Perėjimas nuo kontroliuojamų testavimo aplinkų prie tiesioginio diegimo įmonėje yra labai skirtingas pasiūlymas. Mažo masto bandymas gali būti puikiai atliktas naudojant kruopščiai atrinktus duomenų rinkinius, tačiau įdiegus šią galimybę tūkstančiuose darbuotojų ir tarpusavyje sujungtose programinės įrangos platformose, atsiranda pažeidžiamumų.
Naršyti šiuolaikinėse įmonės saugos aplinkose reiškia gilų agentinės architektūros integravimą su esamais tapatybės teikėjais ir debesies vietinėmis saugos valdikliais hibridinėse debesų ekosistemose.
Sharma nustato šią integracijos nesėkmę ir dėl to kylančią valdymo skolą, kuri stabdo pažangą:
„Pagrindinė kliūtis, kurią matome, yra tai, ką mes vadiname gamybos spraga. Bandomasis projektas gali pasisekti su protingu raginimu, kuruojamu duomenų rinkiniu ir čempionų komanda, kuri jį valdo rankiniu būdu, tačiau norint diegti įmonėje reikia nuolatinių vertinimų, tapatybės ir įgaliojimų, kurie veikia sistemose, kurių pilotas niekada nepalietė, naudotojų pakeitimų valdymo ir finansinio modelio, galinčio padengti naudojimu pagrįstas išlaidas.
„Su tuo susieta valdymo skola: kontrolė, audito takai ir rizikos sistemos, kurių atsisakyta siekiant paspartinti bandomąjį darbą, dažnai tampa ribojančiais elementais, kai tik teisėta ir atitiktis įvertina gamybos diegimą. Įsilaužia tie klientai, kurie bandomųjų versijų nelaiko eksperimentais, o laiko juos pirmuoju daugkartinio naudojimo platformos gamybiniu pavyzdžiu – naudojant tuos pačius vertinimus, tapatybės modelio ir trečiojo valdymo modelio pradžią. pirmasis“.
Pradinio bandymo metu taikomų atitikties schemų dažnai visiškai nepakanka, kad būtų galima įdiegti. Komandos, trokštančios įrodyti koncepciją, dažnai apeina standartinius įmonės saugos protokolus, sukurdamos pačius blokavimo elementus, kurie neleidžia ateityje keisti mastelio.
Visus tris gedimo būdus – gamybos spragą, valdymo skolą ir ankstesnių duomenų trintį – vienija tai, kad kiekvienas iš jų yra nematomas gerai vykdomo bandomojo projekto metu. Čempionų komanda, turinti kuruojamą duomenų rinkinį ir valdymo dangtelį, gali pakankamai ilgai nagrinėti trūkstamus tapatybės valdiklius, pasenusius duomenis ir atidėtas atitikties peržiūras, kad gautų įtikinamą demonstraciją. Tik tada, kai sistema turi veikti pilnoje įmonėje, su tikrais vartotojais, tiesioginiais duomenimis ir teisiniu patikrinimu, spragos tampa struktūriniais blokatoriais, o ne žinomais būdais.
Daugkartinio naudojimo platformos kūrimas nuo pat pradžių – tapatybės tikrinimas, nuolatinis modelių vertinimas ir finansinė stebėsena, laikomi pirmos klasės reikalavimais, o ne papildymais po paleidimo – tai leidžia organizacijoms neperstatyti šių pamatų kiekvieną kartą vėliau diegiant.
Prakul Sharma interviu buvo atliktas prieš AI & Big Data Expo Šiaurės Ameriką, kur Deloitte yra svarbus rėmėjas. Būtinai užsukite į Deloitte stendą 272 stende ir išgirskite daugiau tiesiogiai iš organizacijos ekspertų. Prakul Sharma daugiau savo įžvalgų pasidalins per panelės sesiją pirmąją ir antrąją pramonėje pirmaujančio renginio dieną.
(Vaizdo šaltinis: Pixabay, pagal licenciją.)
Norite daugiau sužinoti apie AI ir didelius duomenis iš pramonės lyderių? Peržiūrėkite „AI & Big Data Expo“, vykstančią Amsterdame, Kalifornijoje ir Londone. Išsamus renginys yra „TechEx“ dalis ir vyksta kartu su kitais pagrindiniais technologijų renginiais, įskaitant „Cyber Security & Cloud Expo“. Norėdami gauti daugiau informacijos, spustelėkite čia.
AI naujienas teikia TechForge Media. Čia rasite kitus būsimus įmonių technologijų renginius ir internetinius seminarus.
