Ian Leysen, generální ředitel a spoluzakladatel Datadobi – série rozhovorů

Ian Leysen, generální ředitel a spoluzakladatel společnosti Datadobi, je technologickým výkonným manažerem s více než třemi desetiletími zkušeností v softwarovém inženýrství, zajištění kvality a řízení podnikových dat. Spoluzakladal Datadobi v roce 2009 po osmi letech ve společnosti EMC jako senior manažer pro zajištění kvality, předtím působil v řídících pozicích ve firmách Mediagenix a Wave Research. Během své kariéry se Leysen silně zaměřoval na budování vysoce kvalitních týmů softwarového inženýrství a založil tři týmy pro zajištění kvality od základů. V Datadobi dohlíží na společnost, která pomáhá velkým podnikům spravovat, řídit, migrovat a chránit nestrukturovaná data v on‑premise, cloudových i hybridních prostředích. Společnost se rozrostla za hranice svých kořenů ve velkoobjemové migraci dat a nabízí StorageMAP, nezávislou platformu navrženou tak, aby organizacím poskytla větší přehled a kontrolu nad složitými nestrukturovanými datovými majetky, včetně přípravy podnikových dat pro iniciativy AI.

Datadobi pomáhá podnikům získat větší přehled a kontrolu nad rychle rostoucími objemy nestrukturovaných dat. Jeho software dokáže prohledat miliardy souborů a identifikovat zastaralá data, duplicity, mezery ve vlastnictví a potenciální rizika, přičemž aplikuje metadata a štítky pro klasifikaci, které podporují správu a automatizované politiky pro archivaci, mazání a uchovávání. To se stává čím dál důležitějším, protože organizace připravují podniková data pro generativní AI, kde špatně pochopené nebo zastaralé informace mohou přinést šum, problémy s dodržováním předpisů a bezpečnostní rizika. Datadobi také umožňuje společnostem identifikovat potenciálně cenné datové sady, uspořádat je pro následné využití a přesunout vybrané informace do datových jezer nebo lakehouse, přičemž zachovává sledovatelnost a správu. Platforma také poskytuje přehled o nákladech na úložiště a dopadu na uhlík, což organizacím pomáhá činit informovanější rozhodnutí o tom, která data si ponechat a kde by měla být uložena.

Strávil jste osm let vedením zajištění kvality v EMC, než jste v roce 2010 spoluzakladal Datadobi. Co jste viděl ve velkorozměrných podnikových úložištích a datových prostředích, co vás přesvědčilo, že je třeba postavit společnost, a jak se tato původní vize vyvíjela, když se nestrukturovaná data stala pro AI čím dál důležitějšími?

V EMC jsem roky sledoval, jak podniky masivně investují do úložné infrastruktury, přičemž mají téměř žádný přehled o tom, co se na ní skutečně nachází. Byli jsme výborní v pomoci zákazníkům ukládat a chránit data, ale nikdo se neptal na těžší otázku: co jsou tato data, kdo je vlastní, potřebuje je ještě někdo a jaká je jejich hodnota? Tato mezera mezi schopnostmi infrastruktury a porozuměním datům představovala příležitost. Založili jsme Datadobi, abychom organizacím pomohli inteligentně přesouvat a spravovat nestrukturovaná data, ne jen je přenášet z jednoho pole na druhé.

Co se změnilo, jsou sázky. Před patnácti lety byl neřízený souborový sdílený prostor problémem nákladů a souladu. Dnes je ten samý neřízený sdílený prostor závazkem v okamžiku, kdy na něj někdo nasměruje AI model nebo agenta. Nestrukturovaná data se posunula od toho, že jsou jen tím, co organizace ukládají, k tomu, že určují, zda jejich AI iniciativy uspějí nebo selžou. Naše původní myšlenka, že samotná úložná infrastruktura vám nedokáže říct, co vaše data znamenají pro podnikání, se nezměnila. Jen se stala naléhavější, než kdy předtím.

Argumentovali jste, že generativní AI nevytvořila problém podnikových dat, ale spíše odhalila a urychlila problémy, které existují už desetiletí. Jaké jsou největší slabiny, které AI nyní odhaluje v tom, jak organizace historicky spravovaly svá data?

Organizace se již desetiletí potýkají s pochopením svých podnikových dat. AI tento problém nevytvořila, jen odstranila místa, kde se dříve skrýval. Když data tiše ležela na souborovém sdílení nebo v archivu, nikdo se nechtěl zodpovídat za to, co v nich je. V okamžiku, kdy na ně nasměrujete velký jazykový model nebo RAG pipeline, každá slabina se stane viditelnou a důslednou.

