معمار ارشد گوگل: عدم صحت داده‌ها عامل شکست پروژه‌های سازمانی AI

تصور کنید یک اشتباه کوچک در داده‌های موجودی کالا، به‌جای اینکه فقط یک نمودار را در داشبورد مدیریتی غلط نشان دهد، باعث شود سیستم هوش مصنوعی هزاران کالای اضافی و اشتباه سفارش دهد. این همان نقطه‌ای است که در آن «داده‌های کثیف» از یک خطای گزارش‌گیری ساده به یک فاجعه عملیاتی تبدیل می‌شوند.

به نقل از ساتیا ای‌جی (Sathya AG)، معمار ارشد استراتژی‌های صنعتی خرده‌فروشی در گوگل، تفاوت حیاتی میان داشبوردهای سنتی و سامانه‌های عامل‌محور (Agentic) در همین نقطه است. او معتقد است سازمان‌ها در حال حاضر ریسک خطاهای عملیاتی فاجعه‌باری را می‌پذیرند، زیرا سعی می‌کنند لایه‌های هوش مصنوعی را روی زیرساخت‌های داده‌ای پراکنده و متلاطم پیاده کنند.

ای‌جی با بیش از ۱۹ سال تجربه در معماری سازمانی و هوش مصنوعی، دیدگاهی جامع به این چالش دارد. او نویسنده کتاب «استراتژی‌های ابری ترکیبی و چندگانه در سطح سازمانی» (Enterprise-Grade Hybrid and Multi-Cloud Strategies) است. او همچنین دارای درجه فلو در انجمن کامپیوتر بریتانیا (FBCS)، عضو ارشد IEEE و فارغ‌التحصیل Stanford LEAD است. توانمندی‌های رهبری او با کسب جایزه «تاثیرگذارترین شخصیت AI» و جایزه ریاست گوگل (Google’s President’s Award) به رسمیت شناخته شده است. او علاوه بر نقش سازمانی، به عنوان عضو هیئت مشورتی CAIO Circle فعالیت می‌کند و سخنران همیشگی رویدادهایی چون AI Forward، Google Next و NRF است. او همچنین به صورت داوطلبانه به آموزش AI/ML به جوامعی که دسترسی کمتری به منابع آموزشی دارند، می‌پردازد. تخصص او در شناسایی شکاف میان پتانسیل مدل‌ها و واقعیت داده‌های سازمانی متمرکز شده است.

این تحول را می‌توان عبور از «مشاهده غیرفعال» به «سامانه‌های اقدام خودگردان» دانست. در دهه گذشته، تمرکز بر ساخت سیستم‌های پیچیده برای ارائه تحلیل‌های قابل‌اعتماد به تصمیم‌گیرندگان انسانی بود. برای مثال، ای‌جی ده سال از دوران حرفه‌ای خود را در اوراکل (Oracle) صرف ساخت سیستم‌های بنیادی و پیچیده کرد تا بینش‌های قابل‌اعتماد به انسان‌ها برساند. اما هوش مصنوعی عامل‌محور — مانند کارمندی که نه تنها گزارش می‌دهد، بلکه اجازه دارد خودش خرید کند و انبار را مدیریت نماید — مستقیماً دستورات را اجرا می‌کند و موجودی را به طور مستقل مدیریت می‌کند. همان‌طور که در تحلیل قبلی ما درباره‌ی گوگل جمینای نوت‌بوک اشاره کردیم، انتقال به ابزارهای هوش مصنوعی در سطح تولید، همواره اصطکاک‌های عمیقی را در نحوه دسترسی و اعتماد سازمان‌ها به داده‌های زیربنایی‌شان آشکار می‌کند.

