ساكيت سورابه، الرئيس التنفيذي ومؤسس Nexla – سلسلة المقابلات

ساكيت سورابه، الرئيس التنفيذي ومؤسس Nexla، هو رجل أعمال يتمتع بشغف عميق بالبيانات والبنية التحتية. وهو يقود تطوير منصة هندسة بيانات أوتوماتيكية من الجيل التالي مصممة لجلب القوة والسرعة لأولئك الذين يعملون مع البيانات.

في السابق، أسس سورابه شركة ناجحة للهواتف المحمولة حققت إنجازات كبيرة، بما في ذلك الاستحواذ والاستحواذ والنمو إلى عمل تجاري يصل قيمته إلى ملايين الدولارات. كما ساهم في العديد من المنتجات والتكنولوجيات المبتكرة خلال فترة عمله في Nvidia (NVDA ).

Nexla تمكن من توفير 자동ية هندسة البيانات بحيث تكون البيانات جاهزة للاستخدام. يتم تحقيق ذلك من خلال نهج فريد من Nexsets – منتجات بيانات تجعل من السهل على أي شخص دمج و تحويل و تسليم و مراقبة البيانات.

ما هو ما ألهمك لتأسيس Nexla، وكيف ساهمت تجاربك في هندسة البيانات في تشكيل رؤيتك للشركة؟

 قبل تأسيس Nexla، بدأت رحلتي في هندسة البيانات في Nvidia ببناء تقنيات متقدمة ومتطورة على الجانب الحسابي. بعد ذلك، أخذت شركةي السابقة من خلال رحلة الاستحواذ والاستحواذ في مجال الإعلانات المتنقلة، حيث كانت كميات كبيرة من البيانات والتعلم الآلي جزءًا أساسيًا من عروضنا، مع معالجة حوالي 300 مليار سجل بيانات كل يوم.

النظر إلى المشهد في عام 2015 بعد أن أصبحت شركةي السابقة عامة، كنت أبحث عن التحدي الكبير التالي الذي يثيرني. قادمًا من خلفيتي في Nvidia وشركةي السابقة، كان من الواضح بالنسبة لي أن تحديات البيانات والحوسبة تتقارب مع تحرك الصناعة نحو تطبيقات أكثر تقدمًا مدعومة بالبيانات والذكاء الاصطناعي.

في حين أننا لم نعرف في ذلك الوقت أن الذكاء الاصطناعي التوليدي سيتقدم بسرعة كما هو عليه الآن، كان من الواضح أن التعلم الآلي والذكاء الاصطناعي سيكونان أساسًا للاستفادة من البيانات. لذلك بدأت أفكر فيما يتعلق بالبنية التحتية اللازمة للأشخاص لتحقيق النجاح في العمل مع البيانات، وكيف يمكننا جعلها ممكنة لأي شخص، وليس فقط للمهندسين، للاستفادة من البيانات في حياتهم المهنية اليومية.

ذلك أدى إلى رؤية Nexla – لتسهيل وتأتمتة الهندسة وراء البيانات، حيث كانت هندسة البيانات حلًا مخصصًا داخل معظم الشركات، خاصة عند التعامل مع مشاكل بيانات معقدة أو كبيرة النطاق. كان الهدف هو جعل البيانات متاحة وقابلة للوصول لمجموعة أوسع من المستخدمين، وليس فقط لمهندسي البيانات. ساهمت تجاربي في بناء أنظمة بيانات قابلة للتحمل وتطبيقات في تعزيز رؤيتي لتسهيل وصول البيانات من خلال التأتمتة والتبسيط.

كيف تظهر Nexsets رؤية Nexla لجعل البيانات جاهزة للاستخدام للجميع، ولماذا هذا الابتكار حاسم للشركات الحديثة؟

Nexsets تظهر رؤية Nexla لجعل البيانات جاهزة للاستخدام للجميع من خلال معالجة التحدي الأساسي للبيانات. كانت 3Vs للبيانات – الحجم والسرعة والتنوع – مشكلة مستمرة. حقق المجال بعض التقدم في معالجة التحديات المتعلقة بالحجم والسرعة. ومع ذلك، ظل تنوع البيانات تحديًا كبيرًا بسبب انتشار الأنظمة والتطبيقات الجديدة التي أدت إلى زيادة التنوع في هياكل البيانات والتنسيقات.