Největší výzvou je, že většina organizací spravovala úložiště, nikoli data. Vědí, kde jsou jejich svazky a bucket-y, ale ne, co je uvnitř: které soubory jsou zastaralé, které obsahují citlivé nebo regulované informace, které jsou duplicitně uloženy desítkykrát v celém prostředí, a kdo k nim skutečně má přístup. AI také odhaluje, jak roztříštěné vlastnictví se stalo. Data se hromadí napříč on‑premise systémy, více cloudy a SaaS úložišti a nikdo nemá celý obrázek. To nejsou nové problémy. AI jen učinila náklady na jejich ignorování okamžitými a viditelnými.

Organizace často soustředí své investice do AI na výkonnější modely, GPU a infrastrukturu. Proč více výpočetního výkonu nebo úložiště nevyřeší základní problém připravenosti dat a kam by měly podniky místo toho investovat?

Více výpočetního výkonu jen urychlí příchod špatné odpovědi. Nezajistí, že odpověď bude přesná, bezpečná nebo v souladu s předpisy. GPU a úložná infrastruktura provádějí rozhodnutí, která sama nevytvářejí. Pokud nasytíte výkonný model zastaralými, duplicitními, chybně oprávněnými nebo citlivými daty, získáte výkonný model, který produkuje nespolehlivé nebo rizikové výstupy ve velkém měřítku a to rychle.

Věříme, že trh dosáhl důležitého zlomového bodu: historicky organizace optimalizovaly úložiště; čím dál více potřebují optimalizovat data. To znamená investovat do disciplíny, která leží nad vrstvou infrastruktury, schopnosti vidět napříč celým vaším datovým majetkem, pochopit, co každá datová jednotka skutečně je a kdo je za ni odpovědný, rozhodnout, co by mělo být zachováno, přesunuto, archivováno nebo smazáno, a pak toto rozhodnutí konzistentně provést. Výdaje na infrastrukturu bez této disciplíny jen umožňují organizacím dělat špatnou věc rychleji.

Právě tento problém byl cílem naší platformy pro správu nestrukturovaných dat. Poskytuje organizacím jednotný pohled napříč on‑premise, cloudovým a SaaS úložištěm, klasifikuje data pomocí štítků a analýzy metadat, aby týmy viděly, co je redundantní, zastaralé nebo skutečně cenné, a poté provádí rozhodnutí – migraci, archivaci nebo mazání dat – prostřednictvím workflow řízených politikou, které fungují kontinuálně místo jednorázového projektu. Tato kombinace přehledu, klasifikace a konzistentního provádění mění „máme spoustu dat“ na „víme přesně, co máme a co s tím udělat“.

„Data připravená pro AI“ se stala běžnou průmyslovou frází. Z vašeho pohledu, co skutečně dělá nestrukturovaná data připravená pro AI, a jaká kritéria by organizace měly použít, než umožní data v generativní AI, retrieval‑augmented generation (RAG) nebo tréninkové pipeline?

Data připravená pro AI jsou data, která organizace již ověřila, ne jen data, která vlastní. V praxi to znamená, že organizace může s jistotou odpovědět na několik otázek, než tato data vůbec dorazí k modelu nebo pipeline: Jsou tato data přesná a aktuální, nebo ležela nečinná roky? Jsou duplicitně uložena jinde tak, že by mohly zkreslit nebo rozporovat výsledky? Obsahují citlivé, regulované nebo osobní informace, které by neměly být zveřejněny? Kdo má k nim přístup, a odpovídá to stále tomu, kdo by měl mít? Přinášejí skutečnou obchodní hodnotu pro daný případ použití, nebo jsou jen šumem?

Bez odpovědí na tyto otázky znamená nasazení dat do generativní AI nebo RAG pipeline jen posunutí vašeho problému správy dat dále, do systému, který je mnohem lepší v odhalování toho, co najde, než kdyby to dělaly vaše souborové sdílení. Připravenost na AI je disciplína datové inteligence, ne zaškrtávací políčko, které se aplikuje jednou před zahájením projektu.

Podniky mohou mít miliardy souborů rozprostřených napříč on‑premise infrastrukturou, více cloudy, archivy a obchodními jednotkami. Jak mohou určit, která data obsahují smysluplnou obchodní hodnotu a která jsou redundantní, zastaralá, triviální nebo jen šum, který by mohl zhoršit výkon AI?

