Поскольку компании стремятся обеспечить ценность и рентабельность инвестиций в инвестиции в области искусственного интеллекта, одна критическая задача угрожает сорвать эти инициативы. Проблема? Традиционные стратегии внедрения искусственного интеллекта требуют централизации данных из различных источников, подхода, который конфликтует с политикой управления предприятием, структурами безопасности и нормативными обязательствами.
Согласно аналитическим опросам, 90% предприятий уже разработали стратегию с мультикозой, при этом данные распределены по различным системам. Эта реальность делает обычный подход «Скопировать все данные в одно место» неэффективным и часто совершенно невозможным для реализаций предприятия.
Фатальный недостаток в централизованных системах ИИ
Централизация данных создает множество проблем управления, которые становятся все более неуправляемыми в масштабе. Когда организации создают новые копии данных из исходных систем в центральном репозитории искусственного интеллекта, они вводят значительные проблемы:
- Точность данных: Работа с «свежими», своевременные данные сложны, когда системы ИИ полагаются на устаревшие дублируемые копии
- Сложность управления: Каждая копия данных создает другой экземпляр, которым необходимо управлять в соответствии с организационной политикой
- Риски для соответствия: «Право на то, чтобы быть забытым» GDPR, и аналогичные правила становятся экспоненциально сложнее для обеспечения соблюдения, когда пользовательские данные существуют в нескольких местах
- Деградация контроля доступа: Тщательно разработанные разрешения в исходных системах часто передаются на контроль с наименьшим коммерческим деноминаторами в централизованных репозиториях
- Уязвимости безопасности: Централизованные хранилища данных представляют привлекательные цели с потенциально катастрофическим воздействием нарушения
Самая большая проблема заключается в том, что для многих предприятий даже идея централизации всех данных в одном источнике-это позиция без движения-проблемы управления и конфиденциальности делают это юридически и технически невозможным.
Федеративная архитектура: ориентированный на данные подход
Решение заключается в успешной архитектурной структуре в разработке данных: федеративная архитектура, также известная как модель проектирования сетки данных. Этот подход принципиально переосмысливает, как системы ИИ взаимодействуют с данными предприятия.
В федеративной архитектуре:
Эта модель не теоретическая — такие организации, как Capital One, успешно реализовали архитектуры сетки данных в масштабе. Эти организации сохраняют управление, открывая аналитические возможности, сохраняя данные в своей естественной области и внедряя в данные вычислительные ресурсы (а не наоборот).
Агенты ИИ в федеративной системе
Федеративный подход естественным образом распространяется на реализацию ИИ. Вместо одного центрального искусственного интеллекта, доступа к всем данным, федеративная система ИИ развертывает специализированных агентов в разных областях данных.
В этой модели:
- Координационный слой делегирует задачи в зависимости от домена агентов искусственного интеллекта.
- Каждый агент специализируется на своем домене данных с целевыми возможностями.
- Агенты обрабатывают данные локально и возвращают только результаты.
- Никакие постоянные копии данных не создаются вне исходных систем.
Это отражает эффективные организационные структуры. Если вы являетесь генеральным директором компании и вы даете своей руководящей команде задачу, это не то, что один человек идет повсюду и выполняет всю работу. Он делегирован людям с необходимым опытом, доступом и знаниями для работы в своих областях. Затем информация объединяется вместе и представлена генеральному директору в качестве результата. Мы можем использовать тот же подход с агентами искусственного интеллекта.
Этот подход позволяет организациям использовать специализированные модели искусственного интеллекта, оптимизированные для конкретных систем. Например, Salesforce Einstein может обрабатывать данные Salesforce, в то время как другой агент может обрабатывать данные Atlassian — каждый из которых работает в своей области опыта.
Управление идентификацией и доступом в федеративном ИИ
Одной из критических проблем в этой архитектуре является поддержание правильного элемента управления доступа. Решение-«Переход идентификации»-когда пользователи взаимодействуют с ИИ, их личность и разрешения передаются во все базовые системы.
