Домінік Сарторіо, Віце-президент з маркетингу продукції в Denodo – Серія інтерв’ю

Домінік Сарторіо є Віце-президентом з маркетингу продукції в Denodo. Домінік має понад 20 років досвіду на ринку управління даними та керування, займаючи різні керівні посади в компанії Informatica, Protegrity та інших провідних виробників.

Denodo є глобальним лідером у сфері управління даними, забезпечуючи надійні агенти штучного інтелекту та додатки. Платформа Denodo, нагороджена премією за логічне управління даними, перетворює корпоративні дані в надійні знання для штучного інтелекту, аналітики та самообслуговування. Організації у всьому світі використовують Denodo для надання даних, готових до штучного інтелекту, у фракції часу порівняно з традиційними хранилищами даних, досягнувши до 4 разів швидшого часу отримання знань, 345% ROI та 10 разів кращої продуктивності. На основі даних з 850 лідерів підприємств, Звіт про розрив довіри штучного інтелекту Denodo розкриває, чому багато проєктів штучного інтелекту не можуть вийти за межі пілотних стадій, і що організації повинні зробити, щоб створити надійні, готові до виробництва проєкти штучного інтелекту.

Ви займали керівні посади в компаніях, таких як Informatica, Protegrity, Infoworks та现在 Denodo, всі вони зосереджені на різних рівнях інфраструктури корпоративних даних. Як змінилося ваше бачення “довірчих даних” з моменту, коли штучний інтелект перейшов від аналітики до автономних та агентських систем?

На початку своєї кар’єри довірчі дані були в основному пов’язані з точністю, походженням, безпекою та наданням аналітикам впевненості в панелях та звітах. З агентськими системами штучного інтелекту ставки значно вищі, оскільки системи не тільки інтерпретують дані, але й можуть діяти автономно, запускати бізнес-процеси або приймати рішення з реальним впливом. Це означає, що довірчі дані тепер повинні включати живий оперативний контекст, послідовне бізнес-значення та обмеження, щоб можна було мати впевненість у тому, що агенти діють правильно та безпечно.

Звіт про розрив довіри штучного інтелекту Denodo виявив, що 66% організацій вважають, що дані штучного інтелекту повинні бути в режимі реального часу або майже реального часу, щоб бути довірчими. Чому ви думаєте, що так багато підприємств все ще борються з наданням живих оперативних даних системам штучного інтелекту?

Більшість підприємств не були спроєктовані для агентів штучного інтелекту, яким потрібен живий оперативний контекст з багатьох систем. Їхні дані розподілені по застосунках, хмарах, складах, хранилищах даних, системах та інших оперативних платформах. Вони можуть копіювати ці дані в центральний склад або хранилище даних для аналітики та бізнес-інтелекту, але це не підходить для агентів штучного інтелекту, яким потрібен живий оперативний контекст. Як тільки дані скопійовані, вони вже не живі. Можливо передавати дані в режимі реального часу, але це стає дуже дорого дуже швидко. Саме тут підхід логічного управління даними Denodo стає важливим, оскільки він надає системам штучного інтелекту керований доступ до живих даних без потреби постійного копіювання та переплатформування всього.

Одним з найбільш вражаючих висновків у звіті є те, що ініціативи штучного інтелекту підприємств тепер використовують сотні джерел даних, а деякі організації мають доступ до понад 1 000 джерел. Як такий рівень фрагментації змінює спосіб, яким підприємства повинні думати про архітектуру штучного інтелекту?

На такому рівні фрагментації архітектура не може залежати від фізичного консолідування кожного джерела перед тим, як штучний інтелект зможе його використовувати. Підприємства потребують абстрактного шару, який може виявити, інтегрувати, керувати та надавати дані по розподіленій реальності, яку вони вже мають. На мою думку, архітектура даних повинна стати більш логічною, керованою метаданими та семантичною, щоб агенти могли знайти правильні дані в контексті без тісної взаємозв’язку з базовими системами.

Звіт стверджує, що багато провалів штучного інтелекту насправді є “провалами архітектури даних”, а не провалами моделей. Чи думаєте ви, що галузь надто багато часу витратила на обсесію моделями, недооцінюючи важливість інфраструктури даних?

Так. Моделі важливі, звичайно, але багато невдалих проєктів штучного інтелекту не провалюються через те, що модель нездатна; вони провалюються через те, що модель працює з неповними, застарілими, несумісними або погано керованими даними. Модель працювала добре в пілотному режимі, використовуючи добре визначений та кураторський набір даних, але як тільки вона була розгорнута в “реальному світі” з його розподіленою нечистотою, штучний інтелект не зміг виробити довірчі результати. Мій досвід показує, що підприємства отримують значно кращі результати штучного інтелекту, коли вони ставлять шар даних на перше місце в архітектурі штучного інтелекту, а не як післяthought.

