Confluent melihat setidaknya ada tiga area yang perlu menjadi perhatian perusahaan ketika membawa AI dari tahap eksperimen menuju produksi.
Pertama, membangun fondasi data real-time. Perusahaan perlu mengurangi ketergantungan terhadap pembaruan data secara batch dan memungkinkan data operasional mengalir secara berkelanjutan antarsistem. Dengan begitu, aplikasi AI dapat memperoleh konteks bisnis terbaru.
Kedua, mengelola data ketika sedang bergerak. Tata kelola data tidak semestinya baru dilakukan setelah data masuk ke data warehouse. Perusahaan membutuhkan visibilitas terhadap kualitas, asal-usul, serta keamanan data sejak informasi tersebut berpindah di antara berbagai aplikasi dan platform.
Ketiga, meningkatkan kualitas data sedekat mungkin dengan sumbernya. Pendekatan shift-left memungkinkan data divalidasi, dibersihkan, dan dikelola sebelum masuk ke data warehouse maupun model AI. Langkah ini diharapkan dapat mengurangi kesalahan di tahap hilir sekaligus mendeteksi persoalan kualitas dan kepatuhan lebih awal.
Greg menilai perusahaan yang masih mengandalkan arsitektur data terfragmentasi dan berbasis batch akan menghadapi tantangan untuk membawa AI melampaui proyek-proyek pilot.
Sebaliknya, perusahaan yang memperlakukan data sebagai aliran informasi berkelanjutan akan lebih siap menggunakan AI berdasarkan kondisi bisnis secara real-time.
"Di era AI, keberhasilan tidak ditentukan oleh siapa yang memiliki model terpintar. Keberhasilan ditentukan oleh siapa yang memiliki data terbaru," kata Greg.