V takovém měřítku nikdo neodpoví na tuto otázku soubor po souboru a ruční revize není životaschopnou strategií. Organizace potřebují nejprve celopodnikový přehled: jednotný, přesný pohled napříč on‑premise, cloud a SaaS úložišti, protože nemůžete učinit rozhodnutí o datech, která nevidíte. Odtud jde o aplikaci datové inteligence k klasifikaci toho, co je ve skutečnosti v prostředí, takže data ROT (redundantní, zastaralá a triviální) jsou identifikována a oddělena od dat, která skutečně nesou obchodní hodnotu.

Zde se disciplína musí posunout dál než jen k viditelnosti. Vidět svá data je nutné, ale nedostatečné. Organizace musí projít pochopením, co data jsou a co znamenají, rozhodnout, co s nimi má být provedeno – zachovat, přesunout, archivovat, smazat nebo použít k napájení AI – a pak toto rozhodnutí konzistentně provést napříč miliardami objektů. Přeskočení přímo z viditelnosti na ingest AI je přesně to, jak šum vede k degradaci výkonu modelu a jak jsou skutečně cenná data v tom pohřbena.

Bezpečnost a správa se stávají zvláště důležitými, když AI systémy mohou odhalit informace, které byly dříve pro zaměstnance těžko zjistitelné. Jak by měly organizace posoudit oprávnění, citlivé informace, vlastnictví a regulatorní rizika před tím, než vystaví podniková data AI systémům?

Toto je jedna z oblastí, kde AI nejvíce změnila výpočet rizika. Soubor s nadměrnými nebo zastaralými oprávněními byl dříve teoretickým rizikem, protože v praxi by osoba musela vědět, že existuje, a hledat ho. AI systém s širokým přístupem může tento samý soubor okamžitě odhalit komukoli, kdo položí správnou otázku. Skrytost nikdy nebyla skutečnou kontrolou, ale AI odstranila poslední kousek ochrany, kterou neúmyslně poskytovala.

Než jsou data vystavena AI systému, organizace potřebují jasný obrázek o tom, kdo k nim má přístup a zda tento přístup stále dává smysl, jaké citlivé nebo regulované informace obsahují, kdo je vlastní a odpovědný, a jaké regulatorní povinnosti jsou s nimi spojeny – mezi nimi rezidence dat, uchovávání a požadavky na soukromí. Toto hodnocení nemůže být jednorázovým auditem před spuštěním. Podniková data se neustále mění, takže oprávnění, vlastnictví a rizika musí být přezkoumávána průběžně, ne jen v okamžiku, kdy AI projekt vstoupí do provozu.

Datadobi prosazuje posun konverzace ze správy úložné infrastruktury na správu dat jako obchodního majetku. Jak v praxi vypadá tento přechod a jak mění vztahy mezi IT týmy, datovými týmy, bezpečnostními lídry a obchodními jednotkami?

V praxi to znamená, že konverzace přestává být o kapacitě, tieringu a dostupnosti a začíná být o výsledcích: snížení nákladů, snížení rizik, souladu s předpisy a umožnění AI. Dříve byly tyto oblasti považovány za samostatné iniciativy, každá s vlastními nástroji a vlastníky. Domníváme se, že tento pohled je čím dál více zastaralý. Všechny závisí na pochopení stejných podkladových podnikových dat a co je potřeba, je nový provozní model zaměřený na data, který je propojí, místo aby každou iniciativu považoval za závislou na samostatném, izolovaném systému. Naše platforma je způsob, jak tento provozní model uvádíme do praxe.

Tím se přirozeně mění, kdo je v místnosti. IT už není jediným vlastníkem konverzace, protože rozhodnutí o tom, jaká data zachovat, přesunout nebo vystavit AI, jsou obchodní rozhodnutí, informovaná datovou inteligencí, nikoli rozhodnutí o infrastruktuře. Vedoucí bezpečnosti a souladu potřebují přehled o stejném datovém prostředí, které spravuje IT. Obchodní jednotky potřebují hlas v tom, která data jsou pro jejich výsledky skutečně důležitá. Správa dat přestává být funkcí back‑office IT a stává se sdílenou provozní disciplínou, kde IT, bezpečnost a obchod rozhodují na základě stejných informací.

Jednou z výzev podnikového AI je, že data se neustále mění. Je připravenost na AI něco, čeho organizace mohou dosáhnout jednorázově, nebo vyžaduje průběžný proces objevování, klasifikace, správy, archivace a přesunu dat, jak se vyvíjejí?

Je to průběžné, konec řeči. Podniková data se neustále mění, vytvářejí se nové soubory, mění se oprávnění, zaměstnanci přicházejí a odcházejí, předpisy se vyvíjejí, takže správa dat se musí stát kontinuální provozní schopností, nikoli řadou nezávislých projektů. Považovat připravenost na AI za jednorázové úklidové opatření před spuštěním projektu je podobné prohlášení budovy za bezpečnou po jediném zásahu zámečníka a pak už nikdy nekontrolovat dveře.

