Онур Альп Сонер, генеральний директор і співзасновник Countly – Серія інтерв’ю

Онур Альп Сонер – співзасновник і генеральний директор Countly, цифрової аналітичної та платформи для взаємодії з додатками. Як технолог і самозасновник, він створив Countly з нуля, щоб дати компаніям більше контролю над тим, як вони розуміють і взаємодіють зі своїми користувачами. Під його керівництвом Countly перетворився на довірену платформу для підприємств усьому світі, які хочуть швидко інновувати, зберігаючи конфіденційність користувачів у центрі своїх стратегій зростання.

Віднесіть нас назад до моменту, який призвів вас до заснування Countly – що саме ви особисто зустрічали з існуючими інструментами аналітики, що переконало вас, що модель власності даних фундаментально пошкоджена?

Близько 13 років тому, коли мобільні додатки тільки починали з’являтися, інструменти аналітики, які були доступні, слідували певній моделі. Багато з них були безкоштовними або досить дешевими, але компроміс полягав у тому, що платформа збирає і монетизує ваші дані, часто підгодовуючи їх у рекламні екосистеми. На той час це було широко прийнято як нормальний спосіб роботи.

Але це не сиділо з нами. Навіть як маленька компанія, ідея передачі всіх наших даних користувачів просто для розуміння того, як працює наш продукт, не мала сенсу.

Countly розпочався як відповідь на це. Ми хотіли побудувати аналітику, яку компанії могли б повністю володіти і контролювати, тому ми запустили її як відкриту, самохостовану платформу. Ідея була простою: організації повинні бути здатні зрозуміти і діяти на свої дані без передачі їх.

Від моменту заснування Countly, AI змусив власність даних перейти від нишевого питання до стратегічної вимоги. Коли стало зрозуміло вам, що цей принцип матиме значення далеко за межами аналітики?

На початку більшість розмов про власність даних проводилися через приватність або відповідність вимогам. Це були в основному банки, постачальники медичних послуг та уряди, які глибоко турбувалися про те, де жили їхні дані та хто ними керував. Для багатьох інших аналітика все ще розглядалася як простий інструмент звітності, тому питання власності не здавалося терміновим.

Ця перспектива почала змінюватися, коли компанії почали більше покладатися на дані для керування своїми продуктами, а не просто вимірювати їх. Як тільки аналітика перейшла від звітності до прийняття рішень, забезпечення персоналізації, змін продукту та взаємодії з клієнтами, важливість контролю над цими даними стала більш очевидною. Кожна цифрово-орієнтована компанія, від мобільності до гостинності, фактично почала конкурувати на даних, а не просто на своєму інтерфейсі.

AI прискорив це розуміння драматично. Ви можете ліцензувати або побудувати модель AI, але ви не можете купити поведінкові дані, які відображають, як ваші клієнти взаємодіють з вашим продуктом. Ці дані унікальні для кожної організації.

Багато організацій вважають, що вони готові до AI, оскільки мають великі об’єми даних. Що зазвичай відсутнє під поверхнею, якщо дивитися всередину реальних компаній?

Недостатність даних зазвичай не є проблемою. Реальна проблема полягає в відсутності використовних даних. Багато організацій мають величезні об’єми інформації, але вони роздрібнені по різних інструментах, командам і системам. Наприклад, маркетинг може мати один набір даних, продукт – інший, а інженерія – свою власну телеметрію, часто зберігається в різних форматах з мало спільною структурою.

Для того, щоб AI був корисним, дані під ним повинні бути чистими, узгодженими та контекстними. Не достатньо просто зібрати події або журнали; вам потрібно зрозуміти, що ці сигнали насправді представляють. Без цього семантичного шару системи AI фактично тільки здогадуються.

Іншою проблемою є власність. Дивовижна кількість компаній насправді не контролюють свої власні дані, оскільки вони знаходяться всередині платформ третіх сторін. Це робить складно поєднувати набори даних, керувати тим, як вони використовуються, або безпечно застосовувати моделі AI до них.

Тому, коли компанії кажуть, що вони готові до AI, оскільки мають великі об’єми даних, реальне питання полягає в тому, чи мають вони спроможну основу даних.

Чому перша партія даних створює тривалу конкурентну перевагу в системах AI, тоді як самі моделі стають все більш взаємозамінними?

Те, що створює тривалу перевагу, – це не модель сама по собі, а розуміння користувачів, яке отримується з першої партії даних. Ці дані відображають, як люди фактично взаємодіють з вашим продуктом, і вони унікальні для кожної організації. Моделі, з іншого боку, стають все більш товарними. Ви можете ліцензувати їх, налаштувати або перемикатися між постачальниками відносно легко. Те, чого ви не можете відтворити, – це поведінкові дані, згенеровані вашими власними користувачами під час взаємодії з вашими продуктами з часом.

Ці дані захоплюють закономірності, контекст і сигнали, які відображають, як клієнти фактично поводяться. Коли вони структуровані і зрозумілі правильно, вони дозволяють компаніям будувати системи, які безперервно вчаться з реального використання, а не з загальних наборів даних.

Де сучасні аналітичні стеки тихо ламаються, коли їх перепрофільовують для систем AI замість звітності, панелей управління та КСП?

