Sathya AG, Google’da Senior Principal Architect – Röportaj Serisi

Sathya AG bir teknoloji evangelisti, “Enterprise-Grade Hybrid and Multi-Cloud Strategies” kitabının yayımlanmış yazarı ve Google’da (Perakende Stratejik Endüstriler) Senior Principal Architect’tir. 19 yılı aşkın entreprise mimarisi ve AI deneyimine sahiptir. Top AI Influencer Award ve Google Başkanlık Ödülü ile tanınan global bir düşünce lideri, Enterprise-Grade Hybrid and Multi-Cloud Strategies kitabının yazarı ve CAIO Circle için Danışma Kurulu Üyesidir. British Computer Society (FBCS) üyesi, IEEE Senior Member ve Stanford LEAD mezunu. AI Forward, Google Next ve NRF’de aranan bir konuşmacı olan Sathya, ayrıca AI/ML’yi hizmet götürmediği topluluklara öğretmek için gönüllü oluyor.

Açıklama: Aşağıda paylaşılan düşünceler ve görüşler yazarın kendi görüşleridir ve çalıştığı kurum veya kuruluşların görüşlerini yansıtmaz.

Oracle’da (ORCL ) üzerinde on yılı aşkın bir süre geçirdikten sonra, büyük perakende şirketleriyle çalıştığınız Google’daki senior mimari role geçtiniz. Şirketler geleneksel veri modernizasyonu projelerinden generative AI ve agentic AI girişimlerine geçtiğinde, entreprise AI’ye ilişkin görüşünüz nasıl değişti?

Oracle günlerinde, bir entreprise mimarı olarak, odaklandığım her zaman organizasyonların işlerini yürütmek için güvendiği karmaşık sistemleri inşa etmekti. Büyük entegrasyon, yönetim ve Master Data Management zorluklarını çözüyorduk, böylece entreprise’nin tek, yüksek dayanıklı bir gerçeklik kaynağı olmasını sağlıyorduk. Geleneksel veri modernizasyonu, temelde pasif gözlem, anlamlı katmanlar ve veri boru hatları tasarlamak ve insan karar vericilere güvenilir içgörüler sunmaktı.

Generative ve Agentic AI’nin evrimi, mimari paradigmayı pasif gözlemden özerk bir eylem sistemine tamamen değiştirdi. Şimdi lens, bizim adımıza (ve doğru bir şekilde, gözetimsiz) bir eylem gerçekleştirebilecek bir sistem olup olmadığını sorgulamaya kaydı. Bu, çok daha yüksek bir veri kalitesi, bağlam ve kontrol standardı, çünkü şimdi yanlış bir veri varsayımı sadece yanlış bir panoyu üretmekle kalmaz, yanlış bir eylem üretir. Envanter verilerini yanlış okuyan bir ajan, sadece yanlış bir sipariş verir.

Bu, katı entreprise mimarisinin AI sistemleri için neden kritik ve temel olduğunu gösterir. Güvenli özerk sistemler inşa etmek için, deterministik entreprise sistemleri ile olasılıksal AI arasında köprü kurmak zorundayız. Şimdi liderliğimdeki mimari konuşmaları, güvenilir bir veri dokusu inşa etmek, gerçek zamanlı özerk akıl yürütmenin sıkı bir yönetim, güçlü gözlemlenebilirlik ve entreprise sistemlerinin her zaman talep ettiği aynı işlem bütünlüğü ile bağlı olmasını sağlamak hakkında.

Çok sayıda AI projesi, modelden değil, çok daha önce alınan veri ve mimari kararlarından dolayı başarısız oluyor diyorsunuz. AI projelerini daha sonra sessizce boğan en yaygın erken mimari seçimleri nelerdir?

Gördüğüm en yaygın olanı, şirketlerin bir depoyu veya göleti tek gerçeklik kaynağı olarak tedavi etmeleridir, oysa bu sadece tek bir varış noktasıdır. Her şeyi bir yere boru hattı ile yönlendiriyorlar ve bu, ‘tek gerçeklik’ sorununu çözdüklerine inanıyorlar, ancak böyle değil, sadece merkezi bir anlaşmazlık yaratıyorlar. Üç kaynak sistemi her biri aktif bir müşteriyi farklı şekilde tanımlarsa, hepsini bir depoya yönlendirmek, size üç yanlış cevap yerine bir yanlış cevap verir.

