جاي ميشرا، الرئيس التنفيذي للتشغيل في أستيرا سوفتوير – سلسلة مقابلات

جاي ميشرا هو الرئيس التنفيذي للتشغيل في أستيرا سوفتوير، وهي شركة متنامية بسرعة توفر حلول بيانات جاهزة للشركات. تساعد مستخدمي الأعمال في سد الفجوة بين البيانات والرؤية باستخدام مجموعة من حلول استخراج البيانات، وجودة البيانات، وتكامل البيانات، وبيوت البيانات والتبادل الإلكتروني للبيانات، والتي تستخدمها الشركات المتوسطة والشركات في قائمة فورتشن 500 عبر مجموعة من الصناعات.

ما هو ما جذبك في البداية إلى علوم الحاسوب؟

لقد كان لدي دائمًا شغف عميق بالرياضيات، وكانت رحلتي إلى علوم الحاسوب امتدادًا طبيعيًا لذلك. كان تعليمي الجامعي في الرياضيات وعلوم الحاسوب، وكان التطور المنطقي من عالم الرياضيات إلى مجال علوم الحاسوب ما جذبني. ما جذب انتباهي بشكل خاص كان آليات الخوارزميات والعمليات الخوارزمية المتقدمة، مما أدى بي إلى متابعة تخصص في الخوارزميات خلال دراستي للماجستير في علوم الحاسوب. منذ ذلك الحين، بقيت صلتي مع علوم الحاسوب قوية، وأنا أستمر في محاولة البقاء على اطلاع دائم بالتطورات الجديدة في المجال.

أنت الآن الرئيس التنفيذي للتشغيل في أستيرا، هل يمكنك أن تشاركنا ما يتضمنه دورك اليومي؟

كما الرئيس التنفيذي للتشغيل في أستيرا، دوري متعدد الجوانب، يعكس طبيعة الشركة الديناميكية. لقد كنت مع أستيرا منذ بدايتها، وتمتد مسؤولياتي عبر مختلف جوانب المنظمة. تشمل هذه المسؤوليات كل شيء من المساهمة الفعلية في تطوير وبرمجة منتجاتنا إلى ضمان أن تكون ميزاتنا متوافقة مع احتياجات عملائنا المتطورة. أتعاون بشكل وثيق مع عملائنا، وأعمل جنبًا إلى جنب معهم لتحسين حلولنا. دوري يتجاوز مجرد تطوير المنتج ليشمل المبيعات والتسويق، حيث نقدم عروضنا إلى السوق.

نظرًا لأننا في مرحلة نمو، فقد أخذت على عاتقي مسؤوليات إضافية، بما في ذلك الإشراف على أهداف الإيرادات وتوسيع محفظة منتجاتنا استراتيجيًا للوصول إلى أسواق جديدة. بشكل أساسي، لدي يد في几乎 كل جانب من جوانب عملياتنا، مما يضمن ليس فقط بناء منتجات استثنائية ولكن أيضًا إحضارها بنجاح إلى السوق وبلوغ أهدافنا التجارية.

لمن لا يعرف هذا المصطلح، ما هو مخزن البيانات؟

مخزن البيانات هو نمط معماري يستخدم لتوحيد جميع بيانات المؤسسة في مستودع مركزي سوف يخدم كأساس لإنشاء مختلف أنواع التحليلات والتقارير واللوحات التي سوف تعرض صورة حقيقية لمكانة عملك وأيضًا لتنبؤ بكيفية سير عملك في المستقبل. لتلبية كل ذلك، تجلب بياناتك معًا بطريقة معينة، وتجعلها في مكان واحد، وهذا ما يسمى بمخزن البيانات وهو مصمم بطريقة معينة بحيث تكون التقارير، خاصة تلك التي تعتمد على الزمن، سهلة.

المصطلح في الواقع مأخوذ من مستودع حقيقي حيث يتم تخزين المنتجات على رفوف منظمة. ولكن عندما نتحدث عن عالم البيانات، فإنك تجلب بياناتك من مصادر مختلفة. تجلب بياناتك من الإنتاج، موقعك على الإنترنت، عملائك، التسويق والمبيعات، المالية، والموارد البشرية. تجلب جميع البيانات معًا، وتجعلها في مكان واحد، وهذا ما يسمى بمخزن البيانات، وهو مصمم بطريقة معينة بحيث تكون التقارير، خاصة تلك التي تعتمد على الزمن، سهلة. هذا هو الغرض الأساسي من مخزن البيانات.

