Когда совет директоров просит CDO или CIO разработать стратегию ИИ, возникает соблазн начать с чистого листа, как будто стратегия работы с данными, которая уже определяет, где хранятся данные, кто имеет к ним доступ и кто несет за них ответственность, здесь не применима. Но это не так. Стратегия ИИ расширяет уже существующую стратегию работы с данными, опираясь на те же принципы доступа, совместной работы и управления, которые уже используются в производственной аналитике.
Вы увидите, что уже охватывает стратегия работы с данными, что к ней добавляет стратегия ИИ и почему разделение их на два отдельных плана создает дублирующее управление и противоречивые определения. Вы также получите конкретную отправную точку для их объединения, что позволит провести аудит того, что у вас уже есть, сопоставить с этим варианты использования ИИ и создать один уровень управления вместо двух.
Основные выводы
- Стратегия ИИ расширяет уже существующую стратегию работы с данными.
- Стратегии работы с данными и ИИ сходятся на трех общих столпах: доступ, контекст и управление.
- Рассмотрение их как отдельных планов приводит к дублированию политик управления, созданию параллельных копий данных и противоречивым определениям метрик.
- Федеративная гибридная основа данных позволяет аналитике, приложениям и ИИ работать на одной общей базе, а не на второй, созданной исключительно для ИИ.
- Общий бизнес-контекст, а не дополнительная миграция данных — вот что делает стратегию работы с данными готовой к внедрению ИИ.
Что регулирует стратегия работы с данными
Стратегия работы с данными устанавливает правила того, где хранятся данные, кто имеет к ним доступ и кто несет ответственность в случае сбоев. Большинство предприятий уже имеют определенную область охвата, даже если она никогда не была зафиксирована в виде единого документа. Обычно это сочетание облачных хранилищ данных, локальных систем, облачных объектных хранилищ и SaaS-приложений, объединенных набором политик доступа, отслеживанием происхождения данных и командой платформы данных, отвечающей за надежность всей этой инфраструктуры. Ошибка, которую совершают многие организации при написании стратегии ИИ, заключается в том, что они относятся к ней как к чистому листу, как будто существующая работа по управлению данными к ней не относится.
Это не обязательно должен быть чистый лист. Корпоративная стратегия работы с данными, которая подходит для гибридных сред, определяет реальный режим сбоя как стратегию, построенную вокруг консолидации, предполагающую, что для каждой рабочей нагрузки данные должны быть скопированы в единое хранилище, прежде чем им можно будет доверять. Это предположение не работает в масштабах предприятия, где данные распределены по десяткам систем, а их полная миграция — процесс медленный, дорогостоящий и часто создающий столько же дыр в управлении, сколько он закрывает. Стратегия работы с данными, построенная на федерации, где вы запрашиваете данные там, где они уже находятся, вместо того чтобы сначала перемещать их, масштабируется без постоянных затрат на интеграцию. Эта федеративная основа — именно то, что нужно для инициативы в области ИИ, поэтому обе стратегии начинаются с одного и того же места.
Что добавляет стратегия ИИ
Если стратегия работы с данными определяет область охвата, то стратегия ИИ переводит конкретные бизнес-кейсы в технические требования, подразумевая планку качества данных, необходимую модели, бизнес-контекст для правильной интерпретации полей и формат доставки, который могут использовать модели и агенты. Формирование вашей стратегии данных для ИИ определяет ее как уровень требований, наложенный на уже существующую стратегию работы с данными.
Переход от аналитики к ИИ меняет определение «готовности» ваших данных, даже если базовая настройка не меняется. Понимание различий между аналитикой данных и ИИ охватывает изменение этапов между данными и действиями, которые требуются для рабочих нагрузок ИИ — и распространенная версия этого изменения знакома большинству руководителей по работе с данными: аналитические рабочие нагрузки допускают проверку человеком дашборда перед принятием решения на основе цифр, в то время как рабочие нагрузки ИИ и агентов часто действуют на основе данных без участия человека. Это повышает требования к качеству данных, их актуальности и общим определениям, но не означает, что вам нужна вторая платформа данных, специально созданная для ИИ. Ваша существующая стратегия работы с данными должна соответствовать более высоким стандартам на той же самой основе.
Три столпа, общие для обеих стратегий
Стратегия работы с данными и стратегия ИИ сходятся, потому что обе они опираются на три общих столпа: доступ, совместная работа и управление. Инициатива в области ИИ, которая игнорирует любой из этих трех пунктов, в конечном итоге приводит к переделыванию работы, которую ваша команда по данным уже выполнила, обычно с худшими результатами.
