访谈
多米尼克·萨尔托里奥（Dominic Sartorio），Denodo 产品营销副总裁 – 采访系列
将 Unite.AI 添加到您在 Google 上的首选来源
多米尼克·萨尔托里奥 是 Denodo 的产品营销副总裁。多米尼克在数据管理和治理市场拥有超过 20 年的经验，曾在 Informatica、Protegrity 等领先供应商担任过各种产品和营销领导职务。
Denodo 是数据管理的全球领先者，赋予可信的 AI 代理和应用程序以权力。Denodo 平台是一款屡获殊荣的逻辑数据管理解决方案，能够将企业数据转化为 AI、分析和自助服务计划的可靠见解。全球各地的组织使用 Denodo 以传统数据湖仓库的零头时间内交付 AI 就绪、业务就绪的数据，实现了最高 4 倍的洞察时间、345% 的投资回报率和 10 倍的性能。根据 850 名企业领导者的见解，Denodo 的 AI 信任差距报告 揭示了为什么许多 AI 项目难以超越试点阶段，以及组织必须做什么才能构建可信的、生产就绪的 AI。
您曾在 Informatica、Protegrity、Infoworks 和现在的 Denodo 等公司担任过高级领导职务，这些公司都专注于企业数据基础设施的不同层面。随着 AI 从分析转向自主和代理系统，您对“可信数据”的看法如何演变？
在我早期的职业生涯中，可信数据主要是关于准确性、血统、安全性和让分析师对仪表盘和报告有信心。有了代理 AI，赌注要高得多，因为系统不仅仅是解释数据；它们可能会自主地执行业务工作流程或做出具有现实世界影响的决定。这意味着可信数据现在必须包括实时的运营上下文、一致的业务含义和防护措施，以便可以相信代理正在正确和安全地执行。
Denodo 的 AI 信任差距报告 发现，66% 的组织认为 AI 数据必须是实时或近实时的才能被认为是可信的。您认为为什么这么多企业仍然难以向 AI 系统交付实时的运营数据？
大多数企业并不是为需要在多个系统中实时获取情况感知的 AI 代理而设计的。他们的数据分散在应用程序、云端、仓库、数据湖、遗留系统和其他运营平台中。他们可能会将这些数据复制到一个集中仓库或数据湖中用于分析和商业智能，但这对于需要实时情况感知的 AI 代理来说是不合适的。一旦数据被复制，它就不再是实时的。可以实时流式传输，但这会很快变得非常昂贵。这正是 Denodo 的逻辑数据管理方法变得重要的地方，因为它为 AI 系统提供了对实时数据的受管访问，而无需企业不断地复制和重新平台化一切。
报告中最引人注目的发现之一是，企业 AI 计划现在从数百个数据源中获取数据，一些组织访问的数据源超过 1,000 个。这种级别的碎片化如何改变企业对 AI 架构的思考方式？
在这种级别的碎片化中，架构不能依赖于在 AI 使用之前物理地整合每个源。企业需要一个抽象层，可以发现、集成、管理和交付数据，而不需要紧密地耦合到底层系统中。在我的看法中，数据架构必须变得更加逻辑、元数据驱动和语义化，以便代理可以在上下文中找到正确的数据，而不需要与底层系统紧密耦合。
报告认为，许多 AI 失败实际上是“数据架构失败”，而不是模型失败。您认为该行业是否过于关注模型，同时低估了数据基础设施的重要性？
是的。模型很重要，但许多失败的 AI 项目并不是因为模型能力不足；它们失败是因为模型使用的数据不完整、过时、不一致或治理不当。模型在试点阶段使用精心策划的数据集时效果很好，但是一旦部署到“现实世界”中，数据就变得分散和混乱，AI 就无法产生可信的结果。我的经验是，企业在将数据层视为 AI 架构的第一类部分时，会获得更好的 AI 结果，而不是将其视为事后补充的内容。
Denodo 经常谈论语义一致性和通用语义层的重要性。随着 AI 代理开始自主地做出决定，语义对齐对于防止错误的操作或幻想的业务逻辑来说有多么重要？
语义对齐变得绝对至关重要。如果一个系统定义“客户”、“收入”、“风险”或“流失”与另一个系统不同，AI 代理可能会产生一个在技术上可行但在业务上下文中仍然错误的答案。通用语义层有助于确保代理以一致的业务含义运行，而不仅仅是访问原始数据。
您的 AI 和大数据博览会会议专注于将 AI 从试点转移到生产。根据您的经验，企业最大的障碍是什么，使得他们难以将 AI 扩大到真正的运营系统？
试点通常有效，因为它们狭隘、手动策划并且与企业的全部复杂性隔离。生产 AI 必须处理来自多个源的实时数据、安全性、治理、性能、可审计性、不断变化的业务规则以及与真正的工作流程的集成。许多组织陷入困境，因为他们建立了令人印象深刻的演示，但没有构建受管的数据基础以便在大规模上可靠地运行 AI。
报告引用了预测，未来几年内，由于成本增加、价值不明确或风险控制不力，可能会有大量的代理 AI 项目被取消。您认为该行业是否即将进入一个阶段，在这个阶段，企业将变得更加挑剔地选择哪些 AI 项目会存活下来？
是的，我认为这是健康的。AI 实验的第一波是关于可能性；下一波将是关于运营价值、成本纪律和信任。那些幸存下来的项目将是那些与可衡量的业务成果相关并得到正确数据、治理和架构支持的项目。
安全性和治理在报告中反复出现，特别是在“代理 AI”的“防护栏”方面。组织应该如何平衡自主 AI 能力的需求与严格的访问控制和可审计性的需求？
关键是不要将治理视为在 AI 系统构建后添加的内容。访问控制、策略执行、血统和可审计性需要嵌入数据访问层本身，以便 AI 代理只能看到和使用他们授权访问的数据。使用 Denodo，相同的治理策略可以在分布式源上一致地应用，这在 AI 操作跨混合和多云环境时至关重要。
Denodo 将逻辑数据管理定位为一种在不需要不断移动数据的情况下统一跨混合和多云环境的访问方式。随着企业越来越多地采用基于检索的 AI 架构，您是否认为“零复制”或“逻辑优先”的架构将成为企业 AI 的长期方向？
是的。基于检索的 AI 依赖于获取正确的数据和正确的时间，而不是事先将每个数据集移动到一个存储库中。逻辑优先、零复制的方法更好地适应了企业实际的运营方式：数据保持分布，但 AI 可以通过受管的、语义的、实时层访问它。这是我相信企业 AI 必须走的方向。
展望未来三到五年，您认为什么将使成功运营可信 AI 的组织与仍然停留在实验阶段的组织区分开来？
赢家将是那些认识到 AI 不仅仅是一个模型策略；它是一个数据策略、治理策略和运营模型策略的组织。他们将投资实时数据访问、语义一致性、可重用治理，以及可以跨整个企业范围的架构。继续在分散和过时的数据上构建孤立的试点项目的组织将难以超越实验阶段。
