أنتوني ديجتون، الرئيس التنفيذي لشركة Tamr – سلسلة المقابلات

أنتوني ديجتون هو الرئيس التنفيذي لشركة Tamr. لديه 20 عامًا من الخبرة في بناء وتوسيع شركات البرمجيات للشركات. في الآونة الأخيرة، قضى عامين كchief Marketing Officer في شركة Celonis، حيث أسس القيادة في فئة برمجيات Process Mining وإنشاء برامج توليد الطلب التي أدت إلى نمو ARR بنسبة 130٪. قبل ذلك، شغل منصبًا لمدة 10 سنوات في شركة Qlik، حيث نمت من شركة برمجيات سويدية غير معروفة إلى شركة عامة – في أدوار من قيادة المنتج، التسويق والمنتج وأخيرًا كCTO. بدأ مسيرته المهنية في نظام Siebel Systems حيث تعلم كيفية بناء شركات برمجيات للشركات.

يمكنك مشاركة بعض المعالم الرئيسية من رحلتك في صناعة البرمجيات للشركات، خاصةً وقتك في Qlik وCelonis؟

بدأت مسيرتي في برمجيات الشركات في نظام Siebel Systems وتعلمت الكثير حول بناء وتوسيع شركات برمجيات الشركات من فريق القيادة هناك. انضممت إلى Qlik عندما كانت شركة برمجيات سويدية صغيرة غير معروفة مع 95٪ من الفريق الصغير المكون من 60 شخصًا يقعون في لوند، السويد. أعتقد أنني لم أكن مهندسًا أو بائعًا،所以 وضعوني في charge من التسويق. بنيت فريق التسويق هناك، ولكن مع مرور الوقت، اهتمامي ومساهمتي اتجهت نحو إدارة المنتج، وأخيرًا أصبحت Chief Product Officer. أخذنا Qlik العامة في عام 2010، وواصلنا كشركة عامة ناجحة. بعد ذلك، أردنا القيام ببعض الاستحواذات، لذلك بدأت فريق الاستحواذ. بعد فترة طويلة ومقبولة من الناحية المالية كشركة عامة، باعت Qlik في النهاية إلى شركة استثمار خاصة تسمى Thoma Bravo. كان ذلك، كما أحب أن أقول، دورة حياة كاملة لشركة برمجيات للشركات. بعد مغادرة Qlik، انضممت إلى Celonis، شركة برمجيات ألمانية صغيرة تحاول تحقيق النجاح في بيعها في الولايات المتحدة. مرة أخرى، قمت بتشغيل التسويق كCMO. نمت بسرعة و بنينا وظيفة تسويق عالمية ناجحة.

كانت كل من Celonis وQlik تركز على الجزء الأمامي من تحدي تحليل البيانات – كيف أرى وفهم البيانات؟ في حالة Qlik، كانت هذه لوحات التحكم؛ في حالة Celonis، كانت العمليات التجارية. لكن التحدي الشائع عبر كليهما كان البيانات وراء هذه التصورات. شكوى العديد من العملاء أن البيانات كانت خاطئة: سجلات مكررة، سجلات غير مكتملة، مساحات بيانات مفقودة. هذا هو ما جذبني إلى Tamr، حيث شعرت أننا قد نتمكن لأول مرة من حل تحدي البيانات المتسخة للشركات. كان أول 15 عامًا من مسيرتي المهنية في برمجيات الشركات مخصصًا لتصوير البيانات، وأتمنى أن يكون الـ 15 عامًا القادم مخصصًا لتنظيف هذه البيانات.

كيف شكلت تجاربك المبكرة نهجك في بناء وتوسيع شركات برمجيات الشركات؟

درس هام تعلمته في التحول من Siebel إلى Qlik هو قوة البساطة. كان Siebel برنامجًا قويًا جدًا، لكنه قتل في السوق من قبل Salesforce.com، الذي صنع برنامج CRM مع ميزات أقل (“لعبة” كما كان يسميها Siebel)، لكن العملاء يمكنهم تشغيله بسرعة لأنها تم توريدها كحل سحابي. يبدو واضحًا اليوم، لكن في ذلك الوقت كان الحكمة أن العملاء يشترون الميزات، لكن ما تعلمناه هو أن العملاء يستثمرون في حلول لحل مشاكلهم التجارية. إذا كان برنامجك يحل مشكلتهم بسرعة، فستفوز. كان Qlik حلًا بسيطًا لمشكلة تحليل البيانات، لكنه كان بسيطًا بشكل جذري. ونتيجة لذلك، كنا نتمكن من هزيمة منافسين أكثر ميزات مثل Business Objects وCognos.