Доступ: запрашивайте данные там, где они находятся
Доступ означает, что ваша аналитика, приложения и рабочие нагрузки ИИ могут получать доступ к одним и тем же данным без необходимости их перемещения или дублирования. Искусственный интеллект и машинное обучение описывают это как управляемый федеративный доступ: модели и агенты запрашивают данные из облачных платформ и локальных систем на месте, в соответствии с теми же элементами управления, которые применяются к любому другому потребителю, вместо того чтобы ждать отдельной выгрузки, созданной для ИИ. Для регулируемых отраслей или гибридных сред, где некоторые данные не могут покидать определенные границы, Starburst Enterprise расширяет ту же модель доступа на самоуправляемые, локальные и гибридные развертывания, поэтому шаблон доступа не меняется в зависимости от того, где должны оставаться данные.
Контекст: общие, повторно используемые продукты данных и многое другое
Контекст позволяет аналитике и ИИ придерживаться единого понимания смысла метрик. Создание уровня корпоративного контекста требует общего понимания бизнес-смысла, чтобы стратегия данных для ИИ была полезной. Это означает, что она должна основываться на повторно используемых, задокументированных продуктах данных, которые несут последовательное определение таких терминов, как «активный клиент» или «чистая выручка», где бы они ни потреблялись — дашбордом, приложением или моделью. Без этого общего уровня каждая команда и каждая модель в конечном итоге получат свою собственную версию одного и того же числа.
Управление: политика, которая следует за данными
Управление — это столп, который большинство команд считают возможным добавить постфактум, и именно он вызывает больше всего переделок при попытках это сделать. Управление данными для ИИ включает в себя те же детализированные элементы управления доступом, правила маскирования и журналы аудита, применяемые последовательно по мере того, как данные поступают к модели или агенту, а не к отчету. Когда политика следует за данными, а не находится в отдельном инструменте для ИИ, вы получаете одно место для подтверждения соответствия требованиям вместо двух.
Почему разделение на два плана приводит к обратным результатам
Рассмотрение стратегии работы с данными и стратегии ИИ как двух отдельных планов, как правило, порождает три одинаковые проблемы.
Дублирующее управление
Во-первых, дублирующее управление, то есть один набор политик для аналитики и параллельный для ИИ, разрушает ваш единый источник истины. Это создает два места для обновления при изменении нормативных требований или правил доступа, и со временем эти два места могут рассинхронизироваться.
Параллельные копии
Во-вторых, параллельные копии данных в виде выделенного «озера данных ИИ» или хранилища признаков, которые воссоздают данные, уже смоделированные в другом месте, увеличивают затраты на хранение и создают потенциальный новый источник неактуальных данных.
Противоречивые определения и контекст
В-третьих, противоречивые определения метрик могут привести к тому, что модель «оттока клиентов» команды ИИ не будет совпадать с той, которую уже регулирует команда аналитиков, поэтому два результата будут противоречить друг другу, и никто не сможет сказать, какой из них верный.
Ни одна из этих проблем не возникает из-за того, что ИИ технически сложнее аналитики. Они возникают из-за создания второй основы вместо расширения той, которая уже существует.
Как выглядит конвергенция двух стратегий
Все чаще конвергентная стратегия в корпоративной среде принимает одну форму — федеративная гибридная основа, одновременно обслуживающая аналитику, приложения, а также рабочие нагрузки ИИ и агентов, вместо отдельного стека, созданного исключительно для ИИ.
Возникающие изменения в тенденциях архитектуры корпоративных данных указывают на более широкие перемены, которые это отражает. Предприятия отходят от централизации всего в одном месте в пользу распределенных основ, которые работают с нагрузками там, где данные уже находятся — тенденция, которую Gartner отслеживает в рамках внедрения гибридных облаков. Вопрос смещается от того, где строить уровень данных ИИ, к тому, как расширить доступ, совместную работу и управление, которые уже существуют, на еще одну рабочую нагрузку. Примеры того, как предприятия расширяют существующую инфраструктуру данных для новых нагрузок вместо создания второй, можно найти в более широком наборе историй клиентов, опубликованных Starburst.
Как начать объединение стратегии данных и ИИ
Объединение этих двух направлений требует трех конкретных шагов на платформе, которая у вас уже есть.
Проведите аудит текущей стратегии
Начните с аудита уже существующей стратегии данных, включая расположение данных, доступ на уровне источников и существующие средства контроля управления.
Сопоставьте варианты использования ИИ с инвентаризацией
Затем сопоставьте ваши варианты использования ИИ с существующей инвентаризацией, кейс за кейсом, и отметьте только то, чего не хватает: где модели нужен продукт данных, которого еще не существует, или средство контроля управления, которое еще не распространяется на доступ агентов.