Denodo часто говорить про семантичну узгодженість та важливість універсального семантичного шару. Як агенти штучного інтелекту починають приймати рішення автономно, наскільки критично стає семантичне узгодження для запобігання неправильним діям або галюцинованій бізнес-логіці?

Семантичне узгодження стає абсолютно критичним. Якщо одна система визначає “клієнта”, “доход”, “ризику” або “відхід” інакше, ніж інша, агент штучного інтелекту може виробити технічно правдоподібну відповідь, яка все одно неправильна для даного бізнес-контексту. Універсальний семантичний шар допомагає забезпечити, що агенти діють з послідовним бізнес-значенням, а не тільки з суровим доступом до даних.

Ваша сесія на AI & Big Data Expo була зосереджена на переході від пілотних проєктів штучного інтелекту до виробництва. За вашим досвідом, які є найбільші причини, через які підприємства застряють у “пілотній фазі” та не можуть масштабувати штучний інтелект у реальні оперативні системи?

Пілотні проєкти часто працюють, оскільки вони вузькі, вручну кураторські та ізольовані від повної складності підприємства. Проєкти штучного інтелекту у виробництві повинні мати справу з живими даними з багатьох джерел, безпекою, керуванням, продуктивністю, аудитністю, зміною бізнес-правил та інтеграцією у реальні робочі процеси. Багато організацій застряють, оскільки вони будують вражаючий демонстраційний проєкт, але не керований фундамент даних, необхідний для надійного функціонування штучного інтелекту у масштабі.

Звіт цитує прогнози, згідно з якими значна частина проєктів агентського штучного інтелекту може бути скасована протягом найближчих років через зростання витрат, невизначеність цінності або недостатню контроль ризику. Чи думаєте ви, що галузь вступає у фазу, коли підприємства стануть значно більш вибірковими щодо проєктів штучного інтелекту, які виживуть?

Так, і я думаю, що це здорово. Перша хвиля експериментів зі штучним інтелектом була пов’язана з можливістю; наступна хвиля буде пов’язана з операційною цінністю, дисципліною витрат та довірою. Проєкти, які виживуть, будуть тими, які пов’язані з вимірюваними бізнес-результатами та підтримуються правильними даними, керуванням та архітектурою.

Безпека та керування з’являються по всьому звіті як повторювані теми, особливо навколо “огорож” для агентського штучного інтелекту. Як організації повинні балансувати автономні можливості штучного інтелекту з необхідністю суворого контролю доступу та аудитності?

Ключем є не ставити керування як щось, що прикріплюється після побудови системи штучного інтелекту. Контроль доступу, виконання політики, походження та аудитність повинні бути вбудовані в сам шар доступу до даних, щоб агенти штучного інтелекту бачили та використовували тільки ті дані, до яких вони мають право доступу. З Denodo ті самі політики керування можуть бути застосовані послідовно по розподіленому джерелам, що є важливим, коли штучний інтелект працює в гібридних та мультихмарних середовищах.

Denodo позиціонує логічне управління даними як спосіб уніфікувати доступ по гібридним та мультихмарним середовищам без постійного переміщення даних. Як підприємства все частіше приймають архітектури штучного інтелекту на основі витягування, чи бачите ви “безкопійну” або логічно-орієнтовану архітектуру як довгостроковий напрямок для підприємства штучного інтелекту?

Так. Архітектури штучного інтелекту на основі витягування залежать від отримання правильних даних у правильний час, а не обов’язкового переміщення кожного набору даних у єдине сховище заздалегідь. Логічно-орієнтований, безкопійний підхід значно краще узгоджується з тим, як підприємства насправді працюють: дані залишаються розподіленими, але штучний інтелект може отримувати до них доступ через керований, семантичний, реальний шар. Це напрям, у якому, на мою думку, підприємство штучного інтелекту повинно рухатися.

Оглядаючи найближні три-п’ять років, що, на вашу думку, відокремить організації, які успішно операціоналізують довірчий штучний інтелект, від тих, які залишаються в режимі експериментів?

Переможці будуть організаціями, які визнають, що штучний інтелект не тільки стратегія моделі; це стратегія даних, стратегія керування та операційна модель стратегії. Вони інвестуватимуть у живий доступ до даних, семантичну узгодженість, повторне керування, і архітектури, які можуть охопити все підприємство. Ті, хто продовжує будувати ізольовані пілотні проєкти на фрагментованих або застарілих даних, будуть боротися з переходом за межі експериментів.

Дякую за велике інтерв’ю, читачам, які бажають дізнатися більше, слід відвідати Denodo або завантажити звіт Denodo про розрив довіри штучного інтелекту AI Trust Gap Report