Большинство ИТ-систем основаны на элементах управления доступа на основе ролей (RBAC), что означает, что система ИИ должна рассмотреть роль пользователя, прежде чем определить, может ли кто-то увидеть определенные категории данных, такие как номера социального страхования. Когда данные обучения объединяются, эти централизованные данные создают проблему «наименее распространенного знаменателя», где все данные открываются до самого низкого уровня доступа RBAC, создавая проблемы конфиденциальности и безопасности.
Чтобы система искусственного интеллекта, чтобы почтить эти элементы управления, эти элементы управления RBAC необходимо проверить в режиме реального времени по мере доступности данных.
В федеративной системе, где ИИ координирует с агентами, специфичными для домена, каждый агент по сути выступает в качестве запрашивающего пользователя, гарантируя, что агент AI обращается только к информации, которая разрешена конкретному пользователю. Это означает:
- Один и тот же запрос разных пользователей возвращает индивидуальные результаты на основе роли пользователя и разрешений
- Изменения в управлении доступа в исходных системах сразу отражаются во взаимодействиях ИИ
- Управление остается в системах, предназначенных для обеспечения его соблюдения
Этот подход устраняет необходимость дублирования сложных структур разрешений или поддерживать синхронизацию нескольких систем управления доступа — задача, которая неизбежно приводит к пробелам безопасности.
Управление соответствия и региональные требования к данным
Федеративная архитектура предоставляет элегантные решения для проблем регулирования, таких как соответствие GDPR и CCPA. Система ИИ наследует эти возможности, поскольку данные остаются в исходных системах, которые уже реализуют элементы управления соответствием.
Например, при обработке запросов «Право быть забытым»:
Этот подход особенно ценен для многонациональных предприятий, работающих в рамках различных режимов регулирования. Данные в европейских системах могут оставаться совместимыми с GDPR, в то время как американские системы придерживаются локальных требований, и не нужно согласовать эти различия в центральном репозитории.
В отличие от систем, которые настраивают модели на пользовательских данных (создание постоянных артефактов, которые могут нарушать запросы на удаление), наша федеративная система ИИ использует данные в качестве контекста времени выполнения. Когда исходные данные изменяются или удаляются, последующие взаимодействия ИИ отражают эти изменения без переподготовки модели.
Выход за пределы доказательств концепции
Для многих предприятий федеративная архитектура не является выбором-это практическая, управляемая разница между ИИ, оставшимся ограниченным доказательством концепции и становлением производственным возможностями. Без этого подхода организации часто прибегают к небольшим пилотам, используя ограниченные наборы данных, никогда не осознавая полного потенциала ИИ для использования различных источников данных в компании.
Благодаря федеративному подходу к ИИ компания может получить огромную ценность от видимости во все источники данных и автоматизировать бизнес -процессы с помощью ИИ. Это не только успокаивает группу информационной безопасности, но и делает возможной реализацию.
Приняв архитектуры федеративного искусственного интеллекта, предприятия могут согласовать свои стратегии искусственного интеллекта с существующими рамками управления, требованиями безопасности и обязательствами по соблюдению. Это открывает преобразующий потенциал ИИ, сохраняя при этом контроль, которые защищают их бизнес и клиентов.
Trending Stories youtube.com/thenewstack Tech движется быстро, не пропустите эпизод. Подпишитесь на наш канал YouTube, чтобы транслировать все наши подкасты, интервью, демонстрации и многое другое. Группа подпишитесь с эскизом. Anant Bhardwaj является основателем и главным исполнительным директором Instabase, неструктурированной платформы данных AI, которая позволяет организациям разблокировать стоимость из всех их данных, включая неструктурированный контент в масштабе. Объединив разработку с низким кодом с расширенным ИИ, Instabase позволяет … Подробнее от Anant Bhardwaj