الدرس الثاني الهام الذي تعلمته كان في تحويلي الوظيفي من التسويق إلى المنتج. نعتقد أن هذه النطاقات متميزة. في مسيرتي المهنية، وجدت أنني أتحرك بسلاسة بين المنتج والتسويق. هناك ربط حميم بين المنتج الذي تبنيه وكيف تصفه للعملاء المحتملين. وهناك ربط مهم آخر بين ما يطالب به العملاء وما يجب أن نبني. القدرة على التحرك بين هذه المحادثات هي عاملاً حاسماً للنجاح لأي شركة برمجيات للشركات. سبب شائع لفشل شركة بدء الأعمال هو الاعتقاد بأن “إذا بنيتها، سيأتون”. هذا هو الاعتقاد الشائع بأنه إذا بنيت برنامجًا رائعًا، سيستفيد الناس من صفوف لشراءه. هذا لا يعمل أبدًا، والحل هو عملية تسويق قوية متصلة بعملية تطوير البرمجيات.

الفكرة الأخيرة التي سأشاركها ترتبط بين عملي الأكاديمي وعملي المهني. كان لدي فرصة في المدرسة التجارية لأخذ فصل دراسي حول نظرية Clay Christensen للابتكار المدمر. في عملي المهني، كان لدي فرصة لتجربة كلاً من كونه مدمرًا ومدمرًا. الدرس الرئيسي الذي تعلمته هو أن أي ابتكار مدمر هو نتيجة لتحول منصة خارجي يجعل المستحيل ممكنًا في النهاية. في حالة Qlik، كانت هذه توفر منصة الخوادرمع ذاكرة كبيرة التي سمحت لQlik بتقويض التقارير التقليدية القائمة على المكعبات. في Tamr، يوفر توفر منصة التعلم الآلي بمقياس كبير لنا لتقويض المدارة المدمرة اليدوية القائمة على القواعد بدلاً من نهج قائم على الذكاء الاصطناعي. من المهم دائمًا تحديد ما هو التحول في المنصة الذي يقود الابتكار المدمر.

ما الذي ألهم تطوير إدارة البيانات الرئيسية الأصلية بالذكاء الاصطناعي، وكيف تختلف عن حلول إدارة البيانات التقليدية؟

تطوير Tamr خرج من العمل الأكاديمي في MIT حول حل الكيانات. تحت القيادة الأكاديمية للفائز بجائزة تURING Michael Stonebraker، كان السؤال الذي كان الفريق يحققه هو “هل يمكننا ربط سجلات البيانات عبر مئات الآلاف من المصادر وملايين السجلات”. على ظاهره، هذا هو تحدي لا يمكن التغلب عليه لأن كلما زاد عدد السجلات والمصادر، زادت السجلات التي تحتاج إلى مقارنة كل سجل معها. يسمي علماء الحاسوب هذا “مشكلة n-squared” لأن المشكلة تزداد هندسيًا مع النطاق.

محاولات الأنظمة التقليدية لإدارة البيانات الرئيسية لحل هذه المشكلة بالقواعد والتنقية اليدوية للبيانات. لا تتناسب القواعد لأنك لا تستطيع كتابة قواعد كافية لتغطية كل حالة حافة وتنظيم آلاف القواعد هو مستحيل تقنيًا. التنقية اليدوية مكلفة للغاية لأنها تعتمد على البشر لمحاولة العمل من خلال ملايين السجلات والمقارنات الممكنة. يفسر هذا اعتمادية السوق الضعيفة لحلول إدارة البيانات التقليدية. بصراحة، لا أحد يحب إدارة البيانات التقليدية.

