Amit Sharma, generální ředitel a zakladatel CData – rozhovor

Amit Sharma, generální ředitel a zakladatel CData Software, je technologickým manažerem, který vedl CData od počáteční fáze startupu k tomu, aby se stal globálním lídrem v oblasti datové konektivity a integrace. S kariérou, která zahrnuje role softwarového inženýra v Infosys a Elixar, technického architekta v /n Software a později CTO v CData, získal hluboké znalosti v oblasti podnikového přístupu k datům a infrastruktury. Od roku 2014, kdy se stal generálním ředitelem, vedl CData na misi zjednodušit, jak organizace připojují, integrují a využívají data napříč systémy, a pomohl společnosti získat pozici jako základního prvku moderního pohybu dat.

CData Software je předním poskytovatelem řešení pro přístup k datům a konektivitu. Jeho samoobslužné datové produkty a platformy pro konektivitu poskytují univerzální přístup k živým datům napříč stovkami široce používaných aplikací v místním prostředí a cloudu. Milióny uživatelů po celém světě spoléhají na CData na podporu pokročilé analýzy, urychlení adopce cloudu a budování více propojených, datově řízených organizací. Navrženo tak, aby bylo spotřebiteli přístupné uvnitř libovolné aplikace a škálovatelné pro podniky všech velikostí, CData předefinuje, jak podniky přistupují a využívají data.

Začali jste svou kariéru v Indii v Infosys a později jste přešli do amerického podnikového softwaru. Jaká raná lekce z té doby stále formuje, jak vedete dnes?

Můj čas v Infosys mi dal ranou expozici požadavkům velkého podnikového technologického prostředí — složitosti, potřebě spolehlivosti a tomu, jak velké organizace přistupují k technickým problémům. To formovalo hluboký respekt ke struktuře a podnikové kvalitě. Ale když jsem přešel do amerického startupu, zjistil jsem, že prosperuji v rychlosti, agilitě a schopnosti mít přímý dopad. Dnes tato dvojí pozadí řídí, jak vedu CData Software: trvám na podnikové kvalitě a robustnosti, zatímco podporuji štíhlou, rychle se pohybující kulturu, která si váží jednoduchosti, reálné použitelnosti a rychlého provedení.

Po více než desetiletí jako generální ředitel CData, jaká změna v myšlení nebo přístupu byla nejvýznamnější při škálování společnosti z rané fáze do globálního podniku?

Největší změna pro mě byla přechod od myšlení jako stavitele technologie k myšlení jako stavitele organizace. V rané fázi byl můj focus téměř výhradně na produktu; zajistit, aby byl elegantní, spolehlivý a řešil reálné problémy. Jak CData rostla, musel jsem se naučit, že skvělé softwarové řešení samo o sobě nestačí; potřebujete skvělé lidi, silné lídry a procesy, které škálovat bez zpomalení. To znamenalo investovat dříve do náboru, posilování týmů a budování opakujících se systémů napříč prodejem, podporou a operacemi, zatímco chráníme naši inženýrskou kulturu. Změna v myšlení spočívala v tom, že jsem si uvědomil, že má práce nebyla jen o vytvoření skvělé technologie, ale o vytvoření prostředí, ve kterém lze konzistentně budovat skvělé technologie rostoucím globálním týmem.

CData se dlouhodobě zaměřuje na „zjednodušení přístupu k jakémukoli datu, kdekoli“. Jak se tato mise vyvinula, když se průmysl pohybuje hlouběji do aplikací nativních pro umělou inteligenci?

Od začátku byla naše mise v CData zjednodušit univerzální přístup k datům pomocí standardizovaných rozhraní, protože jsme věřili, že největší překážkou inovací nebyla úložiště nebo výpočet, ale přístup. Tato základní myšlenka se nezměnila, ale kontext ano. Jak organizace přecházejí z analýzy do cloudu a nyní do aplikací pro umělou inteligenci, náklady na fragmentovaný, nekonzistentní přístup k datům se pouze zvýšily. Co se vyvinulo, je naše odpovědnost: již není jen o připojování aplikací k datům, ale o zajištění, že data jsou důvěryhodná, v reálném čase a použitelná napříč stále složitějšími a distribuovanými prostředími. V éře umělých inteligencí není přístup sám o sobě dostatečný. Data musí být okamžitě použitelná bez týdnů vlastního inženýrství.

