Розблокування останньої милі корпоративного штучного інтелекту за допомогою федеративної, даних-рівневої інтелектуальності

Корпоративне впровадження штучного інтелекту поширене в амбіціях та нерівномірне у виконанні. По всім галузям організації експериментують з машинним навчанням та генеративними моделями, тренують команди та розгортають інструменти штучного інтелекту в обмежених робочих процесах. Однак лише мала кількість підприємств дозволяє системам штучного інтелекту впливати на реальні оперативні рішення. Основним обмеженням є не продуктивність моделі, а довіра до даних, які інформують ці рішення.

Корпоративні дані фрагментовані, чутливі та керуються під широким спектром обмежень. Критичні сигнали знаходяться по всім аналітичним платформам, оперативним системам, регульованим середовищам, екосистемам партнерів та потоковим джерелам. Багато з цих даних не можуть бути вільно скопійовані або централізовані без збільшення ризику безпеки або порушення вимог з відповідності. В результаті багато ініціатив штучного інтелекту залишаються обмежені пілотними проектами, аналізом та допоміжними випадками використання, з обмеженим впливом на бізнес-стратегію або рішення, які забезпечують вимірюваний вплив.

Ця прогалина між експериментом та впливом часто описується як остання миля корпоративного штучного інтелекту. Вона відображає ширшу архітектурну проблему: забезпечення роботи штучного інтелекту в безпечному режимі по всьому корпоративному ландшафту даних, а не лише на частині, яка є найлегше доступною.

Корпоративні дані розподілені за проектом

Сучасні підприємства працюють в складному та розподіленому середовищі даних. Сховища та озера даних підтримують аналіз та звітність, тоді як оперативні системи керують транзакціями, логістикою та взаємодією з клієнтами. Окремі середовища генерують часозалежні сигнали, а регульовані системи забезпечують суворі контролю над чутливою інформацією. Дані партнерів та екосистеми додають подальшу складність.

Ці системи були розроблені для задоволення різних оперативних, регуляторних та продуктивних вимог. В результаті корпоративні дані розподілені за необхідністю, а не випадково. Спроби консолідувати всі дані в одну платформу часто вводять затримку, дублікацію, нагляд за керуванням та ризик безпеки.

Наслідком є те, що системи штучного інтелекту часто тренуються та оцінюються на часткових представленнях корпоративної реальності. Хоча ці моделі можуть добре працювати в контрольованих умовах, їхнє корисність знижується, коли вони застосовуються до реальних оперативних рішень, які залежать від широкого набору сигналів.

Довіра виникає з доступу, керування та контролю

Довіра до корпоративного штучного інтелекту розвивається, коли організації мають впевненість у тому, як дані доступні, керуються та використовуються. Persons, які приймають рішення, очікують, що системи штучного інтелекту відображають поточні оперативні умови, поважають вимоги безпеки та приватності та працюють у встановлених рамках керування.

На практиці ці очікування є важкими для виконання, коли доступ до даних обмежений центральними або санітарними підмножинами. Чутливі атрибути, регульовані записи та потокові сигнали часто виключаються, що знижує актуальність виводів штучного інтелекту. З часом це обмежує організаційну довіру до рекомендацій, заснованих на штучному інтелекті.

Дослідження аналітиків підтримує цей шаблон. Хоча експериментування зі штучним інтелектом є поширеним, організації часто називають готовність даних, зрілість керування та обмеження безпеки як причини, чому ініціативи штучного інтелекту не можуть просунутися далі обмеженого розгортання.

Для того, щоб штучний інтелект став довіреним учасником корпоративного прийняття рішень, він повинен能够 взаємодіяти з усіма відповідними даними під відповідним контролем, а не працювати на обмеженій підмножині.

Федеративна архітектура дозволяє штучному інтелекту досягти всіх корпоративних даних

Федеративна архітектура вирішує цю проблему, узгоджуючи виконання штучного інтелекту з розподіленим характером корпоративних даних. Замість переміщення даних у центральну систему федеративні підходи дозволяють обчисленням працювати безпосередньо в існуючих середовищах.