كانت فكرة Tamr البسيطة هي تدريب الذكاء الاصطناعي على القيام بعمل استهلاك المصدر وربط السجلات وتحديد القيم. الشيء العظيم حول الذكاء الاصطناعي هو أنه لا يأكل ولا ينام ولا يأخذ إجازة؛ كما أنه قابل للتوسيع بشكل كبير، لذلك يمكنه التعامل مع حجم هائل من البيانات والعمل على تحسينها. لذلك، حيث كانت إدارة البيانات الرئيسية مستحيلة، أصبحت من الممكن تحقيق بيانات نظيفة وموحدة ومحدثة (انظر أعلاه).

ما هي أكبر التحديات التي تواجه الشركات مع إدارة البيانات، وكيف تعالج Tamr هذه القضايا؟

التحدي الأول، والذي يمكن القول إنه الأكثر أهمية، هو أن مستخدمي الأعمال لا يستخدمون البيانات التي تنتجها. أو قال بشكل مختلف، إذا لم تنتج فرق البيانات بيانات عالية الجودة التي تستخدمها المنظمة ل回答 أسئلة تحليلية أو تسهيل العمليات التجارية، فإنهم يهدرون الوقت والمال. إخراج Tamr الرئيسي هو صفحة 360 لكل سجل كيان (فكر في: عميل، منتج، جزء، إلخ.) الذي يجمع جميع البيانات الأساسية والثانوية التحتية بحيث يمكن لمستخدمي الأعمال رؤية وتقديم ملاحظات على البيانات. مثل ويكي لبيانات الكيان. هذه الصفحة 360 هي أيضًا الإدخال إلى واجهة محادثة تسمح لمستخدمي الأعمال بطرح الأسئلة والإجابة عليها مع البيانات. لذلك، المهمة الأولى هي إعطاء المستخدم البيانات.

لماذا من الصعب على الشركات أن تعطي المستخدمين بيانات يحبونها؟ لأن هناك ثلاثة مشاكل صعبة أساسية تحقق هذا الهدف: تحميل مصدر جديد، وربط السجلات الجديدة في البيانات الحالية، وتصحيح القيم/الحقول في البيانات. يجعل Tamr من السهل تحميل مصادر بيانات جديدة لأن الذكاء الاصطناعي يخريطة تلقائيًا الحقول الجديدة إلى مخطط كيان محدد. هذا يعني أنه بغض النظر عما يسمى مصدر البيانات بميدان معين (مثال: cust_name) يتم ربطه بالتعريف المركزي الصحيح لذلك الكيان (مثال: “اسم العميل”). التحدي التالي هو ربط السجلات التي هي مكررة. التكرار في هذا السياق يعني أن السجلات هي في الواقع نفس الكيان الحقيقي. يقوم الذكاء الاصطناعي في Tamr بذلك، ويستخدم حتى مصادر خارجية ثانوية ك “حقيقة أرضية” لتحديد الكيانات الشائعة مثل الشركات والأشخاص. مثال جيد على ذلك هو ربط جميع السجلات عبر العديد من المصادر لعميل مهم مثل “Dell Computer”. أخيرًا،对于 أي سجل قد يكون هناك حقول خالية أو غير صحيحة. يمكن لـ Tamr استبدال قيم الحقول الصحيحة من المصادر الداخلية والثانوية.

يمكنك مشاركة قصة نجاح حيث تحسنت Tamr بشكل كبير في إدارة البيانات والنتائج التجارية لشركة ما؟

CHG Healthcare هي لاعب رئيسي في صناعة التمريض الصحي، وتوفر حلول تمريض مخصصة لمساعدة المنشآت الصحية على تشغيلها بسلاسة وتقديم رعاية جيدة للمرضى.

الوعد الأساسي لهم هو ربط المرضى الصحيين المناسبين بالمنشآت الصحية التي تحتاج إليهم. كان تحديهم هو أنهم لم يكن لديهم صورة موحدة ودقيقة لجميع المرضى في شبكتهم. نظرًا إلى حجمهم (7.5 مليون+ من المرضى)، كان من المستحيل الحفاظ على دقتهم باستخدام نهج قديم قائم على القواعد دون كسر البنك على المنقحين البشريين. كما لا يمكنهم تجاهل المشكلة لأن قرارات التمريض تعتمد عليها.