Sonra, sadece önünüzdeki şeye göre inşa etmenin tuzağı var. Bir boru hattı, bir panoya mükemmel şekilde ayarlanır, güzel çalışır, ancak altı ay sonra yeni bir model aynı verileri daha hızlı veya taze bir şekilde ister ve her şeyin yerine yeni bir şey yapılması gerekir.

Ve insanları ısıran şey, soyoluşu ve meta verilerini atlamak, çünkü bunlar istenmeyen ek yük gibi görünür. Ancak bir gün birisi, modelin belirli bir çağrıyı neden yaptığını sorarsa ve bunu izlemek için bir yol yoksa, bu, pahalı bir düzeltme yerine ucuz bir tasarım kararı haline gelir.

Fortune 500 entreprisesi ile çalışırken, bir organizasyonun gerçekten AI’yi pilotlardan öteye ölçeklendirme için hazır olup olmadığını gösteren sinyaller nelerdir?

Doğruyu söyleyeyim, genellikle ilk birkaç konuşmadan anlaşılıyor. Bir organizasyonun AI ile deneysel çalışmalar yapması ve onu entreprise ölçeğinde operasyonel hale getirmesi arasındaki fark, birkaç ipucuna bağlı. Ben genellikle üç ana kategoriye göre hazırlık arıyorum: Stratejik İkna, İş Birleştirme ve Operasyonel Olgunluk.

Şunun gibi sinyaller gerçek hazırlığı gösterir:

1. Stratejik Uyum ve Yönetici İkna

Net AI Stratejisi, Sadece AI Kiskacığı Değil: Organizasyon liderliği, AI stratejileri konusunda gerçek bir ikna gösterir. Bu, AI’nin iş hedeflerine nasıl eşlendiği hakkında birkaç yönlendirilmiş soru sormakla kolayca anlaşılabilir. İş değerini (örneğin, gelir artışı, marjı iyileştirme veya müşteri deneyimi) “yaratıcı AI kullanmak” istemek yerine açıklayabildikleri takdirde, hazırlar.

Taahhüt Edilmiş Kuruluş Fonu: Isolated R&D bütçelerinin ötesine geçmişlerdir. AI projeleri, değişim yönetimi, altyapı ve sürekli MLOps için değil, sadece AI projeleri için ayrı, cross-fonksiyonel bir bütçe tahsis edilmiştir.

2. Problem-Çözüm Uyumluğu ve İş Birleştirme

Doğru Sorunları Çözme: Büyük bir kırmızı bayrak, standart iş akışı otomasyonu veya robotic process automation (RPA) ile AI’yi karıştırmak ve AI’ı sadece yönetim kuruluна göstermek için bir teknoloji kutusunu işaretlemek için AI’ı zorla birleştirme. Hazırlıklı organizasyonlar, AI’ın benzersiz değer önerisini anlarlar. Paradigma değişikliği sağlayan yeteneklerde AI kullanmaya odaklanırlar, değil de sadece bir teknoloji kutusunu işaretlemek için.

İş Birimi Sahipliği: Bu, genellikle en büyük engel olan daha sessiz bir sinyaldir. AI heyecanı, iş birimleri ile hiçbir bağı olmayan izole bir “inovasyon laboratuvarında” yaşıyorsa, pilotlar asla havadaydı. Gerçek hazırlık, iş paydaşlarının aktif olarak çözüm geliştirdiğini ve nihai iş sonucunun sahibi olduğunu, operasyonlara bir kanıt kavramını atmaktan ziyade gösterir.

3. Operasyonel Olgunluk ve Yönetim

1. Gün Güvenlik ve Uyum Katılımı: Güvenlik ve yönetim ekiplerinin katılımının olmaması veya kritik bir AI kullanım durumunda onlardan kaçınmaya çalışmak, dağıtım başarısızlığı için bir tariftir. Olgun organizasyonlar, InfoSec, hukuk ve veri yönetimini 1. günden itibaren masaya getirir. Bu ekipleri, AI’ı güvenle ölçeklemek için gerekli önlemleri inşa eden kritik kolaylaştırıcılar olarak görürler, değil de engeller olarak.

