Сатхья АГ, Старший головний архітектор у Google – Серія інтерв’ю

Сатхья АГ є технологічним евангелістом, опублікованим автором “Стратегії гібридного та мультихмарного підприємства“, і Старшим головним архітектором у Google (Роздрібна стратегічна промисловість), з більш ніж 19-річним досвідом у сфері архітектури підприємства та штучного інтелекту. Глобальний мислитель, визнаний премією Top AI Influencer Award та премією Президента Google, він є автором книг “Стратегії гібридного та мультихмарного підприємства” і членом консультативної ради CAIO Circle. Він є членом Британського комп’ютерного товариства (FBCS), старшим членом IEEE та випускником програми Stanford LEAD. Як затребуваний спікер на AI Forward, Google Next та NRF, Сатхья також добровільно викладає штучний інтелект/машинне навчання дітям з малозабезпечених сімей.

Дисклеймер:Думки, висловлені нижче, та висловлені думки є особистими думками автора та не обов’язково відображають погляди, позиції чи думки його роботодавця чи будь-якої організації, з якою він пов’язаний.

Ви провели понад десятиліття в Oracle (ORCL ) перед переходом на посаду старшого архітектора у Google, де зараз працюєте з великими роздрібними підприємствами. Як змінився ваш погляд на штучний інтелект підприємства, коли компанії перейшли від традиційних проектів модернізації даних до ініціатив з генерації штучного інтелекту та агентського штучного інтелекту?

У дні Oracle, як архітектор підприємства, моя основна увага завжди була зосереджена на будівництві фундаментальних, висококомплексних систем, на яких організації залежать для ведення бізнесу. Ми вирішували масштабні проблеми інтеграції, керування та керування майстер-даними, щоб забезпечити підприємству єдине, високоеластичне джерело правди. Традиційна модернізація даних була фундаментально пасивним спостереженням, проектуванням семантичних шарів та трубопроводів даних, які доставляли довірені знання людям, які приймають рішення.

Еволюція генерації штучного інтелекту та агентського штучного інтелекту повністю змінила архітектурну парадигму з пасивного спостереження на автономну систему дії. Тепер лінза зсунулася до того, чи можемо ми дозволити системі виконувати дії від нашого імені (і, правильно, без нагляду), у масштабі. Це значно вищий рівень вимог до якості даних, контексту та контролю, оскільки тепер погане припущення про дані не тільки призводить до неправильного панеля, а й до неправильної дії. Агент, який неправильно інтерпретує дані про запаси, не тільки дезінформує когось, а й робить неправильний заказ.

Це місце, де сувора архітектура підприємства стає критичною та фундаментальною для систем штучного інтелекту. Щоб безпечно будувати автономні системи, нам потрібно безшовно зв’язати розрив між детермінованими системами підприємства та ймовірнісними системами штучного інтелекту. Архітектурні розмови, які я зараз веду, стосуються будівництва довірчої тканини даних, забезпечення того, щоб автономне висновування в реальному часі було обмежене суворим керуванням, надійною спостережливістю та тією ж транзакційною цілісністю, яку ми завжди вимагали від систем підприємства.

Ви стверджували, що багато проектів штучного інтелекту терплять невдачу не через модель, а через рішення щодо даних та архітектури, прийняті набагато раніше. Які найпоширеніші ранні архітектурні рішення, які тихо підважують проекти штучного інтелекту пізніше?

Одним з найпоширеніших є те, що компанії вважають склад або озеро єдиним джерелом правди, коли насправді це просто єдине місце призначення. Вони перекидають все в одне місце та припускають, що це розв’язує проблему “одної версії правди”, але це не так, це просто централізує розбіжність. Якщо три джерельні системи кожна визначає активного клієнта по-різному, перекидання їх у одне місце дає вам одну неправильну відповідь замість трьох.

Потім є пастка будівництва саме того, що перед вами. Трубопровід ідеально налаштовується для одного панеля, працює добре, а потім через шість місяців нова модель потребує тих самих даних швидше або свіжіше, і все треба розібрати, а не розширити.

І те, що завжди повертається, щоб укусити людей, це пропуск лінії та метаданих, оскільки це виглядає як накладні витрати, яких ніхто не просив. У нього немає оплати; поки день, коли хтось запитає, чому модель зробила певний виклик, і немає способу відстежити це. Це перетворюється на дорогий ремонт замість дешевого рішення про проєкт.

