Onur Alp Soner, CEO và Đồng sáng lập của Countly – Loạt phỏng vấn

Onur Alp Soner là đồng sáng lập và CEO của Countly, một nền tảng phân tích kỹ thuật số và tương tác trong ứng dụng. Là một nhà công nghệ và người tự khởi nghiệp, ông đã xây dựng Countly từ đầu lên để giúp các công ty có nhiều quyền kiểm soát hơn cách họ hiểu và tương tác với người dùng của mình. Dưới sự lãnh đạo của ông, Countly đã phát triển thành một nền tảng đáng tin cậy cho các doanh nghiệp trên toàn thế giới muốn đổi mới nhanh chóng trong khi giữ quyền riêng tư của người dùng ở trung tâm của chiến lược tăng trưởng của họ.

Hãy đưa chúng tôi trở lại khoảnh khắc dẫn bạn đến việc thành lập Countly — điều gì bạn gặp phải với các công cụ phân tích hiện có khiến bạn tin rằng mô hình sở hữu dữ liệu bị hỏng?

Khoảng 13 năm trước, khi các ứng dụng di động bắt đầu phát triển, các công cụ phân tích có sẵn tuân theo một mô hình cụ thể. Nhiều trong số chúng là miễn phí hoặc tương đối rẻ, nhưng sự đánh đổi là nền tảng thu thập và kiếm tiền từ dữ liệu của bạn, thường đưa nó vào các hệ sinh thái quảng cáo. Tại thời điểm đó, điều đó được chấp nhận rộng rãi là cách mọi thứ hoạt động bình thường.

Tuy nhiên, điều đó không phù hợp với chúng tôi. Ngay cả khi là một công ty nhỏ, ý tưởng giao tất cả dữ liệu người dùng của chúng tôi chỉ để hiểu cách sản phẩm của chúng tôi hoạt động không có ý nghĩa.

Countly bắt đầu như một phản ứng với điều đó. Chúng tôi muốn xây dựng phân tích mà các công ty có thể sở hữu và kiểm soát hoàn toàn, đó là lý do tại sao chúng tôi ra mắt nó như một nền tảng mã nguồn mở, tự lưu trữ. Ý tưởng đơn giản: các tổ chức nên có thể hiểu và hành động trên dữ liệu của họ mà không cần giao nó cho người khác. Nguyên tắc đó vẫn là cốt lõi của Countly ngày nay.

Kể từ khi thành lập Countly, AI đã đẩy sở hữu dữ liệu từ một mối quan tâm hẹp đến một yêu cầu chiến lược. Khi nào bạn nhận ra rằng nguyên tắc này sẽ quan trọng vượt xa phân tích?

Vào những năm đầu, hầu hết các cuộc trò chuyện về sở hữu dữ liệu được định hình thông qua quyền riêng tư hoặc tuân thủ. Đó chủ yếu là các ngân hàng, nhà cung cấp dịch vụ chăm sóc sức khỏe và chính phủ quan tâm sâu sắc đến nơi dữ liệu của họ sống và ai kiểm soát nó. Đối với nhiều người khác, phân tích vẫn được coi là một công cụ báo cáo đơn giản, vì vậy câu hỏi về quyền sở hữu không cảm thấy cấp thiết.

Quan điểm đó bắt đầu thay đổi khi các công ty bắt đầu dựa nhiều hơn vào dữ liệu để vận hành sản phẩm của họ, không chỉ đo lường chúng. Một khi phân tích chuyển từ báo cáo sang ra quyết định, cung cấp khả năng cá nhân hóa, thay đổi sản phẩm và tương tác với khách hàng, tầm quan trọng của việc kiểm soát dữ liệu đó trở nên rõ ràng hơn. Mỗi công ty số một, từ di chuyển đến khách sạn, hiệu quả cạnh tranh trên dữ liệu, không chỉ trên trải nghiệm phía trước.

AI đã tăng tốc sự nhận thức đó một cách đáng kể. Bạn có thể cấp phép hoặc xây dựng một mô hình AI, nhưng bạn không thể mua dữ liệu hành vi phản ánh cách khách hàng của bạn tương tác với sản phẩm của bạn. Dữ liệu đó là duy nhất đối với mỗi tổ chức.

Nhiều tổ chức tin rằng họ đã sẵn sàng cho AI vì họ có một lượng lớn dữ liệu. Từ những gì bạn thấy trong các công ty thực tế, điều gì thường thiếu bên dưới bề mặt?

Thiếu dữ liệu thường không phải là vấn đề. Vấn đề thực sự là thiếu dữ liệu có thể sử dụng. Nhiều tổ chức có một lượng lớn thông tin, nhưng nó bị phân mảnh trên các công cụ, nhóm và hệ thống khác nhau. Ví dụ, tiếp thị có thể có một tập dữ liệu, sản phẩm khác và kỹ thuật có telemetry riêng, thường được lưu trữ ở các định dạng khác nhau với rất ít cấu trúc được chia sẻ.