Определите правильный тип уровня управления
Наконец, выберите один уровень управления, а не два, в качестве системы учета политик, чтобы аудитор или новый кейс использования ИИ имели единое место для проверки вместо того, чтобы согласовывать два разных.
Выбор, стоящий за третьим шагом, имеет значение. Анализ двух архитектур для агентского анализа данных, исследование, написанное в соавторстве с Мэрилендским университетом, сравнивает агента, который запрашивает управляемые корпоративные данные напрямую, с тем, который работает с предварительно экспортированной статической копией. Модель прямого доступа позволяет агенту работать с актуальными, управляемыми данными, а не со снимком, который начинает устаревать в момент создания — это тот же аргумент в пользу федерации, который применим к остальной стратегии данных. Стратегия ИИ, которая приходит к этому выводу самостоятельно, отдельно от стратегии данных, обычно тратит месяцы на повторное выведение того, что команда по работе с данными уже знала.
Следующие шаги
Прежде чем расширять стратегию данных для охвата ИИ, полезно увидеть, в чем руководство уже согласно, а в чем нет.
Чек-лист согласования для руководителей от Starburst разработан для того, чтобы упростить эту часть. Он дает CDO, CIO и архитекторам, которые их консультируют, структурированный способ проверить согласованность стратегии данных, готовности к ИИ и управления, прежде чем брать на себя обязательства по плану, который дублирует работу, уже выполненную в других частях организации.
Часто задаваемые вопросы
Является ли стратегия ИИ чем-то отличным от стратегии данных или это часть одного и того же плана?
Стратегия ИИ — это часть того же плана. Она берет стратегию данных, которая уже регулирует, где хранятся данные, кто может получить к ним доступ и кто несет ответственность, и накладывает на нее специфические требования, необходимые для рабочей нагрузки ИИ или агента: более высокий стандарт качества данных, больше бизнес-контекста и способ доставки доверенных данных в модели вместо дашбордов. Рассматривайте это как уровень поверх вашей существующей стратегии данных.
Что происходит, когда компания строит стратегию ИИ, не исправив сначала стратегию данных?
Пропуск этого шага порождает предсказуемый набор проблем: вторая политика управления, которую нужно синхронизировать с первой, параллельная копия данных или хранилище признаков, которые воссоздают данные, уже смоделированные в другом месте, и определение метрики, например «активный клиент», которое противоречит тому, по которому отчитывается остальной бизнес. Ничто из этого не ускоряет работу над ИИ. Это добавляет вторую основу для обслуживания вместо расширения той, что уже существует.
Применяются ли доступ, совместная работа и управление к ИИ так же, как к аналитике?
Да, с одним отличием: строгость обеспечения соблюдения. Доступ по-прежнему означает, что вы можете запрашивать данные там, где они находятся, вместо того чтобы сначала копировать их; совместная работа по-прежнему означает общие, повторно используемые продукты данных с одним определением на метрику; а управление по-прежнему означает, что одни и те же политики следуют вместе с данными. Меняется допустимость ошибок: аналитическая нагрузка обычно предполагает, что человек проверяет число, прежде чем действовать на его основе, в то время как рабочая нагрузка ИИ или агента часто действует без участия человека, что повышает стандарты качества и актуальности, даже если базовая настройка не меняется.
Требует ли стратегия ИИ отдельной политики управления от остального массива данных?
Нет, и отношение к ней как к отдельной — главный источник дублирующей работы. Средства контроля доступа, правила маскирования и журналы аудита, которые уже регулируют аналитику, должны распространяться на доступ ИИ и агентов, а не перестраиваться в отдельном инструменте, специфичном для ИИ. Единый уровень управления, который последовательно применяется ко всем потребителям, будь то дашборд, приложение или модель, дает вам одно место для подтверждения соответствия требованиям вместо двух, которые могут рассинхронизироваться.
С чего следует начать CDO или CIO при согласовании стратегии данных и стратегии ИИ?
Начните с аудита, а не с новой платформы. Составьте карту текущего охвата вашей стратегии данных — расположение данных, доступ к источникам, существующие средства контроля управления — затем сопоставьте варианты использования ИИ с этой инвентаризацией и отметьте только то, чего не хватает: продукт данных, которого еще не существует, или средство контроля управления, которое еще не распространяется на доступ агентов. Назначьте один уровень управления в качестве системы учета политик, чтобы было единое место для проверки вместо двух, которые нужно согласовывать.