چرخش به سمت اقدام خودگردان

در دوران مدرنیزاسیون سنتی داده‌ها، هدف این بود که سازمان از طریق مدیریت داده‌های جامع (Master Data Management) و حاکمیت داده، یک «منبع حقیقت واحد» (Single Source of Truth) داشته باشد که بسیار تاب‌آور باشد. طبق گفته‌های ای‌جی، در دوران حضورش در اوراکل، تمرکز اصلی او بر حل چالش‌های عظیم ادغام و حاکمیت داده‌ها بود تا سیستم‌هایی که سازمان‌ها برای اداره کسب‌وکار خود به آن‌ها متکی هستند، به درستی پشتیبانی شوند.

اما اکنون پارادایم معماری تغییر کرده است. سوال کلیدی برای معماران دیگر این نیست که «آیا داده‌ها دیده می‌شوند یا خیر؟»، بلکه این است که «آیا سیستم می‌تواند به‌طور درست، بدون نظارت و در مقیاس وسیع، به‌نیابت از شرکت اقدامی انجام دهد؟». این یعنی تغییر هدف از طراحی لایه‌های معنایی (Semantic Layers) و خط‌لوله‌های داده برای انسان‌ها به خلق سامانه‌های اقدام خودگردان.

این تغییر، استانداردهای کیفیت، زمینه (Context) و کنترل داده را به‌شدت بالا می‌برد. اگر یک عامل (Agent) در خواندن داده‌های موجودی اشتباه کند، فقط یک مدیر را گمراه نمی‌کند؛ بلکه یک سفارش اشتباه ثبت می‌کند. برای کاهش این ریسک، ای‌جی بر ضرورت پر کردن شکاف میان سیستم‌های قطعی سازمانی (Deterministic) و هوش مصنوعی احتمالی (Probabilistic) از طریق یک بافت داده‌ای (Data Fabric) قابل‌اعتماد و نظارت‌پذیری (Observability) سخت‌گیرانه تاکید می‌کند. هدف این است که استدلال‌های لحظه‌ای و خودگردان، دقیقاً با همان یکپارچگی تراکنشی (Transactional Integrity) پیش بروند که در سیستم‌های بانکی یا انبارداری سنتی اجباری است.

تله‌های معماری در پروژه‌های شکست‌خورده

بر اساس مصاحبه‌ای که در unite.ai منتشر شد، بسیاری از پروژه‌های هوش مصنوعی به دلیل تصمیمات عجولانه در معماری اولیه شکست می‌خورند. ای‌جی سه اشتباه استراتژیک را شناسایی کرده است که به‌آرامی پروژه‌ها را تخریب می‌کنند:

• توهم انبار داده (The Warehouse Fallacy): شرکت‌ها تصور می‌کنند انبار داده یا دریاچه داده (Data Lake) منبع حقیقت است، اما در واقعیت، اینجا اغلب تنها جایی است که «اختلاف‌نظرهای داده‌ای متمرکز شده‌اند». به عنوان مثال، اگر سه سیستم منبع، «مشتری فعال» را به‌گونه‌های متفاوتی تعریف کنند، ریختن همه آن‌ها در یک انبار داده به‌جای حل مشکل، فقط یک جواب غلط واحد تولید می‌کند، به‌جای اینکه سه دیدگاه متفاوت را مدیریت کند.
• خط‌لوله‌های صلب (Rigid Pipelines): معماران خط‌لوله‌های داده (Pipelines) را دقیقاً برای یک داشبورد خاص بهینه‌سازی می‌کنند. اما وقتی شش ماه بعد یک مدل جدید به همان داده‌ها با سرعت بیشتر یا تازه‌تر نیاز دارد، کل سیستم باید تخریب و بازسازی شود چون برای «لحظه حال» ساخته شده بود و نه برای مقیاس‌پذیری در آینده.
• فقدان رده‌بندی (Missing Lineage): تیم‌ها ردیابی متادیتا و منشأ داده‌ها (Lineage) را به‌دلیل هزینه‌بر به نظر رسیدن حذف می‌کنند. اما وقتی مدل یک تصمیم حیاتی می‌گیرد و راهی برای ردیابی دلیل آن تصمیم وجود ندارد، این «تصمیم طراحی ارزان»، به یک «اصلاح بسیار گران» در زمان شکست تبدیل می‌شود. در واقع، نبود رده‌بندی باعث می‌شود سازمان نتواند بفهمد چرا یک تصمیم خاص اتخاذ شده است.