ما هي بعض الاتجاهات الرئيسية في مخزن البيانات اليوم؟

لقد تطور مخزن البيانات بشكل كبير خلال العشرين أو الخمسة والعشرين سنة الماضية. قبل عشر سنوات تقريبًا، شهدنا ظهور مخزن البيانات الآلي، وهو تحول في نمط بناء نماذج البيانات ومخازن البيانات. مؤخرًا، أصبحت الأتمتة في صدارة المشهد. إنها تعالج الطبيعة المتكررة لمهام مخزن البيانات، مما يبسّط العمليات لتوفير الوقت والموارد.

على سبيل المثال، منتج أستيرا، بناء مخزن البيانات من أستيرا، يقدم نهجًا شاملاً للاتماتة في مخزن البيانات. إنه يغطي كل شيء من تلقيم أنابيب ETL (استخراج، تحويل، تحميل) ونمذجة البيانات إلى تحميل البيانات تلقائيًا في هياكل مثل مخازن النجوم أو مخازن البيانات. بالإضافة إلى ذلك، يحافظ على هذه الهياكل بفعالية من خلال آليات 捕获 التغيير (CDC). هذه الأتمتة الشاملة ظهرت كاتجاه رئيسي في مشهد مخزن البيانات.

أيضًا، الاتجاه الأخير هو اندماج مخزن البيانات مع الذكاء الاصطناعي (AI). بشكل خاص، أصبحت الذكاء الاصطناعي التوليدي يأخذ الأتمتة إلى أبعاد جديدة. إنه لا يؤتم فقط المهام بل يساعد المستخدمين في اتخاذ القرارات.

يمكن أن توجيه تكوين مكونات مخزن البيانات والأنابيب ونقاط اتخاذ القرار بواسطة الذكاء الاصطناعي، مما يجعل مخزن البيانات أكثر قوة وفعالية من أي وقت مضى. في جوهره، هذا هو الأتمتة على ستيرود، ويغير مشهد مخزن البيانات. تقاطع الذكاء الاصطناعي ومخزن البيانات هو اتجاه يعد بالكثير لل未来.

ما هي المبادئ الأربعة الأساسية التي يجب على الشركات مراعاتها لتنمية مخزن البيانات؟

1. تحديد الأهداف الواضحة

من المهم البدء بفهم بالضبط ما تحتاج إليه من مخزن البيانات. تجنب الفخ الذي ي consist في جمع بيانات زائدة دون غرض واضح. بدلاً من ذلك، حدد الأهداف المحددة التي تريد تحقيقها من مخزن البيانات. ما هي التقارير والرؤى التي تبحث عنها؟ من خلال التركيز على أهدافك، يمكنك ضمان أن تجلب فقط البيانات ذات الصلة، بدلاً من جمع كميات هائلة من المعلومات دون تمييز. نظرًا لتكلفة التخزين والقدرة الحاسوبية المتزايدة، من المهم استخدام هذه الموارد بذكاء وعدالة.

2. اختيار النمط المعماري الصحيح

الأنماط المعمارية مهمة جدًا.她 تحدد ما إذا كان حل مخزن البيانات سوف يكون ناجحًا أو لا. هناك خيارات مختلفة، بدءًا من نمط مخزن البيانات من Inmon إلى مخازن النجوم من Ralph Kimball، بالإضافة إلى أنماط جديدة مثل Data Vault ونمط الجدول الكبير الذي يُدافع عنه موردو قواعد البيانات. لا جميع الأنماط ستكون مناسبة لكل سيناريو.

نحن نرى في الغالب مزيجًا من مخازن النجوم على رأس مخزن البيانات. لذلك، مزيج من Data Vault ومخازن النجوم لا يزال الأكثر استخدامًا. ولكن، كما قلت، لكل متطلب أو سيناريو سيكون هناك جواب مختلف. لذا، اجريه من خلال الخبراء، وستعرف أي نمط معماري مناسب لسيناريوهاتك.

3. اختيار الأدوات الصحيحة

الأدوات مهمة جدًا وتجعل فرقًا كبيرًا في الوقت والموارد اللازمة لبناء حلول مخزن البيانات. انتبه جيدًا إلى قدرات المنتجات واطلع على المنتجات التي يمكنها تلبية معظم المتطلبات تحت مظلة واحدة. هناك مجالات مثل ETL (استخراج، تحويل، تحميل)، جودة البيانات، نمذجة البيانات، تحميل البيانات، ونشر البيانات، جميعها تلعب دورًا هامًا. إذا حاولت استخدام منتجات متعددة لكل من هذه المجالات، سوف يكون ذلك صعبًا. لذا، ابحث عن المنتجات التي يمكن استخدامها لتنفيذ معظم هذه المكونات، إن لم تكن جميعها.