Jako aplikace pro umělou inteligenci se stávají normou, naše mise se rozšířila o to, aby data byla připravena pro umělou inteligenci ve výchozím stavu. To znamená umožnění konzistentní sémantiky, vysokovýkonné konektivity, přístupu s vědomím správy a integrace v reálném čase napříč strukturovanými a SaaS zdroji dat, aby modely a agenti mohli pracovat s čerstvými, spolehlivými informacemi, nikoli křehkými bodovými integracemi nebo zastaralými kopiemi. V praktických termínech se zaměřujeme na eliminaci tření mezi místem, kde data žijí, a místem, kde systémy pro umělou inteligenci fungují, aby týmy mohly přecházet z experimentů do produkce rychleji. Vidíme se ne jako poskytovatele konektivity, ale jako základovou datovou vrstvu pro podniky poháněné umělou inteligencí, která tiše pohání systémy, které umožňují inteligentní aplikace.

S urychlováním generativní umělých inteligencí, co „data připravená pro umělou inteligenci“ pro vás skutečně znamená, a kde vidíte, že organizace nejvíce nesprávně interpretují tuto myšlenku?

Pro mě „data připravená pro umělou inteligenci“ znamenají data, která jsou přístupná, spolehlivá, aktuální a srozumitelná pro lidi i stroje bez vrstev vlastního potrubí. Není to jen o přesunu dat do jezera nebo skladů. Je to o zajištění, že systémy, modely a agenti mohou konzistentně přistupovat k správným datům ve správný čas prostřednictvím standardizovaných, řízených rozhraní. Připravenost pro umělou inteligenci závisí méně na tom, kde jsou data uložena, a více na tom, zda lze data objevit, dotazovat, důvěřovat a integrovat v reálném čase. Bez této základny i ty nej pokročilejší modely nakonec fungují na neúplných nebo zastaralých informacích.

Kde vidím, že organizace nejvíce nesprávně interpretují tuto myšlenku, je v předpokladu, že centralizace automaticky znamená připravenost. Týmy často věří, že jakmile jsou data konsolidována do jedné platformy, jsou „připravena pro umělou inteligenci“, zatímco ve skutečnosti vytvořili novou silo. Jiní přeinvestují do nástrojů bez řešení problémů s kvalitou dat, sémantikou a konektivitou, nešikovnými problémy, které dělají nebo rozkládají reálné systémy pro umělou inteligenci. Umělá inteligence ne selže kvůli modelům; selže kvůli špinavým, nepřístupným nebo zastaralým datům. Organizace, které uspějí, jsou ty, které považují připravenost dat za provozní disciplínu, ne za jednorázový migrační projekt.

Vaše nová studie, Stav konektivity dat pro umělou inteligenci: výhled 2026, ukazuje, že pouze 6 % lídrů v oblasti umělých inteligencí věří, že jejich datová infrastruktura je plně připravena pro umělou inteligenci. Proč si myslíte, že je mezera v připravenosti tak velká, a co to říká o současné trajektorii průmyslu?

Mezera je tak velká, protože většina organizací investovala do shromažďování a ukládání dat dlouho předtím, než investovala do jejich použitelnosti pro umělou inteligenci. V průběhu posledních deseti let společnosti postavily jezera, sklady a potrubí, ale zřídka postavily koherentní vrstvu přístupu, která zajišťuje, že data jsou konzistentní, v reálném čase a dostupná napříč systémy. Jako výsledek, lídři objevují, že jakmile začnou nasazovat umělou inteligenci do reálných pracovních postupů, jejich základní infrastruktura nemůže podporovat rychlost, škálovatelnost nebo spolehlivost, kterou umělá inteligence vyžaduje. Číslo 6 % neodráží nedostatek ambicí, ale realitu, že umělá inteligence odhaluje slabiny, které tam vždy byly, ale dříve tolik neznamenaly v tradiční analýze.