Коли ви працюєте з підприємствами Fortune 500, які сигнали вказують вам, чи підприємство真正но готове до масштабування штучного інтелекту за межі пілотних проектів?

Щиро, я зазвичай можу сказати це протягом перших кількох розмов. Різниця між організацією, яка експериментує зі штучним інтелектом, та тією, яка готова до операціоналізації його у масштабі підприємства, полягає у кількох ознаках. Зазвичай я шукаю готовність у трьох основних категоріях: Стратегічна переконаність, Бізнес-інтеграція та Операційна зрілість.

Ось, що сигналізує справжню готовність до масштабування:

1. Стратегічна узгодженість та переконаність виконавців

Чітка стратегія штучного інтелекту, а не просто заздрість штучному інтелекту: Лідерство організації демонструє справжню переконаність щодо своєї стратегії штучного інтелекту. Це легко помітити, запитавши кілька провідних питань про те, як штучний інтелект відображається на їхніх бізнес-цілях. Якщо вони можуть артикулювати точну бізнес-цінність (наприклад, зростання доходів, покращення маржі або досвід клієнта) замість того, щоб просто хотіти “використовувати генераційний штучний інтелект”, вони готові.

Виділені підприємства фонди: Вони перейшли за межі ізольованих бюджетів досліджень і розробок. Є виділений, міжфункціональний бюджет, призначений не тільки для проектів штучного інтелекту, але й для управління змінами, інфраструктури та постійного MLOps.

2. Призначення рішення та бізнес-інтеграція

Вирішення правильних проблем: Великий червоний прапор – плутання стандартної автоматизації робочого процесу або автоматизації робототехніки (RPA) зі штучним інтелектом і примусове встановлення штучного інтелекту просто для демонстрації прийняття штучного інтелекту раді. Готові організації розуміють особливу пропозицію цінності штучного інтелекту. Вони зосереджуються на випадках використання, де штучний інтелект пропонує парадигматичний зсув у можливостях, а не просто перевірку технологічної коробки на спадному процесі.

Володіння бізнес-одиницею: Це тиха ознака, але часто найбільша перепона для масштабування. Якщо збудження штучного інтелекту живе повністю в ізольованій “лабораторії інновацій” без жодної участі в бізнес-одиницях, пілотні проекти будуть провалені. Справжня готовність сигналізується, коли бізнес-стейкхолдери активно співрозробляють рішення та володіють кінцевим бізнес-результатом, а не кидають доказ концепції через стіну до операцій.

3. Операційна зрілість та керування

Участь безпеки та відповідності з перших днів: Відсутність участі команд безпеки та керування, або спроба ізолювати критичний випадок використання штучного інтелекту від них, щоб “переміститися швидше”, є рецептом для розгортання невдачі. Зрілі організації залучають InfoSec, юридичні та команди керування даними до столу в перший день. Вони розглядають ці команди як критичні засоби, які будують огорожі, необхідні для масштабування безпечно, а не перешкоди.

У кінцевому підсумі організації, які успішно масштабують штучний інтелект, розглядають його не як науково-дослідний експеримент IT, а як трансформаційну бізнес-капабілість з правильним спонсорством, правильними огорожами та правильною бізнес-узгодженністю.

Як виглядає фундаментальна база даних штучного інтелекту насправді, особливо для підприємств з фрагментованими даними по всьому ERP, CRM, комерції, хмарі та спадковим системам?

Більшість підприємств не мають проблеми з об’ємом даних, а мають проблему довіри до даних. Це те, що посилюється штучним інтелектом, накладеним зверху. Це менше про те, щоб мати нову платформу, і більше про те, щоб мати кілька непоказних властивостей, які зберігаються в системах.

Наприклад, той самий клієнт, продукт або магазин повинні бути визнані тим самим об’єктом, незалежно від того, чи знаходиться він у спадковій системі ERP, сучасній системі CRM чи платформі комерції. Якщо ваші системи не можуть погодитися щодо того, хто такий клієнт, ваші моделі персоналізації та прогнозування працюють на основі розбитих даних, що призводить до галюцинованої картини. Ви не можете передбачити клієнтську життєву цінність, якщо ваш штучний інтелект розглядає одного клієнта як трьох різних людей.

Друга, свіжість даних, яка відповідає рішенню, а не за замовчуванням того, що джерельна система просто робить. Нічні оновлення запасів підходять для довгострокового планування та безцінні для реального виконання; справжня база підтримує обидві швидкості без сплющування всього до найповільнішого.