4. فريقك

أخيرًا وليس آخرًا، فريق الأشخاص الذين تجمهم لبناء حل مخزن البيانات هو الجزء الأكثر أهمية. نوصي بوجود شخص مع خلفية قوية في الأنماط المعمارية لمخزن البيانات. فيما يتعلق بتركيبة الفريق، فإن الفرق متعددة التخصصات هي أفضل طريقة للبدء، حيث يكون لديك مزيج من مستخدمي الأعمال وأشخاص مع بعض الخلفية البرمجية أو على الأقل خبرة في البيانات. من خلال تعزيز التعاون الوثيق بين هذه الجوانب المختلفة لمنظمتك، يمكنك إنشاء فريق متكامل وفعال مسؤول عن بناء وصيانة حل مخزن البيانات.

النجاح في مخزن البيانات يعتمد على تحقيق توازن بين هذه المبادئ الأربعة. هذه المبادئ، عند اتباعها بدقة، أثبتت أنها وصفة للنجاح في تجربتنا.

لماذا تحتاج الشركات إلى حزمة بيانات حديثة؟

يعتمد ذلك على كيفية تعريفنا لمصطلح “حديث”. يجب أن نضع في الاعتبار مجموعات الأدوات المصممة مع مراعاة المناظر المتغيرة للبيانات. خلال السنوات القليلة الماضية، كانت هناك تحولات كبيرة في طبيعة وكمية البيانات. ازدياد البيانات الكبيرة قد غير مناظر البيانات، مع تدفق البيانات من مصادر مثل مواقع التجارة الإلكترونية، قواعد بيانات الإنتاج، و مختلف أجزاء من عملك. هذه البيانات تتغير ليس فقط في الكمية ولكن أيضًا في طبيعتها.

في الماضي، كانت البيانات في الغالب منظمة، ولكن الآن تلعب البيانات غير المنظمة دورًا هامًا. بالإضافة إلى ذلك، زادت سرعة توليد البيانات وجعلها متاحة للاستخدام. نظرًا لتغيرات البيانات هذه، يجب أن نقوم بتقييم أدواتنا وتكاملها بشكل مستمر لتلبية هذه التحديات المتطورة.

حزمة البيانات الحديثة مصممة لمواجهة جميع الاختلافات في هياكل البيانات وسرعتها، وهي مجهزة جيدًا لتكيف مع الأنماط المعمارية الناشئة التي تطورت خلال السنوات القليلة الماضية. لذلك، إذا كنت تريد الاستفادة الكاملة من بياناتك، يجب عليك النظر في تحديث حزمة بياناتك. هذا هو الطريق الوحيد للبقاء على اطلاع دائم بالتحديات الجديدة للبيانات.

لقد رأينا أن الشركات تلتزم بالحلول الحالية التي تبدو أنها تعمل. من المهم أن ندرك أن البيانات نفسها ديناميكية بطبيعتها. إنها تتطور باستمرار، وتقدم تحديات وفرصًا جديدة. الحلول الحالية قد لا تكون مجهزة للتكيف مع هذه التغيرات. لذلك، لاستغلال إمكانات بياناتها بالكامل، يجب على الشركات أن تتبنى مفهوم تحديث حزمة بياناتها. لا يتعلق الأمر بكسر ما يعمل؛ بل يتعلق بالبقاء مرنًا ومتجاوبًا مع تطور البيانات. من خلال تقييم المستمر وتكامل تقدم تكنولوجيا البيانات، يمكن للشركات أن تظل منافسة وتتخذ قرارات مستنيرة في عالم يعتمد بشكل متزايد على البيانات.

ما هي بعض التحديات الحالية في إدارة البيانات التي تظهر في الصناعة؟

1. سرعة ودمج البيانات

واحدة من أكبر التحديات التي نواجهها اليوم هي حجم هائل من البيانات التي تتدفق من تطبيقات مختلفة. إذا اخذنا أي منظمة تكنولوجيا معلومات نموذجية، فإنهم يتعاملون مع تطبيقات جديدة تظهر باستمرار – عشرات، وأحيانًا مئات كل عام، خاصة في المنظمات متوسطة الحجم.

الآن، جميع هذه التطبيقات تنتج بيانات، وتحتوي هذه البيانات على رؤى قيمة. القلق الرئيسي هنا هو القدرة على دمج هذه المصادر الجديدة من البيانات بسرعة في خطوط أنابيب البيانات الحالية وتوحيدها في صورة موحدة. السرعة التي يمكن بها المنظمات التكيف مع هذه التيارات الجديدة من البيانات هي أكبر تحد نراه.

