปรับปรุงและให้บริการได้ดีขึ้นผ่านเทคโนโลยี AI และการเป็นผู้มีอำนาจสูงสุดในการตัดสินใจว่า AI ควรและไม่ควรนำไปใช้ใน đâu

ช่องว่างที่ใหญ่ที่สุดในองค์กรส่วนใหญ่คือการประเมินความเสี่ยงและผลตอบแทนจากการซื้อขายระหว่างหน่วยธุรกิจที่แข่งขันกัน การปิดกั้นการริเริ่ม AI ที่มีความเสี่ยงสูงซึ่งหน่วยธุรกิจใดหน่วยธุรกิจหนึ่งต้องการอย่างมากต้องมีใครสักคนที่มีแรงจูงใจที่ไม่เชื่อมโยงกับเป้าหมายระยะสั้นของหน่วยธุรกิจนั้น และมีความชำนาญทางเทคนิคเพียงพอในการประเมินความเสี่ยงโดยตรง บุคคลที่มีอำนาจอิสระและมีความชำนาญทางเทคนิคที่จะทำหน้าที่นี้คือสิ่งที่บทบาท CAIO ต้องกลายเป็น

เมื่อมองไปข้างหน้า สิ่งใดจะแยกความแตกต่างระหว่างบริษัทที่บรรลุความได้เปรียบของ AI ที่ยั่งยืนกับบริษัทที่เพียงแต่ทดลองกับเครื่องมือ AI ล่าสุด?

ไม่ใช่บริษัทที่มีแบบจำลองที่ดีที่สุด Model capability กำลังจะมาบรรจบกัน และเทคโนโลยีแบบดิบจะไม่คงอยู่เป็นปัจจัยที่แตกต่าง

แทนที่จะเป็นเรื่องของความเชื่อถือได้ ความเชื่อถือได้จะสัมพันธ์โดยตรงกับความสามารถขององค์กรในการสร้างรากฐาน AI ที่พร้อมใช้งานและสภาพแวดล้อมที่สามารถทดสอบ ความปลอดภัยในการใช้งาน และการขยายขนาดได้อย่างรวดเร็ว สิ่งนี้ต้องการสามสิ่ง:

รากฐานข้อมูลที่เชื่อถือได้: ข้อมูลที่สะอาดและเชื่อถือได้ เพื่อให้กรณีการใช้งานใหม่ๆ ไม่ต้องการการทำความสะอาดข้อมูลขนาดใหญ่

การกำกับดูแลแบบคล่องตัว: กระบวนการความเสี่ยงและการปฏิบัติตามกฎระเบียบที่เร็วพอที่จะตามทันการเปลี่ยนแปลงของแบบจำลอง

การวัดผลลัพธ์: วัฒนธรรมองค์กรที่วัด AI ตามคุณค่าทางธุรกิจ ไม่ใช่ความซับซ้อนของเทคโนโลยี

บริษัทที่ยังคงอยู่ใน “โหมดทดลอง” ในอีกสามปีข้างหน้าจะเป็นบริษัทที่ไม่เคยสร้างรากฐานนี้ พวกเขาจะยังคงเรียนรู้บทเรียนเดียวกันเกี่ยวกับข้อมูลและการกำกับดูแลในโครงการ AI แต่ละโครงการ

ผู้ชนะที่มีความได้เปรียบอย่างยั่งยืนจะเป็นบริษัทที่รากฐานถูกสร้างขึ้นให้ถูกต้องตั้งแต่แรก ทำให้กรณีการใช้งาน AI ที่ 10 มีความเร็วและราคาถูกกว่ากรณีที่ 1

ขอขอบคุณสำหรับการสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านอาจต้องการอ่านหนังสือของเขา Enterprise-Grade Hybrid and Multi-Cloud Strategies