نهج Nexla هو نمذجة البيانات تلقائيًا وربطها من مصادر متنوعة في كيان متوافق ومحكم، وهو منتج بيانات نسميه Nexset. هذا يسمح للمستخدمين بالوصول والعمل مع البيانات دون الحاجة إلى فهم التعقيدات الكامنة للمصادر والهياكل المختلفة للبيانات. Nexset يعمل كبوابة، يوفر واجهة بسيطة وواضحة للبيانات.

هذا حاسم للشركات الحديثة لأنها تمكن المزيد من الناس، وليس فقط مهندسي البيانات، من الاستفادة من البيانات في عملهم اليومي. من خلال تجريد التنوع والتعقيد من البيانات، تجعل Nexsets من الممكن للمستخدمين التجاريين والمنالين وغيرهم التفاعل مباشرة مع البيانات التي يحتاجونها، دون الحاجة إلى خبرة تقنية واسعة.

كما عملنا على جعل التكامل سهل الاستخدام للمستهلكين أقل تقنية – من واجهة المستخدم وكيفية تعاون الناس وإدارة البيانات إلى كيفية بناء التحويلات والعمليات. تجريد التعقيد من تنوع البيانات هو مفتاح تحقيق وصول مفتوح إلى البيانات وتفعيل مجموعة أوسع من المستخدمين لاستخلاص القيمة من أصول المعلومات الخاصة بهم. هذا هو القدرة الحاسمة للشركات الحديثة التي تسعى إلى أن تصبح أكثر تع赖ًا على البيانات وتستفيد من رؤى مدعومة بالبيانات عبر المنظمة.

ما الذي يجعل البيانات “جاهزة للذكاء الاصطناعي”، وكيف تعالج Nexla هذه المتطلبات بشكل فعال؟

الإجابة تعتمد جزئيًا على كيفية استخدام الذكاء الاصطناعي. معظم الشركات تنفذ استرجاع الذكاء الاصطناعي المُحسّن (RAG). ذلك يتطلب أولًا تحضير وتشفير البيانات لتحميلها في قاعدة بيانات متجهة، ثم استرجاع البيانات عبر البحث لإضافتها كسياق مدخلات إلى نموذج لغة كبير (LLM) لم يتم تدريبه باستخدام هذه البيانات. لذلك، يجب أن تكون البيانات مهيأة بحيث تعمل بشكل جيد للبحوث المتجهة ونموذج LLM.

بغض النظر عما إذا كنت تستخدم RAG أو RAFT أو تدريب النموذج، هناك بعض المتطلبات الرئيسية:

• تنسيق البيانات: نموذج LLM للذكاء الاصطناعي غالبًا ما يعمل بشكل أفضل مع البيانات في تنسيق معين. يجب أن تكون البيانات منظمة بحيث يمكن للنموذج استيعابها ومعالجتها بسهولة. يجب أيضًا أن تكون “مقطعة” بحيث يساعد نموذج LLM على استخدام البيانات بشكل أفضل.
• التواصل: نموذج LLM للذكاء الاصطناعي يحتاج إلى الوصول الديناميكي إلى مصادر البيانات، بدلاً من الاعتماد على مجموعات بيانات ثابتة. هذا يتطلب اتصالًا مستمرًا بالأنظمة والمستودعات البيانية للمؤسسة.
• الأمان والحوكمة: عند استخدام بيانات المؤسسة الحساسة، من الحاسم أن يكون لديك ضوابط أمان وحوكمة قوية. يجب أن تكون وصول البيانات واستخدامها آمنين ومتوافقين مع السياسات التنظيمية الحالية. كما يجب عليك حوكمة البيانات المستخدمة من قبل نموذج LLM لمساعدتك على منع تسرب البيانات.
• التناسب: نموذج LLM للذكاء الاصطناعي يمكن أن يكون مكثفًا للبيانات والحوسبة، لذلك يجب أن تكون البنية التحتية للبيانات قادرة على التكيف مع متطلبات هذه النماذج.