2. تنسيقات البيانات المختلفة

تحدي آخر حاسم ينشأ من طبيعة البيانات نفسها، وخاصة زيادة انتشار البيانات غير المنظمة. مع البيانات غير المنظمة، هناك مدارس فكرية مختلفة حول كيفية التعامل معها.

يجب على المنظمات أن تقرر ما إذا كانت سوف تخزن هذه البيانات مباشرة في بحيرات البيانات للاستخدام في وقت لاحق أو سوف تقوم بتحويلها إلى شكل أكثر تنظيمًا للاستهلاك الفوري. تحدي التعامل مع البيانات غير المنظمة لا يزال قائمًا، ونرى أن حتى الشركات المتوسطة أو الصغيرة تتأثر به. لذا، وضع استراتيجيات فعالة للتعامل مع البيانات غير المنظمة أمر ضروري.

ما هي بعض الطرق التي دمجت أستيرا الذكاء الاصطناعي في سير عمل العملاء؟

ننظر إلى الذكاء الاصطناعي على أنه يتقاطع مع إدارة البيانات بطريقتين متميزتين.

1. تعزيز سهولة الاستخدام مع الذكاء الاصطناعي التوليدي

التزامنا العميق بسهولة الاستخدام هو ركن أساسي من فلسفة تطوير منتجاتنا. خلال أكثر من 12 إلى 13 عامًا، بنينا سمعة قوية لتصميم منتجات ذات منحنى تعليمي قصير، مما يجعلها متاحة حتى للمستخدمين غير التقنيين. مع تدريب بسيط، يمكن للأفراد استخدام منتجاتنا بنجاح لتنفيذ مهام هامة مع بياناتهم.

مع إدخال الذكاء الاصطناعي التوليدي، أستيرا أخذت سهولة الاستخدام إلى مستوى أعلى. استخدمنا الذكاء الاصطناعي التوليدي لإنشاء واجهة مستخدم تسمح للعملاء بالتفاعل مع المنتج باستخدام أوامر اللغة الطبيعية. هذه الواجهة المدعومة بالذكاء الاصطناعي تبسط مهام التكوين، مما يجعلها أكثر直افة وفعالية للمستخدمين.

علاوة على ذلك، دمجنا الأتمتة مدعومة بالذكاء الاصطناعي لمعالجة المهام التي كانت تتطلب سابقًا ساعات عديدة من العمل اليدوي، خاصة في تكوين منتجات إدارة البيانات. كان أكبر عامل تكلفة في بناء حل إدارة البيانات ليس فقط شراء المنتج، بل الوقت والجهد المبذول في تكوينه. لقد حاولنا معالجة ذلك بالذكاء الاصطناعي. هذا النهج يقلل بشكل كبير من الوقت والموارد التقليدية المبذولين في تكوين المنتج.

على سبيل المثال، منتج أستيرا، ReportMiner، يبسط استخراج البيانات من الوثائق غير المنظمة من خلال السماح للمستخدمين بإنشاء قوالب استخراج بناءً على القواعد. يمكن للذكاء الاصطناعي الآن توليد القالب الأولي في غضون ثوان، وهو ما كان يتطلب في السابق ساعتين أو ثلاث ساعات لمستخدم نموذجي. قد لا يكون القالب الأولي المولد بالذكاء الاصطناعي كاملاً، ولكنه يغطي حوالي 90% من العمل، مما يسمح للمستخدمين بإجراء تعديلات سريعة واكتمال المهمة في دقائق بدلاً من ساعات. هذا النهج هو مثال واحد على كيفية استفادة أستيرا من الذكاء الاصطناعي لتعزيز سهولة الاستخدام في جميع منتجاتها.

نحن نفعل أشياء مماثلة في جميع أنحاء حزمتنا من البيانات حيث نحصل على تحسن كبير في سهولة الاستخدام بالذكاء الاصطناعي.

2. وظيفة الذكاء الاصطناعي كأداة

أستيرا توفر حزمة بيانات موحدة تغطي مختلف جوانب إدارة البيانات، بما في ذلك الابتلاع، التحويل، جودة البيانات، مخزن البيانات، واجهات برمجة التطبيقات، ونشر البيانات. تعترف الشركة بأهمية توفير وظيفة الذكاء الاصطناعي كأداة متعددة الاستخدامات لمستخدميها. في هذه الأداة، يمكن لمستخدمي أستيرا الوصول إلى الذكاء الاصطناعي عبر طيف العلوم البيانية، من بناء وتنفيذ نماذج التعلم الآلي إلى التعامل مع عمليات التعلم الآلي. تدعم أستيرا أيضًا استخدام نماذج مفتوحة المصدر، بما في ذلك نماذج اللغة الكبيرة، وتسهل ضبطها للاستخدامات المحددة.