Sonuç olarak, AI’ı bir IT bilim deneyinden ziyade dönüştürücü bir iş yeteneği olarak gören organizasyonlar, doğru sponsorluk, doğru önlemler ve doğru iş birliği ile AI’ı başarıyla ölçeklendirir.

AI’ye hazır bir veri temelinin gerçekten neye benzediğini anlatın, özellikle de ERP, CRM, ticaret, bulut ve eski sistemler gibi parçalanmış verilerle entreprises için.

Çoğu entreprise, aslında bir veri hacmi sorunu değil, bir veri güvenirliği sorunu yaşıyor. Bu, AI’nin üstüne eklenmesi ile daha da kötüleşiyor. Yeni bir platformun parlak olması değil, sistemler arasında doğru olan birkaç önemli özelliğin doğru olması daha önemli.

Örneğin, aynı müşteri, ürün veya mağaza, eski bir ERP’de, modern bir CRM’de veya bir ticaret platformunda olsun, aynı varlık olarak tanınmalıdır. Sistemler bir müşterinin kim olduğunu anlaşamazsa, AI kişiselleştirme ve tahmin modelleri kırılgan verilerle çalışır, bu da hayal edilen bir resme yol açar. Müşteri ömrü boyunca değerini öngöremezsiniz, çünkü AI bir müşteriyi üç farklı kişi olarak ele alır.

İkincisi, kararla eşleştirilmiş veri tazeliliği, kaynak sisteminin yaptığı her şeye değil. Gece güncellemeleri uzun vadeli planlama için iyidir, ancak gerçek zamanlı teslimat için faydasızdır; gerçek bir temel, her şeyi en yavaş olanına düzleştirmeden her iki hızda da destekler.

Üçüncüsü, bir sayıdan nereden geldiğini dakika içinde cevaplayabilen bir soyoluş katmanı. Parçalanmış entreprises, veri kıtlığı çekmiyor, ancak güvenilir ve izlenebilir bir veri katmanına sahip değil. Bu, aslında temel, neyin üstüne eklendiğine bakılmaksızın.

5 V’ler veri: Hacim, Hız, Çeşitlilik, Güvenilirlik ve Değer. Enterprise liderleri, AI için veri hazırlarken hangisini en çok küçümsüyor?

Veri Güvenilirliği, şüphesiz, Veri Değeri’nin de yakından takip ettiği.

Hacim, bugünün büyük veri ekosisteminde bir gerçek. Herkes veri içinde boğuluyor. Çeşitlilik ve Hız, görünür bir yol haritasında yeni kaynaklar, boru hatları ve gerçek zamanlı beslemeler için bütçe alıyor.

Güvenilirlik, görünmezdir, ancak bir model明显 yanlış bir çıktı ürettiğinde ve birisi bunu bir veri varsayımı veya bir alanın üç takım tarafından üç farklı şekilde doldurulmasına kadar geri izlediğinde ortaya çıkar.

Son olarak, değer küçümseniyor, ancak farklı bir şekilde – liderler, veri varsa, onun bir değeri olduğunu varsayarlar, ancak gerçekten bir kararı değiştirip değiştirmediğini sormazlar. Çoğu entreprise’nin sadece küçük bir veri kısmı gerçekten bir iş yapıyor ve kimse bunun hangi kesit olduğunu haritalamıyor.

Perakende sektöründe özellikle, AI kullanım örnekleri kişiselleştirme, tahmin, envanter, tedarik zinciri, müşteri hizmeti ve mağaza operasyonlarını kapsayabilir. AI hırsı ile veri hazırlığı arasında en büyük boşluk nerede?

AI hırsı perakende boyunca eşit olarak dağılmış, ancak veri hazırlığı oldukça asimetriktir.

Kişiselleştirme ve tahmin, makul bir hazırlığa sahiptir – perakendeciler yıllarca işlem ve gezinme verisi topladılar.