Để AI có ích, dữ liệu bên dưới cần phải sạch, nhất quán và có ngữ cảnh. Không đủ để thu thập sự kiện hoặc nhật ký; bạn cần hiểu những tín hiệu đó thực sự đại diện cho điều gì. Không có lớp ngữ nghĩa đó, hệ thống AI cơ bản là đoán.

Một vấn đề khác là quyền sở hữu. Một số lượng đáng ngạc nhiên các công ty không thực sự kiểm soát dữ liệu của riêng họ vì nó nằm trong các nền tảng của bên thứ ba. Điều đó khiến việc kết hợp các tập dữ liệu, quản lý cách chúng được sử dụng hoặc áp dụng an toàn các mô hình AI vào chúng trở nên khó khăn.

Vì vậy, khi các công ty nói rằng họ đã sẵn sàng cho AI vì họ có nhiều dữ liệu, câu hỏi thực sự là liệu họ có một nền tảng dữ liệu hợp lý hay không.

Tại sao dữ liệu đầu tiên tạo ra lợi thế cạnh tranh bền vững trong các hệ thống AI trong khi các mô hình chính nó trở nên có thể thay thế?

Điều tạo ra lợi thế bền vững không phải là mô hình chính nó, mà là sự hiểu biết về người dùng mà đến từ dữ liệu đầu tiên. Dữ liệu đó phản ánh cách người dùng thực sự tương tác với sản phẩm của bạn, và nó là duy nhất đối với mỗi tổ chức. Các mô hình, mặt khác, ngày càng trở thành hàng hóa. Bạn có thể cấp phép chúng, tinh chỉnh chúng hoặc chuyển đổi giữa các nhà cung cấp khá dễ dàng. Điều bạn không thể sao chép là dữ liệu hành vi được tạo ra bởi người dùng của riêng bạn tương tác với sản phẩm của bạn theo thời gian.

Đó là dữ liệu nắm bắt các mẫu, ngữ cảnh và tín hiệu phản ánh cách khách hàng thực sự hành động. Khi nó được cấu trúc và hiểu đúng, nó cho phép các công ty xây dựng các hệ thống học hỏi liên tục từ việc sử dụng thực tế chứ không phải từ các tập dữ liệu chung chung.

Ở đâu các ngăn xếp phân tích hiện đại thường bị phá vỡ khi chúng được sử dụng lại cho các hệ thống AI thay vì báo cáo, bảng điều khiển và KPI?

Chúng thường bị phá vỡ tại điểm mà dữ liệu cần di chuyển từ quan sát đến hành động. Các ngăn xếp phân tích truyền thống được thiết kế chủ yếu cho báo cáo. Chúng thu thập và tổng hợp dữ liệu, sau đó trình bày nó trong các bảng điều khiển giúp các nhóm hiểu những gì đã xảy ra vào ngày hôm qua hoặc tuần trước.

Các hệ thống AI, tuy nhiên, hoạt động rất khác. Chúng yêu cầu dữ liệu được cấu trúc, có ngữ cảnh và có sẵn trong thời gian thực để nó có thể trực tiếp ảnh hưởng đến cách một hệ thống hành xử. Khi các đường ống phân tích được xây dựng xung quanh xử lý批 và báo cáo chậm, chúng gặp khó khăn trong việc hỗ trợ các hệ thống cần phản ứng ngay lập tức.

Làm thế nào thiếu quyền sở hữu dữ liệu thực sự thể hiện khi các nhóm cố gắng di chuyển AI từ thí nghiệm sang sản xuất?

Nó thường xuất hiện như một vấn đề kiểm soát. Cuối cùng, nếu bạn không có quyền kiểm soát dữ liệu của mình, bạn sẽ không có quyền kiểm soát AI của mình. Điều này trở nên rõ ràng đặc biệt khi các nhóm chuyển từ thí nghiệm sang sản xuất. Trong thí nghiệm, các nhóm có thể làm việc với các tập dữ liệu nhỏ hoặc các đường ống tạm thời, nhưng các hệ thống sản xuất yêu cầu truy cập nhất quán vào dữ liệu đáng tin cậy trên toàn tổ chức.

Sau đó, trong nhiều công ty, dữ liệu cơ bản nằm trên các nền tảng của bên thứ ba, chẳng hạn như công cụ phân tích, hệ thống tiếp thị hoặc dịch vụ đám mây. Điều đó khiến việc kết hợp các tập dữ liệu, áp dụng các quy tắc quản lý hoặc di chuyển dữ liệu giữa các hệ thống theo cách được kiểm soát trở nên khó khăn. Đây là một lý do tại sao nhiều dự án AI vẫn còn trong các giai đoạn thí điểm. Không có dữ liệu được cấu trúc trên toàn tổ chức, việc triển khai AI một cách đáng tin cậy trong sản xuất trở nên khó khăn.

Nó cũng làm cho việc theo dõi cách một mô hình đạt được quyết định hoặc tái tạo trạng thái dữ liệu chính xác đằng sau nó trở nên cực kỳ khó khăn. Không có mức độ kiểm soát đó, việc sửa lỗi hoặc quay lại quyết định trở nên rất khó khăn.