Nexla تعالج هذه المتطلبات لجعل البيانات جاهزة للذكاء الاصطناعي بطرق رئيسية:

• الوصول الديناميكي إلى البيانات: منصة تكامل البيانات في Nexla توفر طريقة واحدة للوصول إلى مئات المصادر وتستخدم أنماط التكامل المختلفة وسرعة البيانات، إلى جانب التوجيه، لتزويد نموذج LLM بأحدث البيانات التي يحتاجها، عندما يحتاجها، بدلاً من الاعتماد على مجموعات بيانات ثابتة.
• تحضير البيانات: Nexla لديها القدرة على استخراج و تحويل و تحضير البيانات في تنسيقات مُحسّنة لكل حالة استخدام الذكاء الاصطناعي، بما في ذلك التشفير المدمج ودعم نماذج التشفير المتعددة.
• الخدمة الذاتية والتعاون: مع Nexla، يمكن للمستهلكين الوصول إلى البيانات بنفسهم وبناء Nexsets والعمليات. يمكنهم أيضًا التعاون ومشاركة أعمالهم من خلال سوق يضمن أن تكون البيانات في التنسيق الصحيح ويعزز الإنتاجية من خلال إعادة الاستخدام.
• التوليد التلقائي: التكامل والذكاء الاصطناعي كلاهما صعب. Nexla يولد تلقائيًا العديد من الخطوات اللازمة بناءً على اختيارات المستهلك البيانات – باستخدام الذكاء الاصطناعي والتقنيات الأخرى – بحيث يمكن للمستخدمين القيام بالعمل بأنفسهم.
• الحوكمة والأمان: Nexla تدمج ضوابط أمان وحوكمة قوية في جميع أنحاء النظام، بما في ذلك التعاون، لضمان أن تكون البيانات الحساسة للمؤسسة مأمونة ومستخدمة بطريقة آمنة ومتوافقة.
• التناسب: منصة Nexla مصممة لتكيف مع متطلبات أعمال الذكاء الاصطناعي، وتوفر القوة الحاسوبية والتناسب المرن اللازم.

التكامل المتوحد والخدمة الذاتية والتعاون والتوليد التلقائي وحوكمة البيانات يجب أن يتم بناؤها معًا لجعل تمكين البيانات ممكنًا.

كيف تساهم أنواع و مصادر البيانات المتنوعة في نجاح نماذج الذكاء الاصطناعي، وما دور Nexla في تبسيط عملية التكامل؟

نماذج الذكاء الاصطناعي تحتاج إلى الوصول إلى جميع أنواع المعلومات لتوفير أفضل الآراء وتوليد مخرجات ذات صلة. إذا لم تقدم هذه المعلومات، لا يجب أن تتوقع نتائج جيدة. هذا هو نفس الشيء مع الناس.

نماذج الذكاء الاصطناعي تحتاج إلى تدريب على مجموعة واسعة من البيانات، من قواعد بيانات منظمة إلى وثائق غير منظمة، لبناء فهم شامل للعالم. توفر مصادر البيانات المختلفة، مثل المقالات الإخبارية والتقارير المالية والتفاعلات مع العملاء، معلومات سياقية قيمة التي يمكن لهذه النماذج الاستفادة منها. كما يسمح التعرض للبيانات المتنوعة لنماذج الذكاء الاصطناعي أن تصبح أكثر مرونة وقدرة على التعامل مع مجموعة أوسع من الاستفسارات والمهام.

Nexla تجرد تنوع جميع هذه البيانات مع Nexsets، و تجعل من السهل الوصول إلى几乎 أي مصدر، ثم استخراج و تحويل و توجيه و تحميل البيانات بحيث يمكن للمستهلكين التركيز فقط على البيانات، وعلى جعلها جاهزة للذكاء الاصطناعي.