نشانه‌های آمادگی برای مقیاس‌بندی

ای‌جی معتقد است آمادگی سازمان برای عبور از مرحله آزمایشی (Pilot) و رسیدن به مقیاس واقعی در سه دسته (Bucket) قابل شناسایی است. او می‌گوید معمولاً در همان اولین گفتگوها می‌تواند بلوغ سازمان را تشخیص دهد:

۱. همراستایی استراتژیک و باور مدیران

• تفاوت استراتژی با «حسادت هوش مصنوعی»: مدیران باید باور قلبی و متعهدانه داشته باشند. سازمان‌های آماده، ارزش تجاری دقیقی را تعریف می‌کنند — مانند رشد درآمد، بهبود حاشیه سود یا ارتقای تجربه مشتری — به‌جای اینکه صرفاً دچار «حسادت AI» باشند یا بخواهند از هوش مصنوعی زاینده استفاده کنند چون در حال حاضر ترند شده است.
• بودجه متعهدانه: آن‌ها از بودجه‌های ایزوله و کوچک تحقیق و توسعه (R&D) فراتر رفته‌اند. در این سازمان‌ها، بودجه‌های تخصصی و بین‌بخشی نه تنها برای پروژه AI، بلکه برای مدیریت تغییر (Change Management)، زیرساخت و عملیات یادماشینی (MLOps) در نظر گرفته شده است.

۲. تناسب مسئله و راهکار (Problem-Solution Fit)

• پرهیز از تله RPA: یک نشانه خطر بزرگ، اشتباه گرفتن اتوماسیون جریان کاری استاندارد یا رباتیک پردازش فرآیند (RPA) با هوش مصنوعی است. سازمان‌های آماده روی مواردی تمرکز می‌کنند که هوش مصنوعی در آن‌ها یک جهش در قابلیت‌ها ایجاد کند، نه اینکه فقط یک فرآیند قدیمی و میراثی را با AI باز تعریف کنند تا تیک تایید هیئت مدیره را بزنند.
• مالکیت واحد تجاری: زمانی آمادگی تایید می‌شود که ذینفعان تجاری در توسعه راهکار شریک باشند و مالکیت نتایج تجاری را بر عهده بگیرند. اگر هیجان فقط در یک «آزمایشگاه نوآوری» ایزوله باشد و کسی در دنیای واقعی مسئولیت خروجی را نپذیرد، پروژه‌ها هرگز از حالت آزمایشی خارج نمی‌شوند.

۳. بلوغ عملیاتی و حاکمیت

• مشارکت از روز اول: سازمان‌های بالغ، تیم‌های امنیت اطلاعات (InfoSec)، حقوقی و حاکمیت داده را از روز اول (Day 1) پای میز می‌آورند. تلاش برای دور زدن این تیم‌ها برای «سریع‌تر حرکت کردن»، نسخه‌ای قطعی برای شکست در زمان استقرار است. این تیم‌ها نه به عنوان سد راه، بلکه به عنوان فعال‌سازهای حیاتی دیده می‌شوند که «حفاظ‌ها» (Guardrails) لازم را می‌سازند.