باستخدام قدرات Tamr المتقدمة في الذكاء الاصطناعي والتعلم الآلي، قامت CHG Healthcare بتقليص السجلات المكررة للأطباء بنسبة 45٪ وألغت تقريبًا التحضير اليدوي للبيانات الذي كان يتم بواسطة موارد نادرة للبيانات والتحليلات. وأهم من ذلك، من خلال الحصول على صورة موثوقة ودقيقة للمرضى، تمكنت CHG من تحسين التمريض، مما مكنها من تقديم تجربة عملاء أفضل.

ما هي بعض المفاهيم الخاطئة الشائعة حول الذكاء الاصطناعي في إدارة البيانات، وكيف تساعد Tamr في دحض هذه الأساطير؟

مفهوم خاطئ شائع هو أن الذكاء الاصطناعي يجب أن يكون “مثاليًا”، أو أن القواعد والتنقية البشرية هي مثالية في مقابل الذكاء الاصطناعي. الحقيقة هي أن القواعد فشلت دائمًا. وأهم من ذلك، عندما تفشل القواعد، الحل الوحيد هو المزيد من القواعد. لذلك، لديك فوضى غير قابلة للإدارة من القواعد. والتنقية البشرية قابلة للخطأ أيضًا. قد يكون لدى البشر نوايا جيدة (على الرغم من أنهم ليسوا دائمًا كذلك)، لكنهم ليسوا دائمًا على حق. ما هو أسوأ، هو أن بعض المنقحين البشر أفضل من البعض الآخر، أو قد يتخذون قرارات مختلفة عن البعض الآخر. الذكاء الاصطناعي، من ناحية أخرى، هو احتمالي بالطبيعة. يمكننا التحقق إحصائيًا من مدى دقة هذه التقنيات، وعندما نفعل ذلك، نجد أن الذكاء الاصطناعي أقل تكلفة وأكثر دقة من أي بديل متنافس.

Tamr تجمع بين الذكاء الاصطناعي وتنقية الإنسان لضمان دقة البيانات. يمكنك توضيح كيف يعمل هذا المزيج في الممارسة؟

يبذل البشر شيئًا استثنائيًا للغاية للذكاء الاصطناعي – يبذلون التدريب. الذكاء الاصطناعي هو في الواقع توسيع جهود الإنسان. ما يبحث عنه Tamr من البشر هو عدد صغير من الأمثلة (“عوامل التدريب”) التي يمكن أن يستخدمها الآلة لتحديد معلمات النموذج. في الممارسة، يبدو هذا وكأنه ي花 وقتًا قصيرًا مع البيانات، ويعطي Tamr أمثلة على الأخطاء والأخطاء في البيانات، ويعمل الذكاء الاصطناعي على هذه الدروس عبر مجموعة البيانات الكاملة. بالإضافة إلى ذلك، عند إضافة بيانات جديدة أو تغيير البيانات، يمكن للذكاء الاصطناعي أن يظهر الحالات التي يجد فيها صعوبة في اتخاذ قرارات واثقة (“مطابقات منخفضة الثقة”) ويسأل الإنسان عن مدخلات. تذهب هذه المدخلات، بالطبع، إلى تحسين وتحديث النماذج.

ما هو الدور الذي تلعبه نماذج اللغة الكبيرة (LLMs) في عمليات جودة البيانات وتعزيز Tamr؟

أولاً، من المهم أن يكون واضحًا حول ما هي LLMs جيدة فيها. في الأساس، LLMs هي حول اللغة. أنها تنتج سلاسل نصية التي تعني شيئًا، ويمكنهم “فهم” معنى النص الموجه إليهم. يمكنك أن تقول أنهم آلات لغة. لذلك، في Tamr، حيث اللغة مهمة، نستخدم LLMs. مثال واضح هو في واجهة المحادثة التي تقع فوق بيانات الكيان التي نسميها واجهة CDO الافتراضية. عندما تتحدث إلى CDO الحقيقي، فهمك ويستجيبون باستخدام لغة تفهمها. هذا هو بالضبط ما نتوقعه من LLM، وهذا هو بالضبط كيف نستخدمه في جزء البرنامج هذا. ما هو قيم في Tamr في هذا السياق هو أننا نستخدم بيانات الكيان كسياق للمحادثة مع واجهة CDO الافتراضية. إنه مثل CDO الحقيقي لديك جميع أفضل بيانات المؤسسة في متناول يدهم عندما يستجيبون لأسئلتك – ألا يكون ذلك رائعًا!