Co organizace potřebují, je provozní disciplína, která neustále prochází fázemi viditelnosti, porozumění, rozhodnutí a provedení, objevuje, jaká data existují, klasifikuje a chápe je, rozhoduje, co s nimi má být provedeno, a pak na základě toho jedná opakovaně. Organizace, které překonají své konkurenty, budou ty, které dokážou tento cyklus neustále a v podnikovém měřítku opakovat, nikoli ty, které připravenost na AI považují za projekt s koncovým termínem.

Jak podniky stále častěji nasazují AI agenty, kteří mohou prohledávat systémy a provádět autonomní akce, stává se správa nestrukturovaných dat ještě důležitější? Jaká nová rizika se objevují, když AI agent může přistupovat k informacím rozptýleným po celé organizaci, místo aby jen reagoval na uživatelský dotaz?

Stává se to výrazně důležitějším, protože agent mění povahu expozice. Chatbot odpovídající na jediný dotaz je omezen tím, co jeden člověk požaduje a vidí. Agent, který může prohledávat systémy a provádět autonomní akce, může projít mnohem větší částí prostředí, než by to typicky udělal jakýkoli jednotlivý zaměstnanec, a může jednat na základě toho, co najde – přesouvat, sdílet nebo používat data – aniž by člověk nutně kontroloval každý krok.

To přináší riziko, které přesahuje jednoduché objevení. Pokud má agent přístup k datům, která by neměl (špatně oprávněné soubory, zastaralé citlivé záznamy, informace, které měly být archivovány nebo smazány před lety), může s těmito daty jednat rychlostí a v měřítku stroje, nejen je zobrazit jednomu zvědavému uživateli. Organizace, které nejúspěšněji nasazují agenty, jsou ty, které považovaly správu dat za předpoklad, nikoli za doplněk, protože agent věrně využije jakékoli mezery ve vaší datové inteligenci.

Pro podnik, který během desetiletí nashromáždil nestrukturovaná data a chce rozšířit své AI iniciativy, jaké praktické kroky byste doporučil učinit jako první a jaké chyby by měli vůdci vyhnout, když začínají získávat kontrolu nad svým datovým majetkem?

Začněte s přehledem. Nemůžete činit dobrá rozhodnutí o datech, která nevidíte, takže první praktický krok je získat přesný, podnikově široký obrázek o tom, jaká data existují v on‑premise, cloudových a SaaS prostředích. Odtud přejděte k pochopení a klasifikaci těchto dat, abyste věděli, co je cenné, co citlivé a co je jen šum, předtím než přistoupíte k rozhodnutím o uchovávání, migraci, archivaci nebo mazání.

Existuje také realita rozpočtu, kterou vůdci nemohou ignorovat. Většina CIO nemá samostatný, neomezený rozpočet na AI, pracují s pevně stanoveným fondem peněz, kde AI nyní soupeří s vším ostatním, co udržuje podnik v chodu. Instinkt financovat AI tím, že se odebírá investice z existující infrastruktury, je špatný krok, protože tato stejná infrastruktura, úložiště, datové pipeline a správa jsou přesně tím, na čem AI úspěšně funguje. Udržitelnější cesta je vytvořit rezervu v rámci stávajícího majetku: zlepšení přehledu a snížení plýtvání úložištěm prostřednictvím typu optimalizace dat, pro kterou je StorageMAP vytvořen, uvolní skutečný rozpočet, aniž by se zasahovalo do kapacity, kterou AI iniciativy skutečně potřebují.

Největší chybou, kterou vidím, je, že organizace přeskočí přímo k provedení, nasměrují AI na svůj datový majetek nebo spustí projekt úklidu, aniž by nejprve vybudovaly základnu přehledu a porozumění. Druhou chybou je považovat to za jednorázovou iniciativu místo provozní schopnosti; data se neustále mění, takže disciplína musí být kontinuální. Třetí chybou je ponechat to jako čistě technické cvičení. Organizace, které uspějí, považují to za obchodní rozhodnutí, kde IT, bezpečnost a obchodní zainteresované strany jsou sladěny ohledně hodnoty dat a toho, co s nimi má být provedeno, a ne jen jako migrační nebo úložný projekt předaný výhradně IT.

Děkujeme za skvělý rozhovor, čtenáři, kteří se chtějí dozvědět více, by měli navštívit Datadobi.