Sathya AG, Kiến trúc sư Chính tại Google – Loạt Phỏng vấn

Sathya AG là một nhà truyền bá công nghệ, tác giả của cuốn sách “Chiến lược Đám mây Hybrid và Multi-Cloud cấp Doanh nghiệp“, và Kiến trúc sư Chính tại Google (Ngành Công nghiệp Chiến lược Bán lẻ), với hơn 19 năm kinh nghiệm trong kiến trúc doanh nghiệp và trí tuệ nhân tạo. Là một nhà lãnh đạo tư tưởng toàn cầu được công nhận với Giải thưởng Người ảnh hưởng Trí tuệ nhân tạo hàng đầu và Giải thưởng của Tổng thống Google, ông là tác giả của cuốn sách Chiến lược Đám mây Hybrid và Multi-Cloud cấp Doanh nghiệp và là Thành viên Hội đồng Cố vấn cho CAIO Circle. Ông là Thành viên Hội đồng Anh (FBCS), Thành viên cao cấp của IEEE và cựu sinh viên Stanford LEAD. Là một diễn giả được săn đón tại AI Forward, Google Next và NRF, Sathya cũng tình nguyện dạy Trí tuệ nhân tạo/Máy học cho các cộng đồng không được phục vụ.

Thông báo: Các ý kiến được chia sẻ dưới đây và quan điểm được thể hiện là của tác giả và không nhất thiết phản ánh quan điểm, vị trí hoặc quan điểm của người sử dụng hoặc bất kỳ tổ chức nào mà họ liên kết.

Bạn đã dành hơn một thập kỷ tại Oracle (ORCL ) trước khi chuyển sang vai trò kiến trúc sư cấp cao tại Google, nơi bạn hiện đang làm việc với các doanh nghiệp bán lẻ lớn. Quan điểm của bạn về trí tuệ nhân tạo doanh nghiệp đã thay đổi như thế nào khi các công ty chuyển từ các dự án hiện đại hóa dữ liệu truyền thống sang các sáng kiến trí tuệ nhân tạo tạo sinh và chủ động?

Trong những ngày tại Oracle, với tư cách là kiến trúc sư doanh nghiệp, trọng tâm cốt lõi của tôi luôn là xây dựng các hệ thống phức tạp mà các tổ chức dựa vào để vận hành kinh doanh của họ. Chúng tôi đã giải quyết các thách thức tích hợp, quản trị và Quản lý Dữ liệu chính lớn để đảm bảo rằng doanh nghiệp có một nguồn thông tin duy nhất, mạnh mẽ và đáng tin cậy. Hiện đại hóa dữ liệu truyền thống cơ bản là về quan sát thụ động, thiết kế các lớp ngữ nghĩa và đường ống dữ liệu cung cấp thông tin đáng tin cậy cho người ra quyết định con người.

Sự tiến hóa của Trí tuệ nhân tạo Tạo sinh và Chủ động đã thay đổi hoàn toàn mô hình kiến trúc từ quan sát thụ động sang một hệ thống hành động tự chủ. Bây giờ, ống kính đã chuyển sang liệu chúng ta có thể để một hệ thống thực hiện hành động thay mặt cho chúng ta (và, đúng, không có giám sát), với quy mô lớn. Đó là một tiêu chuẩn cao hơn về chất lượng dữ liệu, ngữ cảnh và kiểm soát vì bây giờ một giả định dữ liệu sai không chỉ tạo ra một bảng điều khiển sai, mà còn tạo ra một hành động sai. Một tác nhân hiểu sai dữ liệu hàng tồn kho không chỉ thông tin sai cho ai đó, mà còn đặt một đơn hàng sai.

Đây là nơi kiến trúc doanh nghiệp nghiêm ngặt trở nên quan trọng và cơ bản đối với các hệ thống Trí tuệ nhân tạo. Để xây dựng các hệ thống tự chủ an toàn, chúng ta phải bắc cầu một cách mượt mà giữa khoảng cách giữa các hệ thống doanh nghiệp quyết định và các hệ thống Trí tuệ nhân tạo xác suất. Các cuộc thảo luận kiến trúc mà tôi dẫn đầu bây giờ là về xây dựng một vải dữ liệu đáng tin cậy, đảm bảo rằng lý luận tự chủ thời gian thực được ràng buộc bởi quản trị nghiêm ngặt, quan sát mạnh mẽ và tính toàn vẹn giao dịch mà chúng ta đã luôn yêu cầu từ các hệ thống doanh nghiệp.