ما هي الاتجاهات التي تشكل النظام البيئي للبيانات في عام 2025 وما بعده، خاصة مع صعود الذكاء الاصطناعي؟

الشركات كانت معظمها مركزة على استخدام الذكاء الاصطناعي لبناء مساعدين أو مساعدين لتعزيز اتخاذ القرارات. الوكلاء الذكاء الاصطناعي، وكلاء يؤتون المهام بدون مشاركة الناس، هو اتجاه متزايد مع تحركنا إلى عام 2025. الوكلاء، مثل المساعدين، يحتاجون إلى التكامل لضمان تدفق البيانات بسلاسة – ليس فقط في اتجاه واحد ولكن أيضًا في تمكين الذكاء الاصطناعي من العمل على هذه البيانات.

اتجاه آخر رئيسي لعام 2025 هو زيادة تعقيد أنظمة الذكاء الاصطناعي. هذه الأنظمة تصبح أكثر تعقيدًا من خلال دمج مكونات من مصادر مختلفة لإنشاء حلول متكاملية. هذا مشابه لاعتماد البشر على أدوات مختلفة طوال اليوم لتحقيق المهام. أنظمة الذكاء الاصطناعي المفعلة سوف تتبع هذا النهج، وستوجيه أدوات ومكونات متعددة.

من منظور الاتجاهات، نحن نشهد دفعًا نحو تقدم الذكاء الاصطناعي التوليدي إلى ما وراء مطابقة الأنماط الفعلية إلى التفكير الفعلي. هناك الكثير من التقدم التكنولوجي الذي يحدث في هذا الفضاء. في حين أن هذه التطورات قد لا تترجم تمامًا إلى قيمة تجارية في عام 2025، فإنها تمثل الاتجاه الذي نسير فيه.

اتجاه آخر رئيسي هو التطبيق المتزايد للتكنولوجيا المتسارعة للذكاء الاصطناعي، خاصة مع شركات مثل Nvidia. تقليديًا، تم استخدام وحدات معالجة الرسومات (GPUs) بشكل كبير لتدريب نماذج الذكاء الاصطناعي، ولكن عملية الاستدلال في وقت التشغيل – النقطة التي يتم فيها استخدام النموذج بشكل فعال – أصبحت مهمة بشكل متزايد.

نحن نتوقع تحسينات في تحسين الاستدلال، مما يجعله أكثر كفاءة وأثر.

بالإضافة إلى ذلك، هناك إدراك بأن البيانات المتاحة قد تم استغلالها إلى حد كبير. هذا يعني أن التحسينات الإضافية في النماذج لن تأتي من إضافة المزيد من البيانات أثناء التدريب، ولكن من كيفية عمل النماذج أثناء الاستدلال. في وقت التشغيل، الاستفادة من معلومات جديدة لتعزيز نتائج النموذج أصبحت محور تركيز حاسم.

في حين أن بعض التكنولوجيات الجديدة تبدأ في الوصول إلى حدودها، سوف تظهر نهج جديدة في النهاية، مما يبرز أهمية المرونة للمنظمات التي تتبنى الذكاء الاصطناعي. ما يعمل جيدًا اليوم قد يصبح عفا عليه الزمن في غضون ستة أشهر إلى سنة، لذلك من المهم البقاء مرنًا ومفتوحًا للتغيير.

ما هي الاستراتيجيات التي يمكن للمنظمات تبنيها لتقسيم سلاسل البيانات وتحسين تدفق البيانات عبر أنظمتها؟

أولاً، الناس يحتاجون إلى قبول أن سلاسل البيانات سوف تظل موجودة دائمًا. هذا كان دائمًا الحال. العديد من المنظمات تحاول توحيد جميع بياناتها في مكان واحد، معتقدة أن هذا سوف يخلق إعدادًا مثاليًا ويفك شفرة قيمة كبيرة، ولكن هذا يثبت أنه مستحيل تقريبًا، خاصة للمنظمات الكبيرة.