Третє, шар лінії, який дозволяє відповісти на питання “відкуди взялося це число” за хвилини, а не за багаторазову розслідування. Більшість фрагментованих підприємств не бідні на дані, а бідні на шарі, який робить дані, які у них вже є, довірчими та відстежуваними. Це справжня база, а не будь-який інструмент, який прикріплений зверху.

Ви часто обговорюєте 5 V даних: Об’єм, Швидкість, Розмаїття, Довіра та Цінність. Який з них лідери підприємств зазвичай недооцінюють найбільше при підготовці даних для штучного інтелекту?

Довіра до даних, без сумніву, тісно слідує за нею Довіра до цінності.

Об’єм є даністю у сьогоднішньому екосистемі великих даних. Усіх топчуть у даних. Розмаїття та швидкість отримують бюджет, оскільки вони видимі на карті – нові джерела, трубопроводи та потокові джерела.

Довіра до даних є невидимою, поки це не коштує щось – зазвичай модель виробляє очевидний неправильний вивід, і хтось відстежує його до дублікатних записів клієнтів або поля, яке три команди заповнюють трьома різними способами.

Нарешті, цінність недооцінюється по-іншому – лідери припускають, що якщо дані існують, вони мають цінність, не запитуючи, чи вони дійсно рухають рішення. Більшість підприємств мають малий відсоток своїх даних, які роблять справжню роботу, і ніхто не відобразив, який саме відсоток.

У роздрібній торгівлі зокрема, випадки використання штучного інтелекту можуть охоплювати персоналізацію, прогнозування, запаси, ланцюжки поставок, обслуговування клієнтів та операції магазину. Де ви бачите найбільшу прогалину між амбіціями штучного інтелекту та готовністю даних?

Хоча амбіції штучного інтелекту розподілені рівномірно по всій роздрібній торгівлі, готовність даних сильно асиметрична.

Персоналізація та прогнозування мають найбільш розумну готовність – роздрібні торгівці збирають дані про транзакції та перегляд протягом років.

Більша прогалина знаходиться в ланцюжках поставок та омніканальних, особливо у зв’язку між онлайн- та фізичними магазинами. Омніканал надзвичайно складний, оскільки змушує роздрібця вирішувати дві з найскладніших проблем даних в реальному часі: уніфіковану ідентичність клієнта та рідинну інвентаризацію. Більшість роздрібців мають реальний час електронної комерції запасів, але тільки періодичні, іноді кінець дня, видимість рівня запасів магазину.

Обслуговування клієнтів та операції магазину ще знаходяться на початкових етапах. Амбіції високі, але основні операційні дані, тобто штат, виконання завдань, реальні умови магазину, часто є найменш оцифрованою частиною бізнесу. Амбіції розподілені рівномірно по всім випадкам використання; готовність не.

Як компанії повинні модернізувати спадкову інфраструктуру даних без порушення критичних систем, на які бізнес все ще залежить щодня?

Спадкові платформи даних часто страждають від операційних瓶еньків, серйозних проблем якості даних та організаційних обмежень масштабу. Найефективніший спосіб захисту щоденних операцій під час модернізації даних полягає в тому, щоб суворо уникати єдиного, високоризикового великого переходу. Основною метою модернізації платформи даних повинно бути те, щоб зробити дані явно більш корисними для організаційного прийняття рішень, а не розглядати зусилля як чисту заміну платформи IT.

Щоб задовольнити епоху штучного інтелекту, організації повинні прийняти архітектуру даних медалі та архітектуру даних. Ця стратегія створює структурований трубопровід, де дані уточнюються поступово від сирого до бізнес-готового, ефективно запобігаючи поганій якості даних від прийняття рішень. Роздільючи дані на окремі логічні шари, організації встановлюють чітку лінію, роблячи її простою для відстеження, як інформація трансформується з джерела до місця призначення.

Пакуючи перевірені дані в доступні продукти, організації надають своїм командам можливість приймати стратегічні, засновані на доказах рішення, а не покладатися на інтуїцію. Насамперед, цей підхід встановлює основу довіри до даних, необхідну для підприємства штучного інтелекту. Будівництво агентів штучного інтелекту на основі продуктів даних, перевірених та заснованих на фактах, забезпечує, щоб моделі навчалися з безпечних, точних даних, а не з брудних, неперевірених наборів даних.

Керування часто додається після того, як проект штучного інтелекту вже розпочато. Що змінюється, коли керування, приватність, безпека та якість даних розглядаються як архітектурні вимоги з першого дня?