Bạn đã lập luận rằng nhiều dự án Trí tuệ nhân tạo thất bại không phải vì mô hình, mà vì các quyết định kiến trúc và dữ liệu được thực hiện sớm. Những lựa chọn kiến trúc sớm nào thường làm suy yếu các dự án Trí tuệ nhân tạo sau này?

Điều mà tôi thấy nhiều nhất là các công ty coi một kho hàng hoặc hồ dữ liệu là nguồn thông tin duy nhất khi nó thực sự chỉ là một điểm đến duy nhất. Họ đưa mọi thứ vào một nơi và giả định rằng điều đó giải quyết vấn đề ‘một phiên bản của sự thật’, nhưng nó không, nó chỉ tập trung sự không đồng ý. Nếu ba hệ thống nguồn định nghĩa một khách hàng hoạt động khác nhau, đưa chúng vào một kho hàng sẽ cho bạn một câu trả lời sai thay vì ba.

Sau đó, có bẫy xây dựng chính xác những gì ở phía trước bạn. Một đường ống được điều chỉnh hoàn hảo cho một bảng điều khiển, hoạt động tuyệt vời, và sau đó sáu tháng sau, một mô hình mới cần cùng một dữ liệu nhanh hơn hoặc tươi hơn và toàn bộ thứ phải bị phá hủy thay vì mở rộng.

Và điều mà luôn quay trở lại cắn người là bỏ qua dòng dõi và siêu dữ liệu vì nó trông giống như một gánh nặng mà không ai yêu cầu. Nó không có lợi; cho đến ngày ai đó hỏi tại sao mô hình đưa ra một cuộc gọi cụ thể và không có cách nào để theo dõi nó. Đó là khi nó trở thành một sửa chữa tốn kém thay vì một quyết định thiết kế rẻ.

Khi làm việc với các doanh nghiệp Fortune 500, những tín hiệu nào cho bạn biết liệu một tổ chức có thực sự sẵn sàng để mở rộng Trí tuệ nhân tạo vượt ra ngoài các dự án thí điểm?

Thành thật, tôi thường có thể biết trong vài cuộc trò chuyện đầu tiên. Sự khác biệt giữa một tổ chức thử nghiệm với Trí tuệ nhân tạo và một tổ chức sẵn sàng triển khai nó ở quy mô doanh nghiệp nằm ở một số tín hiệu dễ nhận biết. Tôi thường tìm kiếm sự sẵn sàng trên ba nhóm chính: Sự thuyết phục Chiến lược, Tích hợp Kinh doanh và Trưởng thành Vận hành.

Đây là những tín hiệu cho thấy sự sẵn sàng thực sự để mở rộng:

1. Sự liên kết Chiến lược và Tự tin của Hành pháp

Chiến lược Trí tuệ nhân tạo Rõ ràng, Không chỉ Ghen tị với Trí tuệ nhân tạo: Lãnh đạo của tổ chức thể hiện sự tự tin thực sự về chiến lược Trí tuệ nhân tạo của họ. Điều này dễ dàng được phát hiện bằng cách hỏi một số câu hỏi dẫn dắt về cách Trí tuệ nhân tạo ánh xạ đến các mục tiêu kinh doanh của họ. Nếu họ có thể nêu rõ giá trị kinh doanh chính xác (ví dụ: tăng trưởng doanh thu, cải thiện lợi nhuận hoặc trải nghiệm khách hàng) thay vì chỉ muốn “sử dụng Trí tuệ nhân tạo tạo sinh”, họ đã sẵn sàng.

Ngân sách Doanh nghiệp Cam kết: Họ đã chuyển sang một ngân sách được phân bổ không chỉ cho các dự án Trí tuệ nhân tạo, mà còn cho quản lý thay đổi, cơ sở hạ tầng và MLOps liên tục.