لذلك، الواقع هو أن سلاسل البيانات هنا لتبقى. بمجرد أن نقبل ذلك، السؤال يصبح: كيف يمكننا العمل مع سلاسل البيانات بفعالية أكبر؟

تشبيه مفيد هو التفكير في الشركات الكبيرة. لا تعمل أي شركة كبرى من مكتب واحد حيث يعمل الجميع معًا على مستوى العالم. بدلاً من ذلك، يتم تقسيمها إلى مقر ومكاتب متعددة. الهدف ليس مقاومة هذا التقسيم، ولكن ضمان أن هذه المكاتب يمكنها التعاون بفعالية. هذا هو السبب في استثمارنا في أدوات الإنتاجية مثل Zoom أو Slack – لربط الناس وتمكين سير العمل السلس عبر المواقع.

بشكل مماثل، سلاسل البيانات هي أنظمة منقسمة سوف تظل موجودة دائمًا عبر الفرق أو الأقسام أو الحدود الأخرى. المفتاح ليس القضاء عليها، ولكن جعلها تعمل معًا بسلاسة. مع هذه الإدراك، يمكننا التركيز على التكنولوجيا التي تسهل هذه الاتصالات.

على سبيل المثال، تكنولوجيا مثل Nexsets توفر طبقة واجهة مشتركة أو تجريد تعمل عبر مصادر بيانات متنوعة. من خلال عملها كبوابة إلى سلاسل البيانات، تسهل عملية التفاعل مع البيانات الموزعة عبر سلاسل البيانات المختلفة. هذا يخلق كفاءة ويقلل من الآثار السلبية للسلاسل.

في جوهر الأمر، الاستراتيجية يجب أن تكون حول تعزيز التعاون بين السلاسل بدلاً من محاولة القضاء عليها. العديد من الشركات الكبيرة ت phạm خطأ محاولة توحيد كل شيء في مخزن بيانات كبير. ولكن، للأسف، هذا هو معركة شبه مستحيلة للفوز.

كيف تتعامل منصات البيانات الحديثة مع تحديات مثل السرعة والتناسب، وما الذي يميز Nexla في معالجة هذه القضايا؟

الطريقة التي أرى بها الأمر هو أن العديد من الأدوات داخل حزمة البيانات الحديثة تم تصميمها في البداية مع التركيز على سهولة الاستخدام وسرعة التطوير، والتي جاءت من جعل الأدوات أكثر سهولة للاستخدام. تطور هذه الأدوات غالبًا涉ى تطوير حلول نقطية، أو أدوات مصممة لحل مشاكل محددة ومحددة.

عندما نتحدث عن التناسب، غالبًا ما يفكر الناس في التناسب من حيث التعامل مع حجم أكبر من البيانات. ولكن تحدي التناسب الحقيقي يأتي من两个 عوامل رئيسيين: زيادة عدد الأشخاص الذين يحتاجون إلى العمل مع البيانات، وتنوع أنظمة البيانات وأنواع البيانات التي تحتاج المنظمات إلى إدارتها.

الأدوات الحديثة، التي يتم تصميمها بشكل متخصص، تميل إلى حل جزء صغير فقط من هذه التحديات. وبالتالي، تنتهي المنظمات باستخدام أدوات متعددة، كل منها يعالج مشكلة واحدة، مما يخلق تحديات جديدة، مثل إفراط في استخدام الأدوات وعدم الكفاءة.

Nexla تعالج هذه القضية من خلال تحقيق توازن دقيق بين سهولة الاستخدام والتنوع. من ناحية، نقدم بساطة من خلال ميزات مثل القوالب وواجهات المستخدم البسيطة. من ناحية أخرى، نقدم مرونة وقدرات مطور友ية تسمح للفرق بتحسين المنصة بشكل مستمر. يمكن للمطورين إضافة قدرات جديدة إلى النظام، ولكن هذه التحسينات تظل متاحة كأزرار وعمليات بسيطة للمستخدمين غير التقنيين.

ما يميز Nexla حقًا هو khảيته لجمع بين سهولة الاستخدام والتناسب والقدرة على التكيف التي تحتاجها المنظمات. منصة Nexla تربط هذين العالمين بسلاسة، مما يمكّن الفرق من العمل بفعالية دون المساس بقوة أو مرونة.