Co data říkají o průmyslu, je to, že jsme raní v křivce adopce umělých inteligencí, ne pozdě. Organizace agresivně experimentují na úrovni aplikací, ale nyní si uvědomují, že úspěch závisí na modernizaci jejich datové základny. Vstupujeme do korekční fáze, kde se focus posouvá z pilotních projektů na provozní připravenost — standardizovaný přístup, řízená integrace a konektivita v reálném čase. Vítězi nebudou společnosti, které postaví nejvíce pilotních projektů, ale ty, které modernizují svou datovou infrastrukturu dostatečně rychle, aby mohly přesunout tyto experimenty do produkce ve velkém měřítku.

Zjištění také ukazují, že 71 % týmů pro umělou inteligenci tráví více než čtvrtinu svého času na potrubí dat. Jakou část této práce považujete za strategickou, nikoli pouze technický dluh?

Nějaká část „potrubí dat“ je absolutně strategická, když se jedná o vytváření trvanlivého přístupu k datům prostřednictvím standardizovaných rozhraní a navrhování pro škálovatelnost a správu od začátku. Investice do konzistentní konektivity, sdílené sémantiky a spolehlivých vzorců integrace je základním dílem, které přináší dividendy napříč každou aplikací a modelem, které následují. Problém je v tom, že většina týmů nedělá tento druh potrubí. Přestavují jedenkrát postavená potrubí, píší křehké konektory a opravují integrace, které řeší problém pouze jednou. To je technický dluh maskovaný jako pokrok.

Co je strategické, je cokoliv, co snižuje budoucí tření: eliminace vlastního kódu ve prospěch standardů, budování opakujících se datových služeb a připojování systémů způsobem, který škáluje napříč týmy a použití. Když se potrubí stane neviditelným a opakujícím se, přestává být daní z týmů pro umělou inteligenci a stává se enablerem. Skutečným cílem není strávit méně času na data. Je to přestat trávit čas na stejné datové problémy opakovaně.

Jedna pozoruhodná datová bod z rapportu je, že 46 % podniků nyní vyžaduje přístup v reálném čase k šesti nebo více zdrojům dat pro jeden případ použití umělých inteligencí. Odráží to, co vidíte u zákazníků, a co činí tento level konektivity tak obtížným?

Ano, to se shoduje úzce s tím, co vidíme u zákazníků. Moderní případy použití umělých inteligencí, ať už se jedná o prediktivní analýzu, doporučení, nebo autonomní pracovní postupy, zřídka závisí na jediném systému. Podniky často potřebují kombinovat ERP, CRM, SaaS aplikace, streamovací platformy a legacy databáze, aby generovaly významné poznatky. Výzva není jen v počtu zdrojů; je to rozmanitost, různé protokoly, formáty a četnosti aktualizací, a očekávání, že tato data jsou dostupná v reálném čase pro modely pro umělou inteligenci.

Co činí tento level konektivity obtížným, je to, že tradiční integrační přístupy nebyly nikdy navrženy pro škálovatelnost, rychlost a spolehlivost, kterou umělá inteligence vyžaduje. Jedenkrát postavené konektory a dávkové potrubí prostě nedokáží držet krok. Skutečný přístup v reálném čase vyžaduje standardizovaná, řízená rozhraní, konzistentní sémantiku napříč systémy a monitoring, aby zajistil kvalitu a dostupnost dat. Bez této základny týmy tráví více času hašením potrubí než budováním řešení pro umělou inteligenci, což zpomaluje inovace a zavádí riziko. Organizace, které uspějí, jsou ty, které považují konektivitu za strategickou schopnost, ne pouze technickou úlohu.

Rapport zdůrazňuje sémantickou konzistenci, kontext a konektivitu jako definující charakteristiky zralé datové infrastruktury pro umělou inteligenci. Jak by organizace měly uvažovat o sekvencování těchto priorit?

Když uvažujete o sekvencování, organizace by měly začít s konektivitou. Pokud data nejsou spolehlivě přístupná napříč systémy, všechno ostatní se stává irelevantním. Modely pro umělou inteligenci nemohou se učit z toho, co nemohou dosáhnout. Zavedení standardizovaných, řízených spojů napříč všemi kritickými zdroji dat vytváří základ pro všechno, co následuje. Bez této vrstvy týmy skončí budováním křehkých, jedenkrát postavených potrubí, která vytvářejí více práce později.