2. Sự phù hợp giữa Vấn đề và Giải pháp & Tích hợp Kinh doanh

Giải quyết các Vấn đề Đúng: Một tín hiệu đỏ lớn là nhầm lẫn tự động hóa quy trình công việc tiêu chuẩn hoặc tự động hóa quy trình robot (RPA) với Trí tuệ nhân tạo, và ép buộc Trí tuệ nhân tạo lên trên chỉ để hiển thị việc áp dụng Trí tuệ nhân tạo cho hội đồng quản trị. Các tổ chức sẵn sàng hiểu giá trị độc đáo của Trí tuệ nhân tạo. Họ tập trung vào các trường hợp sử dụng mà Trí tuệ nhân tạo cung cấp một thay đổi mô hình về khả năng, chứ không chỉ kiểm tra một hộp công nghệ trên một quy trình cũ.

Sở hữu của Đơn vị Kinh doanh: Đây là một tín hiệu yên tĩnh, nhưng thường là trở ngại lớn nhất để mở rộng. Nếu sự phấn khích về Trí tuệ nhân tạo sống hoàn toàn trong một “phòng thí nghiệm đổi mới” bị cô lập với không có lợi ích gì từ các đơn vị kinh doanh thực sự, các dự án thí điểm sẽ không cất cánh. Sự sẵn sàng thực sự được tín hiệu khi các bên liên quan kinh doanh tích cực cùng phát triển giải pháp và sở hữu kết quả kinh doanh cuối cùng, chứ không phải ném một概念 chứng minh trên tường đến hoạt động.

3. Trưởng thành Vận hành & Quản trị

Tham gia An ninh & Tuân thủ từ Ngày đầu tiên: Sự thiếu tham gia từ các đội an ninh và quản trị, hoặc cố gắng cô lập một trường hợp sử dụng Trí tuệ nhân tạo quan trọng khỏi họ để “di chuyển nhanh hơn”, là một công thức cho việc triển khai thất bại. Các tổ chức trưởng thành đưa InfoSec, pháp lý và quản trị dữ liệu vào bàn từ Ngày 1. Họ xem những đội này là những người cho phép quan trọng xây dựng các rào cản cần thiết để mở rộng an toàn, không phải là chướng ngại vật.

Cuối cùng, các tổ chức thành công trong việc mở rộng Trí tuệ nhân tạo không coi nó là một thí nghiệm khoa học công nghệ thông tin, mà là một khả năng kinh doanh chuyển đổi với sự bảo trợ đúng, các rào cản đúng và sự liên kết kinh doanh đúng.

Trí tuệ nhân tạo sẵn sàng dữ liệu thực sự trông như thế nào bên dưới bề mặt, đặc biệt là đối với các doanh nghiệp có dữ liệu phân mảnh trên ERP, CRM, thương mại, đám mây và hệ thống cũ?

Hầu hết các doanh nghiệp không có vấn đề về khối lượng dữ liệu mà họ có vấn đề về niềm tin dữ liệu. Điều này là gì được làm trầm trọng hơn với Trí tuệ nhân tạo được xếp lớp trên đầu. Nó ít hơn về việc có một nền tảng mới sáng bóng và nhiều hơn về một số thuộc tính không hấp dẫn giữ đúng trên các hệ thống.

Ví dụ, cùng một khách hàng, sản phẩm hoặc cửa hàng phải được công nhận là cùng một thực thể, bất kể nó có đang ngồi trong một hệ thống ERP cũ, một CRM hiện đại hoặc một nền tảng thương mại. Nếu các hệ thống của bạn không thể đồng ý về ai là khách hàng, các mô hình cá nhân hóa và dự báo Trí tuệ nhân tạo của bạn đang làm việc trên dữ liệu bị gãy, dẫn đến một bức tranh bị ảo. Bạn không thể dự đoán giá trị khách hàng trọn đời nếu Trí tuệ nhân tạo của bạn đối xử với một khách hàng như ba người khác nhau.

Thứ hai, sự tươi mới của dữ liệu phù hợp với quyết định, không phải là mặc định cho bất cứ điều gì hệ thống nguồn có thể làm. Cập nhật hàng tồn kho hàng đêm là tốt cho việc lập kế hoạch dài hạn và vô ích cho việc thực hiện thời gian thực; một nền tảng thực sự hỗ trợ cả hai tốc độ mà không làm phẳng mọi thứ xuống tốc độ chậm nhất.