تمنح هذه الوظيفة الإضافية لمستخدمي أستيرا القدرة على استغلال الذكاء الاصطناعي لمهام متعلقة بالبيانات، بما في ذلك نشر نماذج التعلم الآلي، تنفيذ عمليات التعلم الآلي، وضبط نماذج مفتوحة المصدر. بالإضافة إلى ذلك، تعمل أستيرا باستمرار على توسيع دعمها للذكاء الاصطناعي، بما في ذلك مجالات مثل قواعد البيانات المتجهة، عمليات البحث عن التشابه، التضمين، وأكثر من ذلك.

ما هي بعض أفضل الممارسات لاستغلال الذكاء الاصطناعي ونمذجة التعلم الآلي في إدارة البيانات للشركات الكبيرة؟

1. البقاء في طليعة التطورات في الذكاء الاصطناعي والتعلم الآلي

مجال نماذج اللغة الكبيرة يتطور بسرعة. لتحقيق ميزة تنافسية، يجب على الشركات الكبيرة أن تبقى على اطلاع دائم بالتطورات الحديثة. على سبيل المثال، كانت أستيرا من أوائل من اعتمدوا الذكاء الاصطناعي التوليدي، مستخدمين نماذج مثل OpenAI وLAMA. المراقبة المستمرة للتكنولوجيات الناشئة تضمن أن تكون مستعدًا جيدًا لاستغلالها بفعالية.

2. التجربة مع نماذج وتهيئات متعددة

باستخدام ضبط نماذج اللغة الكبيرة، تمكنا من نشر أحجام صغيرة، مثل 8 إلى 13 مليار معامل، وتنفيذها محليًا. لقد عمل هذا جيدًا لنا، وننصح بمحاولة نماذج قاعدة مختلفة وتهيئات مختلفة ومراقبة أيها يعمل أفضل لك. نماذج اللغة الكبيرة تأتي بنكهات مختلفة، كل منها يمتلك قدرات فريدة. قم بإنشاء تكوين يسمح لك باختيار مجموعة واسعة من الخيارات، مشابهة لما يفعلونه المطورون وخبراء العلوم البيانية في رحلتهم البيانية.

لتمكين المستخدمين، قمنا بإنشاء نظام تكوين يقدم مجموعة واسعة من الخيارات، مشابهة لما يجدونه المطورون وخبراء العلوم البيانية عند العمل مع مكتبات مفتوحة المصدر في مشاريعهم البيانية. لقد كان هدفنا دمج هذه الخيارات بسهولة في منتجاتنا، مما يسهل تجربة ديناميكية ومتكيفة للمستخدمين.

3. أولوية النشر المحلي على واجهات برمجة التطبيقات

عند التعامل مع منتجات متعلقة بالبيانات، يصبح تقليل التأخير أمرًا بالغ الأهمية. الاعتماد فقط على واجهات برمجة التطبيقات للوصول إلى نماذج الذكاء الاصطناعي والتعلم الآلي قد ي導 إلى تأخيرات غير مقبولة، خاصة عند التعامل مع كميات كبيرة من البيانات. من المستحسن أن تُفضل نشر نماذج مُعدلة محليًا، مخصصة لسيناريوهاتك المحددة. هذا النهج يمكن أن يحسن بشكل كبير الأوقات الاستجابة والأداء العام.

لماذا تعتبر أستيرا حلاً متفوقًا مقارنة بالمنصات التنافسية؟

• تحلول أستيرا تتميز بواجهة بصرية خالية من الكود وسهلة الاستخدام، مدعومة بالذكاء الاصطناعي، مما يجعلها سهلة الاستخدام لتنفيذ عمليات البيانات المعقدة لجميع المستخدمين، بغض النظر عن قدراتهم الفنية.
• ميزات الأتمتة في حزمتنا من البيانات تقلل من المهام اليدوية المتكررة وتوفر الوقت والموارد.
• منصة أستيرا الموحدة يمكنها مساعدة المستخدمين في تنفيذ عمليات البيانات من النهاية إلى النهاية دون الحاجة إلى التبديل بين حلول متعددة. هذا يلغي تكلفة تعلم وإدارة أنظمة متفرقة.

شكرًا على المقابلة الرائعة، يُ invit-readers الذين يرغبون في معرفة المزيد لزيارة أستيرا سوفتوير.