کالبدشکافی زیرساخت آماده برای AI

برای سازمان‌هایی که داده‌هایشان میان سیستم‌های ERP، CRM، بازرگانی و سیستم‌های قدیمی پراکنده است، ای‌جی اشاره می‌کند که مشکل معمولاً حجم داده نیست، بلکه «اعتماد به داده» است. یک زیربنای آماده برای AI نیازمند چند ویژگی است که شاید در ظاهر جذاب نباشند اما حیاتی هستند:

• تشخیص موجودیت (Entity Recognition): یک مشتری، محصول یا فروشگاه باید در تمام پلتفرم‌ها به عنوان یک موجودیت واحد شناخته شود. اگر سیستم یک مشتری را سه نفر ببیند، مدل‌های شخصی‌سازی و پیش‌بینی روی داده‌های تکه‌تکه کار می‌کنند و تصویری «توهم‌آمیز» از ارزش طول عمر مشتری (Customer Lifetime Value) خلق می‌کنند.
• تازگی متناسب با تصمیم (Decision-Matched Freshness): سرعت به‌روزرسانی داده باید با نوع تصمیمی که گرفته می‌شود متناسب باشد. به‌روزرسانی‌های شبانه برای برنامه‌ریزی‌های بلندمدت کافی است، اما برای ارسال لحظه‌ای کالا (Real-time fulfillment) کاملاً بی‌فایده است. یک زیربنای واقعی باید هر دو سرعت را پشتیبانی کند، بدون اینکه همه چیز را به سرعت کندترین منبع کاهش دهد.
• ردیابی سریع منشأ (Rapid Lineage): زیربنا باید به سازمان اجازه دهد در عرض چند دقیقه به این سوال پاسخ دهد که «این عدد از کجا آمده است». بدون این لایه، سازمان‌های پراکنده نمی‌توانند داده‌های موجود خود را قابل‌اعتماد و قابل‌ردیابی کنند.

اهمیت Veracity در مدل ۵-V

در ارزیابی پنج ویژگی اصلی داده (Volume، Velocity، Variety، Veracity و Value)، ای‌جی تاکید می‌کند که سازمان‌ها بیش از همه صحت داده (Veracity) و سپس ارزش داده (Value) را دست‌کم می‌گیرند.

حجم (Volume) در اکوسیستم داده‌های بزرگ امروز یک پیش‌فرض است و همه در آن غرق شده‌اند. تنوع (Variety) و سرعت (Velocity) معمولاً بودجه می‌گیرند چون দৃশ্য‌پذیر هستند (مثل منابع جدید یا جریان‌های لحظه‌ای). اما «صحت» نامرئی است تا زمانی که برای شرکت هزینه ایجاد کند؛ مثلاً وقتی مدل به‌دلیل رکوردهای تکراری مشتری یا فیلدی که سه تیم مختلف به سه روش متفاوت پر کرده‌اند، خروجی غلط تولید می‌کند.

به همین ترتیب، ارزش داده (Data Value) اشتباه درک شده است. مدیران اغلب تصور می‌کنند اگر داده‌ای وجود داشته باشد، حتماً ارزشمند است. در واقعیت، تنها بخش کوچکی از داده‌های سازمانی واقعاً بر یک تصمیم تجاری اثر می‌گذارند، اما کمتر شرکتی نقشه‌برداری کرده است که آن بخش کوچک دقیقاً کدام است.

خرده‌فروشی: جاه‌طلبی در برابر آمادگی

در بخش خرده‌فروشی، ای‌جی یک عدم تقارن در آمادگی داده‌ها برای کاربردهای مختلف می‌بیند:

• شخصی‌سازی و پیش‌بینی: آمادگی بالا؛ چرا که خرده‌فروشان سال‌هاست داده‌های تراکنش و رفتارهای مرور وب را جمع‌آوری می‌کنند.
• زنجیره تأمین و چندکاناله (Omni-channel): آمادگی پایین؛ این حوزه بسیار پیچیده است زیرا نیازمند حل مسئله شناسایی واحد مشتری و مدیریت موجودی سیال در لحظه است. در حالی که موجودی تجارت الکترونیک اغلب لحظه‌ای است، دیدن موجودی در سطح فروشگاه‌های فیزیکی معمولاً دوره‌ای یا در پایان روز است.
• عملیات فروشگاهی و خدمات مشتری: مراحل اولیه؛ در حالی که جاه‌طلبی در این بخش زیاد است، داده‌های عملیاتی زیربنایی — مانند وضعیت کارکنان، تکمیل وظایف و شرایط لحظه‌ای فروشگاه — کمترترین بخش‌هایی هستند که دیجیتالی شده باشند.