Jakmile je konektivita na místě, sémantická konzistence se stává následující prioritou. Data potřebují společný jazyk, aby informace z více zdrojů mohly být interpretovány správně a kombinovány smysluplně. Kontext přirozeně následuje: porozumění nejen hodnotám, ale jejich významu v rámci obchodního procesu, časování a vztahů zajišťuje, že modely pro umělou inteligenci mohou dělat přesné, akční předpovědi. Léčba těchto prvků jako strukturované sekvence — konektivita první, sémantika druhá, kontext třetí — umožňuje organizacím budovat datovou infrastrukturu pro umělou inteligenci, která škáluje a podporuje spolehlivou, produkční inteligenci.

Poskytovatelé softwaru pro umělou inteligenci nyní vyžadují přibližně třikrát více externích integrací než tradiční dodavatelé. Co pohání tuto rostoucí mezery, a co to odhaluje o směru, kam se software ubírá?
Rostoucí mezera je poháněna samotnou povahou umělých inteligencí: aplikace pro umělou inteligenci prosperují na rozmanitých, reálných datech z více zdrojů. Na rozdíl od tradičního softwaru, který často funguje uvnitř jednoho systému nebo sady, modely pro umělou inteligenci potřebují přijímat, korelovat a analyzovat informace napříč ERP systémy, CRM platformami, SaaS aplikacemi, streamovacími zdroji a více. Každá integrace je nezbytná pro poskytnutí dostatečného kontextu a pokrytí pro umělou inteligenci, aby mohla generovat přesné předpovědi, doporučení nebo automatizované akce.

Tato tendence odhaluje, že software se pohybuje od izolovaných aplikací směrem k propojeným, inteligentním ekosystémům. Vítězi nebudou produkty, které fungují dobře samy o sobě. Budou to platformy, které mohou bezproblémově přistupovat a integrovat data, kdekoliv žijí. V praktických termínech to znamená, že konektivita, standardizace a integrace v reálném čase nejsou již pouze příjemnými funkcemi. Jsou to základové schopnosti pro software pro umělou inteligenci, aby mohl dodávat skutečnou hodnotu.

Pohledem na pět let, co si myslíte, že se stane nejvýznamnější překážkou pro úspěch umělých inteligencí — konektivita, potrubí v reálném čase, sémantické modelování, správa, nebo něco úplně jiného?

Pohledem na pět let, jsem přesvědčen, že správa a bezpečnost se stanou nejvýznamnější překážkou pro úspěch umělých inteligencí. Zatímco konektivita a potrubí v reálném čase zůstávají základními, modely pro umělou inteligenci mohou být pouze tak efektivní, jako data, ke kterým mohou přistupovat. Organizace si rychle uvědomují, že nesprávně řízená umělá inteligence je neudržitelná a potenciálně nebezpečná. Jak se umělá inteligence pohybuje z experimentů do produkce a začíná ovlivňovat kritické obchodní rozhodnutí, rizika zkreslení, porušení souladu, úniku dat a provozních chyb se mnohonásobně zvyšují.

Výzva není již pouze o přesunu dat; je to o přesunu správných dat, se správnými kontrolami, do správných systémů, způsobem, který je stopovatelný a auditovatelný. Organizace, které selžou při implementaci silných rámců pro správu a bezpečnost od samého začátku, budou čelit rostoucímu regulatornímu tlaku, riziku pověsti a nakonec systémům pro umělou inteligenci, kterým nelze důvěřovat nebo škálovat. Již vidíme rané známky: podniky, které váhají nasazovat umělou inteligenci, protože nemohou zajišťovat původ dat, kontroly přístupu nebo soulad s rozvíjejícími se předpisy.

Nejpodařenější organizace za pět let budou ty, které považují správu a bezpečnost ne za následné myšlenky, ale za základní enablery umělých inteligencí. Ano, potřebujete konektivitu a potrubí v reálném čase, aby data tekla; ale bez správy a bezpečnosti na místě, tato data se stanou zátěží spíše než aktivem. Budoucnost umělých inteligencí není jen o rychlosti nebo škálovatelnosti; je to o důvěře, odpovědnosti a zodpovědném nasazení na každé vrstvě datové základny.

Děkuji za skvělý rozhovor, čtenáři, kteří chtějí se dozvědět více, by měli navštívit CData Software.