أحد نقاط قوة Nexla الرئيسية تكمن في هيكلها المجرد. على سبيل المثال، بينما يمكن للمستخدمين تصميم خط أنابيب البيانات بصرية، فإن طريقة تنفيذ هذا الأنابيب هي قابلة للتكيف بدرجة عالية. اعتمادًا على متطلبات المستخدم – مثل المصدر أو الوجهة أو ما إذا كانت البيانات تحتاج إلى أن تكون في الوقت الفعلي – تقوم المنصة تلقائيًا بتعيين الأنابيب إلى واحدة من ستة محركات مختلفة. هذا يضمن الأداء الأمثل دون الحاجة إلى إدارة هذه التعقيدات يدويًا.

المنصة también متصلة بشكل فضفاض، مما يعني أن أنظمة المصدر ووجهة النظام منفصلة. هذا يسمح للمستخدمين بإضافة وجهات أكثر إلى مصادر موجودة، وإضافة مصادر أكثر إلى وجهات موجودة، وتمكين التكاملات ثنائية الاتجاه بين الأنظمة.

من المهم أيضًا أن Nexla تجرد تصميم الأنابيب بحيث يمكن للمستخدمين التعامل مع بيانات الدفعة وبيانات التدفق وبيانات الوقت الفعلي دون تغيير سير عملهم أو تصميمه. المنصة تتكيف تلقائيًا مع هذه الاحتياجات، مما يجعلها أسهل للمستخدمين العمل مع البيانات في أي تنسيق أو سرعة.

كل هذا يظهر أننا بنينا Nexla مع وضع المستهلك النهائي للبيانات في الاعتبار. العديد من الأدوات التقليدية تم تصميمها لأولئك الذين ينتجون البيانات أو يديرون الأنظمة، ولكننا نركز على احتياجات المستهلكين الذين يريدون واجهات بسيطة وواضحة للوصول إلى البيانات، بغض النظر عن مصدرها. جعلنا من الأولوية تجربة المستهلك، مما مكننا من تصميم منصة تسهل الوصول إلى البيانات مع الحفاظ على المرونة اللازمة لدعم حالات استخدام متنوعة.

يمكنك مشاركة أمثلة عن كيفية تحويل ميزات لا يوجد فيها كود و ميزات ذات كود منخفض لتحويل هندسة البيانات لزبائنك؟

ميزات لا يوجد فيها كود و ميزات ذات كود منخفض قد حولت عملية هندسة البيانات إلى تجربة تعاونية حقيقية للمستخدمين. على سبيل المثال، في الماضي، كان فريق عمليات الحساب في DoorDash ، الذي يدير البيانات للمتاجر، يحتاج إلى تقديم متطلبات إلى فريق الهندسة. كان مهندسو البرمجيات يبنون حلولًا، مما أدى إلى عملية تكرارية استهلكت الكثير من الوقت.

الآن، مع أدوات لا يوجد فيها كود وذات كود منخفض، تغيرت هذه الديناميكية. يمكن لفريق العمليات اليومي استخدام واجهة ذات كود منخفض للتعامل مع مهامه مباشرة. في الوقت نفسه، يمكن لفريق الهندسة إضافة ميزات جديدة و قدرات من خلال نفس منصة الكود المنخفض، مما يسمح بتحديثات فورية. يمكن لفريق العمليات استخدام هذه الميزات بلا تأخير.

هذا التحول حول عملية إلى جهد تعاوني بدلاً من عرقلة إبداعية، مما أدى إلى توفير كبير في الوقت. أبلغ العملاء أن المهام التي استغرقت في السابق شهرين أو ثلاثة أشهر يمكن الآن إكمالها في أقل من أسبوعين – تحسين بنسبة 5 إلى 10 أضعاف في السرعة.

كيف تتطور دور هندسة البيانات، خاصة مع زيادة اعتماد الذكاء الاصطناعي؟

هندسة البيانات تتطور بسرعة، مدفوعة بالتأتمتة والتقدمات مثل الذكاء الاصطناعي التوليدي. العديد من جوانب هذا المجال، مثل توليد الشفرة وإنشاء الموصلات، أصبحت أسرع وأكثر كفاءة. على سبيل المثال، مع الذكاء الاصطناعي التوليدي، زادت سرعة توليد الموصلات واختبارها وتحميلها بشكل كبير. ومع ذلك، هذا التقدم أيضًا يطرح تحديات جديدة، مثل زيادة التعقيد وقلق الأمان والحاجة إلى حوكمة قوية.