Thứ ba, một lớp dòng dõi cho phép bạn trả lời ‘số này đến từ đâu’ trong vài phút, không phải là một cuộc điều tra kéo dài nhiều ngày. Hầu hết các doanh nghiệp phân mảnh không thiếu dữ liệu, mà thiếu một lớp làm cho dữ liệu họ đã có trở nên đáng tin cậy và có thể theo dõi. Đó là nền tảng thực sự, không phải là công cụ nào được gắn trên đầu.

Bạn thường thảo luận về 5 V của dữ liệu: Khối lượng, Tốc độ, Đa dạng, Chính xác và Giá trị. Trong số này, các nhà lãnh đạo doanh nghiệp có xu hướng đánh giá thấp nhất khi chuẩn bị dữ liệu cho Trí tuệ nhân tạo?

Chính xác của Dữ liệu, không có gì nghi ngờ,紧 theo là Giá trị của Dữ liệu.

Khối lượng là điều đã cho trong hệ sinh thái dữ liệu lớn ngày nay. Mọi người đều đang lâm vào tình trạng ngập dữ liệu. Đa dạng và Tốc độ nhận được ngân sách vì chúng có thể nhìn thấy trên bản đồ đường – các nguồn mới, đường ống và nguồn cấp dữ liệu thời gian thực.

Chính xác là vô hình cho đến khi nó có chi phí – thường là một mô hình sản xuất đầu ra rõ ràng sai, và ai đó theo dõi nó trở lại các bản ghi khách hàng trùng lặp hoặc một trường mà ba đội nhập ba cách khác nhau.

Cuối cùng, giá trị bị đánh giá thấp một cách khác – các nhà lãnh đạo giả định rằng nếu dữ liệu tồn tại, nó có giá trị, mà không hỏi liệu nó thực sự di chuyển một quyết định. Hầu hết các doanh nghiệp có một phần nhỏ dữ liệu thực sự làm việc và không ai đã ánh xạ ra phần nào là phân đoạn đó.

Trong bán lẻ cụ thể, các trường hợp sử dụng Trí tuệ nhân tạo có thể bao gồm cá nhân hóa, dự báo, hàng tồn kho, chuỗi cung ứng, dịch vụ khách hàng và hoạt động cửa hàng. Bạn thấy khoảng cách lớn nhất giữa tham vọng Trí tuệ nhân tạo và sự sẵn sàng dữ liệu ở đâu?

Mặc dù tham vọng Trí tuệ nhân tạo được phân bố đồng đều trên bán lẻ, sự sẵn sàng dữ liệu là rất không đối xứng.

Cá nhân hóa và dự báo có sự sẵn sàng hợp lý nhất – các nhà bán lẻ đã thu thập dữ liệu giao dịch và duyệt web trong nhiều năm.

Khoảng cách lớn hơn là chuỗi cung ứng và đa kênh, đặc biệt là kết nối giữa cửa hàng trực tuyến và vật lý. Đa kênh vô cùng phức tạp vì nó buộc một nhà bán lẻ phải giải quyết hai vấn đề dữ liệu khó nhất trong thời gian thực: bản sắc khách hàng thống nhất và hàng tồn kho linh hoạt. Hầu hết các nhà bán lẻ có hàng tồn kho thương mại điện tử thời gian thực nhưng chỉ có tầm nhìn định kỳ, đôi khi vào cuối ngày, về mức tồn kho cửa hàng.

Dịch vụ khách hàng và hoạt động cửa hàng vẫn còn trong giai đoạn đầu. Tham vọng là cao, nhưng dữ liệu hoạt động cơ bản, tức là nhân viên, hoàn thành nhiệm vụ, điều kiện cửa hàng thời gian thực, thường là phần không được số hóa nhiều nhất của kinh doanh. Tham vọng được phân bố đều trên các trường hợp sử dụng này; sự sẵn sàng không phải.

Làm thế nào các công ty nên hiện đại hóa cơ sở hạ tầng dữ liệu cũ mà không làm gián đoạn các hệ thống quan trọng mà kinh doanh vẫn phụ thuộc vào hàng ngày?