Вони схильні ламатися в точці, де дані повинні перейти від спостереження до дії. Традиційні аналітичні стеки були спроектовані в основному для звітності. Вони збирають і агрегують дані, потім представляють їх у панелях, які допомагають командам зрозуміти, що відбулося вчора або минулого тижня.

Системи AI, однак, працюють зовсім по-іншому. їм потрібні дані, які структуровані, контекстні та доступні в реальному часі, щоб вони могли безпосередньо впливати на поведінку системи. Коли аналітичні трубопроводи будуються навколо пакетної обробки та відкладеної звітності, їм складно підтримувати системи, які повинні реагувати миттєво.

Як відсутність справжньої власності даних проявляється операційно, коли команди намагаються перейти AI з експериментів у виробництво?

Зазвичай це проявляється як проблема контролю. В кінцевому підсумку, якщо у вас немає контролю над вашими даними, у вас немає контролю над вашим AI. Це стає особливо очевидним, коли команди переходять від експериментів до виробництва. Під час експериментів команди можуть часто працювати з малими наборами даних або тимчасовими трубопроводами, але системи виробництва вимагають постійного доступу до надійних даних по всій організації.

Тоді в багатьох компаніях основні дані розташовані по різних платформах третіх сторін, таких як інструменти аналітики, маркетингові системи або хмарні служби. Це робить складно поєднувати набори даних, застосовувати правила керування або переміщувати дані між системами у контрольований спосіб. Це одна з причин, чому багато проєктів AI залишаються в пілотних фазах. Без структурованих, організаційних даних складно розгорнути AI надійно у виробництві.

Це також робить складніше відстежувати, як модель прийшла до рішення, або відтворити точний стан даних за ним. Без цього рівня контролю виправлення помилок або відкат рішення стає дуже складним.

Чому погана структура даних, семантика та контекст підважують навіть найздатніші моделі AI?

Навіть найздатніші моделі AI є тільки так добрі, як дані, які вони отримують. Якщо основні дані погано структуровані або позбавлені контексту, модель має дуже мало розуміння того, що ці сигнали насправді представляють.

У багатьох системах дані збираються як ізольовані події або журнали без явного значення, прикріпленого до них. Модель може бачити тисячі взаємодій, але без належної структури та семантики вона не може розрізняти, що важливо, а що просто шум.

Контекст також важливий. Системи AI повинні розуміти, як різні частини даних пов’язані одна з одною з часом. Без цього контексту моделі можуть все ще виробляти виводи, але вони часто ненадійні, оскільки система працює з неповною інформацією.

Які попереджувальні знаки вказують на те, що компанія рухається до генеричних результатів AI ще до того, як ці досвіди почнуть відчуватися генеричними для клієнтів?

Найбазовішим попереджувальним знаком є те, коли компанії покладаються на зовнішні моделі AI та інструменти, але роблять дуже мало для розвитку своєї власної основи даних. Якщо організації використовують одні й ті самі моделі, але не годують їх своїми власними даними користувачів та контексту, системи фактично працюють з одними й тими самими генеричними вхідними даними. У такій ситуації AI може виробляти тільки високорівневі або генеричні результати. З часом це призводить до продуктів, які відчуваються все більш схожими, оскільки інтелект за ними побудований на одних і тих самих обмежених відомостях.

Іншим попереджувальним знаком є те, коли організації фокусуються сильно на прийнятті моделей AI, але приділяють мало уваги структури та якості своїх даних. AI посилює те, що воно отримує. Якщо основні дані нечіткі, роздрібнені або погано структуровані, система просто виробляє більш складну версію однієї й тієї самої проблеми.

Для організацій, які намагаються побудувати AI на основі своїх власних даних, що саме Countly дозволяє, чого традиційна аналітика та платформи даних не дозволяють?

Ключова різниця полягає в тому, як контроль закладений у платформу. У багатьох продуктах аналітики власність даних являється варіантом або функцією. З Countly вона сидить у центрі системи. Платформа була спроектована так, щоб організації не мали Tradable контролю над своїми даними за передові функції.

На практиці це означає, що компанії можуть запускати Countly у своїй власній середовищі, підтримувати повний контроль над своїм стеком даних та все ще отримувати доступ до аналітики, взаємодії та автоматизації на великомасштабному рівні. Це стає особливо важливим, коли організації хочуть побудувати AI на основі своїх власних даних. Багато традиційних інструментів аналітики побудовані в основному для звітності, що означає, що дані, які вони збирають, часто залишаються всередині панелей третіх сторін, а не стають використовуваною основою для інших систем. Countly підходить до цього інакше, розглядаючи аналітику як частину основної інфраструктури даних.

Як повинно еволюціонувати визначення етичного AI, коли власність даних розглядається як основний принцип дизайну, а не просто пункт політики?

Як тільки власність даних стає принципом дизайну, етичний AI вже не про аудит моделей після факту – це про проектування систем, де користувачі зберігають агентство над даними, які тренують їх. Етика стає інфраструктурою.

Дякуємо за велике інтерв’ю, читачам, які бажають дізнатися більше, слід відвідати Countly.