مدرنیزاسیون برای عصر هوش مصنوعی

برای جلوگیری از اختلال در سیستم‌های حیاتی (Mission-critical)، ای‌جی توصیه می‌کند از مهاجرت‌های یک‌باره و پرریسک (Big-bang) به‌طور جدی بپرهیزیم. هدف مدرنیزاسیون باید این باشد که داده‌ها به‌طور اثبات‌شده برای تصمیم‌گیری مفیدتر شوند، نه اینکه صرفاً یک جایگزینی پلتفرم IT انجام شود.

او پیشنهاد می‌کند معماری مدالیون داده (Data Medallion) و مش داده (Data Mesh) اتخاذ شود. این استراتژی یک خط‌لوله ساختارمند ایجاد می‌کند که در آن داده‌ها به‌تدریج از حالت خام (Raw) به حالت آماده برای کسب‌وکار پالایش می‌شوند. این کار از ورود داده‌های بی‌کیفیت به فرآیند تصمیم‌گیری جلوگیری می‌کند.

با جداسازی داده‌ها به لایه‌های منطقی متمایز، سازمان‌ها رده‌بندی شفافی ایجاد کرده و داده‌های تاییدشده را در قالب «محصولات داده‌ای» (Data Products) دسترس‌پذیر می‌کنند. این کار تیم‌ها را قادر می‌سازد تا به‌جای تکیه بر شهود، تصمیمات مبتنی بر شواهد بگیرند. ساخت عوامل AI روی این محصولات پالایش‌شده تضمین می‌کند که مدل‌ها از اطلاعات امن و دقیق یاد می‌گیرند، نه از مجموعه‌های داده‌ای آشفته و تاییدنشده.

حاکمیت به عنوان کاتالیزور

وقتی حاکمیت، حریم خصوصی و امنیت از روز اول به عنوان نیازمندی‌های معماری دیده شوند، سازمان از حالت «کنترل خسارت» به حالت «سرعت» منتقل می‌شود. با توجه به ماهیت احتمالی هوش مصنوعی زاینده (Generative AI)، این حاکمیت حیاتی است اما اغلب نادیده گرفته می‌شود. در برخی موارد حساس، سازمان‌ها مجبور به بازنگری در این حاکمیت می‌شوند، همان‌طور که در مورد تصمیم گوگل دیپ‌مایند برای کنار گذاشتن محدودیت‌های اخلاقی در قرارداد با پنتاگون مشاهده شد، جایی که نیازهای عملیاتی بر پروتکل‌های استاندارد اولویت یافت.

این رویکرد مانع از آن می‌شود که پروژه‌های کامل‌شده در مرحله نهایی، به‌دلیل نقض استانداردهای حاکمیت یا حریم خصوصی دور ریخته شوند (مرحله دردناک Rip-and-replace). با جاسازی امنیت و کیفیت مستقیماً در خط‌لوله، مدل‌ها روی داده‌های قابل‌اعتماد اجرا می‌شوند و خروجی‌هایی می‌دهند که رهبری سازمان واقعاً به آن‌ها اعتماد کند. به‌جای برخورد با یک دیوار رگولاتوری در زمان تبدیل «اثبات مفهوم» (PoC) به «تولید»، مسیر استقرار از قبل پاکسازی و خودکار شده است. حاکمیت، ترمز نوآوری نیست؛ بلکه سیستم فرمان‌بری است که به سازمان اجازه می‌دهد با سرعت زیاد اما ایمن حرکت کند.