كيف ترى مستقبل إدارة البيانات يتطور، خاصة مع التطورات في الذكاء الاصطناعي والتعلم الآلي؟

يجب أن تذكر حقبة “البيانات الكبيرة” في أوائل عام 2000 كحقبة “البيانات الصغيرة”. بينما تم إنشاء الكثير من البيانات خلال السنوات العشرين الماضية، بفضل توافر التخزين والحوسبة، فإن معظم البيانات التي كان لها تأثير في المؤسسة هي بمقياس صغير نسبيًا – تقارير مبيعات وأعمال أساسية، تحليلات التسويق، وغيرها من مجموعات البيانات التي يمكن أن تظهر بسهولة في لوحة تحكم. النتيجة هي أن العديد من الأدوات والعمليات المستخدمة في إدارة البيانات مُحسنة للبيانات “الصغيرة”، وهو السبب في أن المنطق القائم على القواعد، مدعومًا بالتنقية البشرية، لا يزال شائعًا في إدارة البيانات.

الطريقة التي يريد الناس استخدام البيانات تتغير بشكل أساسي مع التطورات في الذكاء الاصطناعي والتعلم الآلي. فكرة “وكلاء الذكاء الاصطناعي” الذين يمكنهم أداء جزء كبير من وظيفة الشخص بشكل مستقل يعمل فقط إذا كان لديهم الوكلاء البيانات التي يحتاجونها. إذا كنت تنتظر وكلاء الذكاء الاصطناعي لخدمة الخطوط الأمامية لدعم العملاء، ولكن لديك خمسة تمثيلات ل “Dell Computer” في نظام إدارة علاقات العملاء الخاص بك، ولا يرتبط ببيانات المنتج في نظام التخطيط للموارد الخاص بك، كيف يمكنك توقع منهم تقديم خدمة جيدة عندما يصل شخص ما من Dell؟

النقص هو أن أدوات إدارة البيانات وعملياتنا يجب أن تتطور للتعامل مع النطاق، مما يعني أننا نحتاج إلى تبني الذكاء الاصطناعي والتعلم الآلي لتحسين المزيد من أنشطة تنظيف البيانات. سيظل البشر يلعبون دورًا كبيرًا في الإشراف على العملية، لكننا بحاجة إلى أن نسأل الآلات أن تفعل المزيد حتى لا يكون البيانات فقط في لوحة تحكم واحدة دقيقة ومكتملة، ولكن معظم البيانات في المؤسسة.

ما هي أكبر الفرص للشركات اليوم عندما يتعلق الأمر باستخدام بياناتها بشكل أكثر فعالية؟

زيادة عدد الطرق التي يمكن للمستخدمين استهلاك البيانات بها. لا شك في أن تحسينات أدوات تصور البيانات جعلت البيانات أكثر سهولة الوصول إليها في جميع أنحاء المؤسسة. الآن، يحتاج قادة البيانات والتحليلات إلى النظر إلى ما وراء اللوحة لطرق لتسليم القيمة بالبيانات. الواجهات مثل الصفحات الداخلية 360، ورسومات المعرفة، ومساعدي المحادثة يتم تمكينها من خلال تقنيات جديدة، وتمنح مستهلكي البيانات المحتملين المزيد من الطرق لاستخدام البيانات في سير عملهم اليومي. إنه قوي بشكل خاص عندما يتم دمجها في الأنظمة التي يستخدمها الناس بالفعل، مثل أنظمة إدارة علاقات العملاء وأنظمة تخطيط الموارد. السبيل الأسرع لإنشاء المزيد من القيمة من البيانات هو إحضار البيانات إلى الأشخاص الذين يمكنهم استخدامها.

شكرًا على المقابلة الرائعة، القراء الذين يرغبون في معرفة المزيد يجب أن يزوروا Tamr.