एक من القلق الحالي هو إمكانية سوء استخدام بيانات المؤسسة. تخشى الشركات من أن يتم استخدام بياناتها الحساسة بشكل غير مقصود لتدريب نماذج الذكاء الاصطناعي ويفقدون حافة المنافسة أو يتعرضون لخرق في البيانات.

مع زيادة تعقيد الأنظمة وكمية البيانات، يحتاج فرق هندسة البيانات إلى تبني منظورًا أوسع، مع التركيز على قضايا النظام الشامل مثل الأمان والحوكمة وضمان صحة البيانات. هذه التحديات لا يمكن حلها ببساطة بواسطة الذكاء الاصطناعي.

أخطاء وأخطاء في هذه الأنظمة يمكن أن تكون مكلفة. على سبيل المثال، قد يستخدم نظام الذكاء الاصطناعي معلومات سياسة قديمة، مما يؤدي إلى استجابات غير صحيحة، مثل وعد العملاء بالاسترداد عندما لا يسمح به. هذه الأنواع من القضايا تتطلب إشرافًا صارمًا وعمليات محددة جيدًا لاكتشاف هذه الأخطاء قبل أن تؤثر على الأعمال.

مسؤولية أخرى رئيسية لفرق هندسة البيانات هي التكيف مع التحول في ديموغرافية المستخدمين. أدوات الذكاء الاصطناعي لم تعد مقصورة على المحللين أو المستخدمين التقنيين الذين يمكنهم التشكيك في صحة التقارير والبيانات. هذه الأدوات يتم استخدامها الآن من قبل أفراد على حواف المنظمة، مثل وكلاء الدعم الفني، الذين قد لا يمتلكون الخبرة الكافية للتشكيك في مخرجات غير صحيحة.

هذا التوسع في استخدام التكنولوجيا يزيد من مسؤولية فرق هندسة البيانات لضمان دقة البيانات وموثوقيتها.

ما الميزات أو التطورات الجديدة التي يمكن توقعها من Nexla مع استمرار نمو مجال هندسة البيانات؟

نحن نركز على عدة تطورات لمواجهة التحديات والفرص الناشئة مع استمرار نمو هندسة البيانات. واحدة من هذه التطورات هي حلول مدعومة بالذكاء الاصطناعي لمعالجة تنوع البيانات. واحدة من التحديات الرئيسية في هندسة البيانات هي إدارة تنوع البيانات من مصادر مختلفة، لذلك نحن نستخدم الذكاء الاصطناعي لتبسيط هذه العملية.

نحن أيضًا نتقدم في تكنولوجيا الموصلات لدعم الجيل التالي من سير عمل البيانات، بما في ذلك القدرة على توليد وكلاء جدد بسهولة. هذه الوكلاء يسمحون بالاتصال السلس مع أنظمة جديدة وتمكين المستخدمين من أداء إجراءات محددة داخل هذه الأنظمة.

ثالثًا، نحن نواصل الابتكار في تحسين مراقبة الجودة وضمانها. مع زيادة عدد المستخدمين الذين يستهلكون البيانات عبر أنظمة مختلفة، أصبحت أهمية مراقبة وضمان جودة البيانات أكثر أهمية. هدفنا هو توفير أدوات قوية لمراقبة النظام وضمان الجودة بحيث تظل البيانات موثوقة وقابلة للعمل حتى مع زيادة الاستخدام.

أخيرًا، Nexla تتخذ خطوات لفتح مصادر بعض من قدراتنا الأساسية. الفكرة هي أن من خلال مشاركة تكنولوجيا لدينا مع المجتمع الأوسع، يمكننا تمكين المزيد من الناس من الاستفادة من أدوات هندسة البيانات المتقدمة والحلول، مما يعكس التزامنا بتعزيز الابتكار والتعاون داخل هذا المجال.

شكرًا على الإجابات الرائعة، القراء الذين يرغبون في معرفة المزيد يجب أن يزوروا Nexla.