Все рухається швидше, ламається менше та масштабується краще. З ймовірнісною природою генераційного штучного інтелекту керування є надзвичайно критичним, але все ж найменше розглянутим аспектом у багатьох організаціях.

Коли ви розглядаєте ці елементи як архітектурні вимоги з першого дня, а не як останню перевірку, ви переходите від контролю пошкоджень до швидкості. Ось, що змінюється:

По-перше, ви уникнете болісної фази “видалення та заміни”, коли повністю побудовані проекти штучного інтелекту скасовуються, оскільки вони порушують стандарти відповідності або приватності.

Далі, безпека та якість даних не прикріплені зверху; вони вбудовані в трубопровід. Ваші моделі працюють на надійних даних, що дають вивід, якому лідерство та користувачі довіряють.

Нарешті, замість того, щоб натикатися на регуляторну стіну при переході від концепції до виробництва, шлях до розгортання вже очищений та автоматизований.

У короткому, керування не є гальмом інновацій, а системою керування, яка дозволяє рухатися швидко та безпечно.

Як радник CAIO Circle, як ви думаєте, роль головного офіцера штучного інтелекту повинна розвиватися, і де повинні починатися та закінчуватися його обов’язки щодо CIO, CDO та лідерів бізнес-одиниць?

Бути частиною CAIO Circle було справжнім вікном у це, оскільки зараз роль знаходиться всюди, оскільки багато підприємств створили її реагуючи на гіп штучного інтелекту, а не заповнюючи чітку операційну прогалину. Я вважаю, що це швидко вирішиться. Щоб працювати ефективно, виконавчий розбив повинен бути чітким:

CIO володіє інфраструктурою та системною надійністю. CDO володіє даними як підприємством (його якість, керування та доступність). Головний офіцер штучного інтелекту володіє трансляційним шаром між сирим можливістю штучного інтелекту та справжніми бізнес-результатами.

Цей трансляційний шар означає прийняття явного володіння портфелем штучного інтелекту, визначення того, що будувати, ідентифікацію областей бізнесу, які можна покращити та обслужити за допомогою технології штучного інтелекту, та служіння ультимативною владою щодо того, де штучний інтелект повинен та не повинен бути розгорнутий.

Найбільша прогалина в більшості підприємств сьогодні полягає в оцінці ризиків та торгівлі цінностями між конкуруючими бізнес-одиницями. Блокування високоризикованої ініціативи штучного інтелекту, яку одна бізнес-одиниця бажає, вимагає когось, чиї стимули не пов’язані з короткостроковими цілями цієї одиниці, і хто технічно достатньо оцінити ризик безпосередньо. Це незалежний, технічно заснований охоронець, яким повинна стати роль головного офіцера штучного інтелекту.

Оглядаючи вперед, що відокремить компанії, які досягнуть довготривалої переваги штучного інтелекту, від тих, які просто експериментують з останніми інструментами штучного інтелекту?

Це не будуть ті, хто має доступ до найкращих моделей. Можливість моделі швидко зрівнюється, і сирі технології не залишаться тривалим диференціатором.

Натомість основна перевірка тривалого успіху штучного інтелекту – як внутрішнього, так і клієнтського – залежить від однієї речі: довіри.

Довіра прямо пропорційна здатності організації побудувати базу штучного інтелекту та середовище, в якому нові можливості можуть бути протестовані, розгорнуті безпечно та масштабовані з швидкістю. Конкретно, це вимагає трьох речей:

Надійна база даних: Чисті, довірчі дані, щоб кожен новий випадок використання не вимагав великого, одномоментного проекту очистки.

Гнучке керування: Процеси ризику та відповідності достатньо швидко, щоб тримати темп з тим, як швидко моделі штучного інтелекту еволюціонують.

Метрики, орієнтовані на результат: Організаційна культура, яка вимірює штучний інтелект за бізнес-цінністю, а не технічною складністю.

Компанії, які все ще будуть застрягнуті в “експериментальному режимі” через три роки, будуть тими, які ніколи не побудували цю базу – вони будуть продовжувати повторювати ті самі уроки про дані та керування на кожному окремому проєкті штучного інтелекту.

Переможці з довготривалою перевагою будуть тими, де десятий випадок використання штучного інтелекту стане драматично дешевшим та швидшим для розгортання, ніж перший, оскільки база була побудована правильно з першого разу.

Дякую за велике інтерв’ю, читачам також можна порекомендувати прочитати його книгу Стратегії гібридного та мультихмарного підприємства.