Tedarik zinciri ve çok kanallı bağlantı, özellikle de online ve fiziksel mağazalar arasındaki bağlantıda daha büyük bir boşluk var. Çok kanallı, bir perakendecinin iki zor veri sorununu gerçek zamanlı olarak çözmesini zorlar: birleşik müşteri kimliği ve akıcı envanter. Çoğu perakendecinin gerçek zamanlı e-ticaret envanteri, ancak perakende seviyesinde dönem sonu veya bazen günde bir kez görünürlüğü vardır.

Müşteri hizmeti ve mağaza operasyonları hala erken aşamadalar. Hırs yüksek, ancak temel operasyonel veriler, yani personele ayırma, görev tamamlama, gerçek zamanlı mağaza koşulları genellikle işin en az dijitalleştirilen kısmı. Hırs, bu kullanım örnekleri boyunca eşit olarak dağılmış, ancak hazırlık öyle değil.

Misyon kritik sistemleri bozmadan eski veri altyapısını modernleştirmek için şirketlerin yapması gerekenler nelerdir?

Eski veri platformları genellikle operasyonel tıkanıklıklar, ciddi veri kalitesi sorunları ve organizasyonel ölçek sınırlarıyla karşı karşıya kalırlar. Günlük operasyonları modernleşme yolculuğu sırasında korumak için en etkili yol, tek, yüksek riskli bir büyük bang göçünü tránh etmektir. Veri platformu modernleştirmesinin birincil amacı, verilerin organizasyonel karar alma için daha faydalı hale getirilmesini sağlamaktır, bu çabanın salt bir IT platformu değişimi olarak görülmemelidir.

AI çağı için, organizasyonlar veri madalyonu ve veri ağ mimarisini benimsemelidir. Bu strateji, verilerin hamdan işlere hazır bir şekilde ilerlemesini sağlayan yapılandırılmış bir boru hattı oluşturur ve böylece karar almaya poor kaliteli verilerin önlenmesini sağlar. Verileri ayrı mantıksal katmanlara ayırarak, organizasyonlar açık bir soyoluş oluşturur, bu da bilginin kaynağından hedefine nasıl dönüştüğünü izlemeyi kolaylaştırır.

Doğrulanmış verileri erişilebilir ürünler olarak paketleyerek, organizasyonlar ekiplerine stratejik, kanıta dayalı kararlar almalarını sağlar, değil de sezgiye güvenmelerini. Bu yaklaşım, entreprise AI için gerekli veri güvenliği temelini oluşturur. AI ajanlarını temizlenmiş veri ürünlerinin üzerine inşa etmek, modellerin güvenli, doğru bilgilere dayandığını sağlar, değil de dağınık, denetimsiz veri kümelerine.

Yönetişim genellikle bir AI projesi zaten devam ederken ekleniyor. Yönetim, gizlilik, güvenlik ve veri kalitesi, günden itibaren mimari gereksinimler olarak ele alındığında ne değişir?

Her şey daha hızlı ilerler, daha az hata verir ve daha iyi ölçeklenir. Generative AI’nin olasılıksal doğası ile yönetim cực önemli, ancak birçok organizasyonda en çok göz ardı edilen unsur.

Bu öğeleri, son dakika denetim listesi yerine günden itibaren mimari gereksinimleri olarak ele aldığınızda, hasardan kontrolüne geçersiniz. İşte ne değişir:

İlk olarak, tamamlanmış AI projelerinin, uyumluluk veya gizlilik standartlarını ihlal ettiği için iptal edilmesi gereken acılı “yıkıp yeniden yapma” aşamasından kaçınırsınız.

Sonra, güvenlik ve veri kalitesi boru hattının üzerine yama olarak eklenmez; bunlar pipeline’a gömülür. Modelleriniz güvenilir verilerle çalışır, böylece liderlik ve kullanıcılar gerçekten güvenir.

Son olarak, proof-of-concept’ten üretime geçişte düzenleyici bir duvarla karşılaşmak yerine, dağıtım yolu zaten temizlenmiştir ve otomatikleştirilmiştir.