У федеративній моделі дані залишаються під місцевим володінням та керуванням. Політики застосовуються там, де знаходяться дані, а робочі процеси штучного інтелекту виконуються на місці. Цей підхід знижує непотрібне переміщення даних, зберігає суверенітет даних та дозволяє системам штучного інтелекту взаємодіяти з широким спектром корпоративних сигналів.

Федеративні архітектури все частіше визнаються практичним відповіддю на обмеження централізованих систем штучного інтелекту. Gartner підкреслює федеративний аналіз як шаблон для забезпечення взаємодії та обміну інформацією між напівавтономними доменами даних, підтримки децентралізованого керування та володіння доменом, а також підтримки стандартизації на рівні підприємства. Аналіз галузі ще більше підкреслює, що федеративні підходи узгоджуються з розподіленим середовищем даних, зберігаючи місцевий контроль, керування та безпеку, а також забезпечуючи ширший доступ до штучного інтелекту.

Федеративне навчання ілюструє цей принцип у дії, дозволяючи спільне тренування моделей по всім децентралізованим наборам даних без обміну сирими даними. Хоча це представляє лише один конкретний метод, воно демонструє, як інтелект може бути отриманий по всім середовищам, поважаючи місцевий контроль.

Ширше, федеративна архітектура встановлює основу для систем штучного інтелекту, щоб працювати по всім корпоративним даним, включаючи аналітичні, оперативні, регульовані та потокові, без компрометації керування.

Безпека на рівні даних робить федерацію оперативно життєздатною

Федеративне виконання розширює діапазон штучного інтелекту, тоді як безпека на рівні даних забезпечує, що цей діапазон залишається контрольованим. Коли системи штучного інтелекту взаємодіють з даними безперервно та по доменам, безпека та керування повинні працювати на рівні точності, який відповідає чутливості даних.

Безпека на рівні даних застосовує політики на рівні окремих елементів даних, а не залежить виключно від системних або ролевих контролю. Це дозволяє робочим процесам штучного інтелекту доступ до дозволених атрибутів, тоді як чутливі поля залишаються захищеними, навіть у рамках одного набору даних.

Забезпечуючи безпеку безпосередньо у використанні даних, організації можуть застосовувати штучний інтелект по всім середовищам з різною чутливістю, знижуючи ризик та зберігаючи відповідність. Дослідження галузі, включаючи аналіз Deloitte про бар’єри впровадження штучного інтелекту, підкреслює, що керування повинно працювати безперервно по всьому життєвому циклу штучного інтелекту, коли системи наближаються до впливу на оперативне прийняття рішень.

Від часткової видимості до корпоративної інтелектуальності

Перспектива корпоративного штучного інтелекту полягає в його здатності включати всі відповідні дані, а не лише ті, які є зручними для доступу. Федеративні архітектури, поєднані з безпекою на рівні даних, дозволяють системам штучного інтелекту працювати по всьому корпоративному активу даних, зберігаючи довіру, відповідність та контроль.

Цей підхід дозволяє організаціям:

• Включити оперативні та потокові сигнали у робочі процеси штучного інтелекту
• Поважати регуляторні та контрактні кордони
• Знизити дублікацію та ризик безпеки
• Зберігати постійне керування по всім середовищам

Когда можливості штучного інтелекту продовжують розвиватися, архітектурні рішення щодо доступу до даних та безпеки будуть відігравати все більш вирішальну роль у визначенні корпоративних результатів.

Проєктування штучного інтелекту для підприємства, яке існує

Корпоративний штучний інтелект успішний, коли він відображає оперативну реальність. Дані розподілені, керування нюансироване, а очікування безпеки високі. Федеративні, даних-орієнтовані архітектури визнають ці умови та забезпечують шлях для штучного інтелекту, щоб рухатися за межі обмеженого експериментування.

Дозволяючи штучному інтелекту працювати там, де живуть дані, та застосовуючи контроль на рівні даних, організації можуть розширити інтелект по всьому своєму ландшафту даних. Ця зміна перетворює штучний інтелект з аналітичної допомоги на довіреного учасника прийняття рішень.

Остання миля досягається, коли штучний інтелект може безпечно та відповідально взаємодіяти з усіма корпоративними даними, де б вони не знаходилися.