Tại sao cấu trúc dữ liệu kém, ngữ nghĩa và ngữ cảnh làm suy yếu thậm chí các mô hình AI có khả năng nhất?

Ngay cả các mô hình AI có khả năng nhất cũng chỉ tốt như dữ liệu chúng nhận được. Nếu dữ liệu cơ bản bị cấu trúc kém hoặc thiếu ngữ cảnh, mô hình có rất ít hiểu biết về những tín hiệu đó thực sự đại diện cho điều gì.

Trong nhiều hệ thống, dữ liệu được thu thập dưới dạng các sự kiện hoặc nhật ký bị cô lập mà không có ý nghĩa rõ ràng được gắn vào chúng. Một mô hình có thể nhìn thấy hàng nghìn tương tác, nhưng không có cấu trúc và ngữ nghĩa phù hợp, nó không thể phân biệt giữa những gì quan trọng và những gì chỉ là tiếng ồn.

Ngữ cảnh cũng quan trọng như nhau. Các hệ thống AI cần hiểu cách các mảnh dữ liệu khác nhau liên quan đến nhau theo thời gian. Không có ngữ cảnh đó, các mô hình có thể vẫn sản xuất đầu ra, nhưng chúng thường không đáng tin cậy vì hệ thống đang làm việc với thông tin không đầy đủ.

Các dấu hiệu cảnh báo nào cho thấy một công ty đang đi tới các kết quả AI chung chung lâu trước khi những trải nghiệm đó cảm thấy chung chung đối với khách hàng?

Dấu hiệu cảnh báo cơ bản nhất là khi các công ty dựa vào các mô hình AI và công cụ bên ngoài nhưng làm rất ít để phát triển nền tảng dữ liệu của riêng họ. Nếu các tổ chức sử dụng các mô hình giống nhau nhưng không cho chúng dữ liệu người dùng và ngữ cảnh của riêng họ, các hệ thống cơ bản đang làm việc từ các đầu vào chung chung. Trong tình huống đó, AI chỉ có thể sản xuất kết quả chung chung. Theo thời gian, điều này dẫn đến các sản phẩm cảm thấy ngày càng tương tự vì trí tuệ đằng sau chúng được xây dựng trên cùng thông tin hạn chế.

Một dấu hiệu cảnh báo khác là khi các tổ chức tập trung mạnh vào việc áp dụng các mô hình AI nhưng không chú ý đến cấu trúc và chất lượng dữ liệu của họ. AI khuếch đại những gì nó nhận được. Nếu dữ liệu cơ bản bị lộn xộn, phân mảnh hoặc cấu trúc kém, hệ thống sẽ chỉ sản xuất một phiên bản tinh vi hơn của cùng một vấn đề.

Đối với các tổ chức cố gắng xây dựng AI trên dữ liệu của riêng họ, Countly thực sự cho phép điều gì mà các nền tảng phân tích và dữ liệu truyền thống không?

Chìa khóa khác biệt là cách kiểm soát được tích hợp vào nền tảng. Trong nhiều sản phẩm phân tích, quyền sở hữu dữ liệu là một tùy chọn hoặc tính năng. Với Countly, nó nằm ở trung tâm của hệ thống. Nền tảng được thiết kế để các tổ chức không phải giao dịch kiểm soát dữ liệu của họ để có chức năng tiên tiến.

Trong thực tế, điều này có nghĩa là các công ty có thể chạy Countly trong môi trường của riêng họ, duy trì quyền kiểm soát đầy đủ đối với ngăn xếp dữ liệu của họ và vẫn tiếp cận các khả năng phân tích, tương tác và tự động hóa ở quy mô. Điều này trở nên đặc biệt quan trọng khi các tổ chức muốn xây dựng AI trên dữ liệu của riêng họ. Nhiều công cụ phân tích truyền thống được xây dựng chủ yếu cho báo cáo, điều đó có nghĩa là dữ liệu chúng thu thập thường ở lại trong các bảng điều khiển của bên thứ ba thay vì trở thành nền tảng có thể sử dụng cho các hệ thống khác. Countly tiếp cận theo cách khác bằng cách coi phân tích là một phần của cơ sở hạ tầng dữ liệu cơ bản.

Khi các hệ thống AI trở nên nhúng trong việc ra quyết định hàng ngày, định nghĩa về AI đạo đức nên phát triển như thế nào khi quyền sở hữu dữ liệu được coi là một nguyên tắc thiết kế cốt lõi thay vì một hộp kiểm tra chính sách?

Khi quyền sở hữu dữ liệu trở thành một nguyên tắc thiết kế, AI đạo đức không còn là về việc kiểm tra các mô hình sau khi thực tế – nó là về việc xây dựng các hệ thống nơi người dùng giữ được quyền đại diện cho dữ liệu đào tạo chúng. Đạo đức trở thành cơ sở hạ tầng.

Cảm ơn cuộc phỏng vấn tuyệt vời, độc giả muốn tìm hiểu thêm có thể truy cập Countly.