Kısacası, yönetim, inovasyona bir fren değil, güvenli bir şekilde hızlı ilerlemenizi sağlayan bir yön sistemi.

CAIO Circle’a danışman olarak, Chief AI Officer rolünün nasıl evrimleşmesi gerektiğini düşünüyorsunuz ve sorumlulukları CIO, CDO ve iş birimi liderlerine göre nerede başlamalı ve nerede bitmeli?

CAIO Circle’ın bir parçası olmak, gerçekten faydalı bir pencere oldu, çünkü şu anda bu rol, birçok entreprise tarafından reaktif bir şekilde, yaratıcı AI hırsına yanıt olarak oluşturuldu, değil de açık bir operasyonel boşluğu doldurmak için. Bence bu, nhanh bir şekilde yerleşecek. Etkili olmak için, yöneticinin bölünmesi nettir:

CIO, altyapıyı ve sistem güvenilirliğini sahiplenir. CDO, verinin bir entreprise varlığı olarak (kalitesi, yönetişimi ve erişilebilirliği) sahiplenir. CAIO, ham AI yeteneği ile gerçek iş sonuçları arasındaki çevirme katmanını sahiplenir.

Bu çevirme katmanı, AI portföyünü alenen sahiplenmeyi, neyin inşa edilmesi gerektiğini belirlemeyi, AI teknolojisi ile hangi iş alanlarının iyileştirilebileceğini ve hizmet edilebileceğini belirlemeyi ve nerede AI’nin dağıtılması gerektiğine ve gerektirmediğine ilişkin nihai otorite olmayı içerir.

Bugün çoğu entreprise’de en büyük boşluk, risk ve değer ticaretlerini karşılaştırmak için yarışan iş birimleri arasında. Yüksek riskli bir AI girişimini, bir iş biriminin kısa vadeli hedeflerine bağlı olmayan ve teknik olarak riski doğrudan değerlendirebilen biri tarafından engellenmesi gerekir. Bu, tam da CAIO rolünün olması gereken bağımsız, teknik olarak dayanıklı kapı görevlisidir.

İleriye bakıldığında, AI avantajını kalıcı olarak elde eden şirketleri, sadece en son AI araçlarını deneysel olarak kullanan şirketlerden ayıran nedir?

Bu, en iyi modellere erişimi olan şirketler olmayacak. Model yetenekleri hızla birbirine yakınsıyor ve ham teknoloji, kalıcı bir farklılaştırıcı olmayacak.

Bunun yerine, uzun vadeli AI başarısının gerçek testi, iç veya müşteri odaklı olsun, Güven ile ilgilidir.

Güven, bir organizasyonun AI’ye hazır bir temel oluşturma ve yeni yeteneklerin test edilebileceği, güvenli bir şekilde dağıtılabileceği ve ölçeklenebileceği bir ortam oluşturma yeteneği ile doğrudan orantılıdır. Somut olarak, bunu gerektirir:

Güvenilir Bir Veri Temeli: Her yeni kullanım durumu için büyük, tek seferlik bir temizleme projesi gerektirmeyecek temiz ve güvenilir veriler.

Çevik Yönetim: AI modellerinin nasıl evrimleştiğiyle aynı hızda ilerleyen risk ve uyumluluk süreçleri.

Sonuç Odaklı Metriklar: AI’ı iş değeri ile ölçen, teknoloji sofistikasyonu ile değil, bir organizasyon kültürü.

Üç yıl içinde hala “deneysel moda”da takılı kalacak şirketler, AI için hiçbir zaman temel oluşturmayanlardır – her AI projesinde aynı veri ve yönetim derslerini tekrar tekrar öğreneceklerdir.

Güvenilir bir avantaj ile kazananlar, onuncu AI kullanım durumunda, ilkine göre dramatically daha ucuz ve hızlı bir şekilde dağıtabilenlerdir, çünkü temel ilk seferinde doğru bir şekilde oluşturulmuştur.

Harika röportaj için teşekkür ederiz, okuyucular ayrıca Enterprise-Grade Hybrid and Multi-Cloud Strategies kitabını okumak isteyebilir.