تکامل نقش CAIO

ای‌جی به عنوان مشاور CAIO Circle، معتقد است نقش مدیر ارشد هوش مصنوعی (Chief AI Officer) باید از یک پاسخ واکنشی به هایپِ مدل‌ها، به یک نقش عملیاتی دقیق تبدیل شود. او تقسیم کار زیر را پیشنهاد می‌کند:

۱. CIO (مدیر ارشد اطلاعات): مالک زیرساخت و پایداری سیستم است.
۲. CDO (مدیر ارشد داده): مالک داده‌ها به‌عنوان دارایی سازمان، از جمله کیفیت، حاکمیت و دسترسی است.
۳. CAIO (مدیر ارشد هوش مصنوعی): مالک لایه ترجمه بین قابلیت‌های خام AI و نتایج واقعی تجاری است.

این لایه ترجمه شامل پذیرش مالکیت صریح پرتفوی AI، تعیین اینکه چه چیزی باید ساخته شود و شناسایی بخش‌های تجاری است که می‌توانند از طریق فناوری AI بهتر خدمات دریافت کنند. CAIO به عنوان مرجع نهایی در مورد اینکه هوش مصنوعی در کجا باید و در کجا نباید مستقر شود، عمل می‌کند.

مدیر CAIO باید به‌عنوان یک دروازه‌بان مستقل و از نظر فنی مسلط عمل کند. این برای ارزیابی توازن بین ریسک و ارزش در واحدهای تجاری رقیب ضروری است. برای مثال، CAIO می‌تواند یک ابتکار پرریسک AI را که یک واحد تجاری برای رسیدن به اهداف کوتاه‌مدت به شدت می‌خواهد اما کل سازمان را به خطر می‌اندازد، متوقف کند.

مزیت پایدار

در نهایت، قابلیت‌های خام مدل‌ها در حال هم‌گرایی هستند و دیگر یک تمایز ماندگار ایجاد نخواهند کرد. برنده‌های واقعی شرکت‌هایی هستند که «اعتماد» (Trust) را بسازند. ای‌جی اعتماد را متناسب با سه ضلع تعریف می‌کند:

• یک زیربنای داده‌ای قابل‌اعتماد: داده‌های پاک و قابل‌اعتماد که نیاز به پروژه‌های عظیم و تک‌بعدی پاک‌سازی را برای هر مورد استفاده جدید از بین ببرد.
• حاکمیت چابک: فرآیندهای ریسک و انطباق که سرعتشان با سرعت تکامل مدل‌های زیربنایی همخوان باشد.
• معیارهای نتیجه‌محور: فرهنگ سازمانی که AI را با ارزش واقعی تجاری می‌سنجد، نه پیچیدگی فنی مدل.

شرکت‌هایی که تا سه سال دیگر در «حالت آزمایش» باقی می‌مانند، همان‌هایی هستند که این زیربنا را نساختند و مدام درس‌های تکراری داده و حاکمیت را بازخوانی می‌کنند. برای یک سازمان موفق، استقرار دهمین مورد استفاده از AI باید به‌شدت ارزان‌تر و سریع‌تر از مورد اول باشد. این تنها در صورتی ممکن است که زیربنا از همان بار اول درست ساخته شده باشد. خوانندگانی که علاقه‌مند به این استراتژی‌ها هستند، می‌توانند کتاب او با عنوان Enterprise-Grade Hybrid and Multi-Cloud Strategies را بررسی کنند.

گام بعدی شما

• اگر در حال طراحی یک Agent هستید، ابتدا نقشه‌های جریان داده (Data Lineage) خود را بازبینی کنید تا مطمئن شوید منشأ هر تصمیم قابل ردیابی است.
• به جای تمرکز بر مدل‌های بزرگ‌تر، روی «پاک‌سازی موجودیت‌ها» (Entity Resolution) در دیتابیس خود سرمایه‌گذاری کنید تا توهمات مدل کاهش یابد.
• جلسه‌ای با تیم‌های حقوقی و امنیت ترتیب دهید تا «حفاظ‌ها» (Guardrails) را به‌عنوان بخشی از معماری، نه مانعی در برابر آن، تعریف کنید.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell و تأثیر آن‌ها بر استنتاج سازمانی مراجعه کنید.