Các nền tảng dữ liệu cũ thường phải chịu các nút thắt vận hành, các vấn đề chất lượng dữ liệu nghiêm trọng và các hạn chế về khả năng mở rộng tổ chức. Cách hiệu quả nhất để bảo vệ hoạt động hàng ngày trong một hành trình hiện đại hóa là tránh một cuộc di chuyển lớn rủi ro cao. Mục tiêu chính của hiện đại hóa nền tảng dữ liệu nên là làm cho dữ liệu hữu ích hơn cho việc ra quyết định của tổ chức, chứ không phải đối xử với nỗ lực như một trao đổi nền tảng thuần túy.

Để đáp ứng thời đại Trí tuệ nhân tạo, các tổ chức nên áp dụng kiến trúc dữ liệu huy chương và lưới dữ liệu. Chiến lược này tạo ra một đường ống có cấu trúc nơi dữ liệu được tinh chỉnh dần dần từ thô đến sẵn sàng cho kinh doanh, hiệu quả ngăn chặn dữ liệu chất lượng kém khỏi việc ra quyết định. Bằng cách tách dữ liệu thành các lớp logic riêng biệt, các tổ chức thiết lập dòng dõi rõ ràng, khiến nó trở nên đơn giản để theo dõi cách thông tin biến đổi từ nguồn đến đích.

Bằng cách đóng gói dữ liệu đã xác minh vào các sản phẩm có thể tiếp cận, các tổ chức trao quyền cho các đội của họ để đưa ra quyết định chiến lược, dựa trên bằng chứng thay vì dựa vào trực giác. Điều quan trọng là, cách tiếp cận này thiết lập nền tảng của niềm tin dữ liệu cần thiết cho Trí tuệ nhân tạo doanh nghiệp. Xây dựng các tác nhân Trí tuệ nhân tạo trên các sản phẩm dữ liệu được kiểm chứng đảm bảo rằng các mô hình học từ thông tin an toàn và chính xác thay vì các tập dữ liệu lộn xộn và không được kiểm chứng.

Quản trị thường được thêm vào sau khi một dự án Trí tuệ nhân tạo đã được triển khai. Điều gì thay đổi khi quản trị, quyền riêng tư, an ninh và chất lượng dữ liệu được coi là các yêu cầu kiến trúc từ ngày đầu tiên?

Mọi thứ di chuyển nhanh hơn, ít bị hỏng hơn và mở rộng tốt hơn. Với bản chất xác suất của Trí tuệ nhân tạo tạo sinh, quản trị cực kỳ quan trọng nhưng lại là khía cạnh bị bỏ qua nhiều nhất trong nhiều tổ chức.

Khi bạn coi những yếu tố này là các yêu cầu kiến trúc từ ngày đầu tiên thay vì một danh sách kiểm tra cuối cùng, bạn chuyển từ kiểm soát thiệt hại sang tốc độ. Dưới đây là những gì thay đổi:

Trước hết, bạn tránh được giai đoạn “rip-and-replace” đau đớn nơi các dự án Trí tuệ nhân tạo đã được xây dựng hoàn chỉnh bị loại bỏ vì chúng vi phạm các tiêu chuẩn tuân thủ hoặc quyền riêng tư.

Tiếp theo, an ninh và chất lượng dữ liệu không được vá trên đầu; chúng được nhúng vào đường ống. Các mô hình của bạn chạy trên dữ liệu đáng tin cậy, tạo ra đầu ra mà lãnh đạo và người dùng thực sự tin tưởng.

Cuối cùng, thay vì va vào một bức tường quy định khi di chuyển từ概念 chứng minh sang sản xuất, con đường triển khai đã được làm rõ và tự động hóa.

Tóm lại, quản trị không phải là phanh trên sự đổi mới; mà nó là hệ thống lái cho phép bạn lái xe nhanh an toàn.

Là một cố vấn cho CAIO Circle, bạn nghĩ vai trò của Giám đốc Trí tuệ nhân tạo nên phát triển như thế nào, và trách nhiệm của họ nên bắt đầu và kết thúc ở đâu so với CIO, CDO và các nhà lãnh đạo đơn vị kinh doanh?

Là một phần của CAIO Circle đã là một cửa sổ hữu ích thực sự, bởi vì hiện tại vai trò này đang ở khắp mọi nơi vì nhiều doanh nghiệp đã tạo ra nó một cách phản ứng, như một phản ứng với sự cường điệu của Trí tuệ nhân tạo tạo sinh, chứ không phải là để lấp đầy một khoảng trống vận hành rõ ràng. Tôi tin rằng điều này sẽ được giải quyết nhanh chóng và nó cần phải được giải quyết. Để hoạt động hiệu quả, sự phân chia hành pháp nên rõ ràng:

CIO sở hữu cơ sở hạ tầng và độ tin cậy của hệ thống. CDO sở hữu dữ liệu như một tài sản doanh nghiệp (chất lượng, quản trị và khả năng tiếp cận của nó). CAIO sở hữu lớp dịch từ khả năng Trí tuệ nhân tạo thô đến các kết quả kinh doanh thực sự.

Lớp dịch này có nghĩa là việc nắm rõ danh mục Trí tuệ nhân tạo, xác định những gì cần xây dựng, xác định các lĩnh vực kinh doanh có thể được cải thiện và phục vụ tốt hơn thông qua công nghệ Trí tuệ nhân tạo và phục vụ như một thẩm quyền cuối cùng về nơi Trí tuệ nhân tạo nên và không nên được triển khai.

Khoảng cách lớn nhất trong hầu hết các doanh nghiệp ngày nay là đánh giá rủi ro và giá trị thương mại trên các đơn vị kinh doanh cạnh tranh. Chặn một sáng kiến Trí tuệ nhân tạo rủi ro cao mà một đơn vị kinh doanh riêng lẻ muốn có đòi hỏi ai đó mà các động lực không gắn với mục tiêu ngắn hạn của đơn vị đó và đủ kỹ thuật để đánh giá rủi ro trực tiếp. Đó chính xác là những gì vai trò CAIO cần phải trở thành.

Nhìn về tương lai, điều gì sẽ phân biệt các công ty đạt được lợi thế Trí tuệ nhân tạo bền vững với những công ty chỉ thử nghiệm với các công cụ Trí tuệ nhân tạo mới nhất?

Nó sẽ không phải là những công ty có quyền truy cập vào các mô hình tốt nhất. Khả năng của mô hình đang hội tụ nhanh chóng, và công nghệ thô sẽ không còn là một yếu tố phân biệt lâu dài.

Thay vào đó, thử thách cốt lõi của thành công Trí tuệ nhân tạo lâu dài – dù là nội bộ hay hướng khách hàng – nằm ở một điều: Tin cậy.

Tin cậy tỷ lệ thuận trực tiếp với khả năng của một tổ chức xây dựng một nền tảng Trí tuệ nhân tạo sẵn sàng và một môi trường nơi các khả năng mới có thể được thử nghiệm, triển khai an toàn và mở rộng với tốc độ. Cụ thể, điều đó đòi hỏi ba điều:

Cơ sở Dữ liệu Tin cậy: Dữ liệu sạch, đáng tin cậy để mỗi trường hợp sử dụng mới không đòi hỏi một dự án làm sạch lớn một lần.

Quản trị Linh hoạt: Các quy trình rủi ro và tuân thủ đủ nhanh để theo kịp với tốc độ mà các mô hình cơ bản tiến hóa.

Độ đo lường theo Kết quả: Một văn hóa tổ chức đo lường Trí tuệ nhân tạo theo giá trị kinh doanh, không phải sự tinh vi của công nghệ.

Các công ty sẽ vẫn còn bị kẹt trong “chế độ thử nghiệm” ba năm từ bây giờ sẽ là những công ty chưa bao giờ xây dựng nền tảng đó – họ sẽ tiếp tục học lại cùng một bài học về dữ liệu và quản trị trên mỗi dự án Trí tuệ nhân tạo.

Các công ty chiến thắng với lợi thế bền vững sẽ là những công ty nơi trường hợp sử dụng Trí tuệ nhân tạo thứ mười trở nên rẻ hơn và nhanh hơn để triển khai so với trường hợp đầu tiên, vì nền tảng đã được xây dựng đúng từ đầu.

Cảm ơn vì cuộc phỏng vấn tuyệt vời, độc giả cũng có thể muốn đọc cuốn sách của ông Chiến lược Đám mây Hybrid và Multi-Cloud cấp Doanh nghiệp.