Jeremy Burton, CEO společnosti Observe – Interview Series

Jeremy Burton, CEO společnosti Observe, je zkušený manažer podnikového softwaru s více než 20 lety zkušeností v oblasti vedení napříč významnými technologickými firmami, včetně Dell Technologies (DELL ), EMC, Oracle (ORCL ) a VERITAS. Vedl globální týmy v oblasti vývoje produktů, marketingu a strategických akvizic, budování a rozšiřování podniků v oblasti úložišť, zabezpečení a SaaS. Burton také spoluzaložil Oracle Technology Network, který vyrostl na miliony členů po celém světě, a v současné době působí jako člen představenstva ve společnosti Snowflake a jako poradce týmu McLaren Formula 1.

Observe, se sídlem v San Mateo, Kalifornie, je nová generace platformy SaaS pro observabilitu, která pomáhá týmům SRE, DevOps a inženýrům vyšetřovat a optimalizovat moderní distribuované systémy. Postavená na datové infrastruktuře Snowflake, sjednocuje protokoly, metriky a stopy do jediného, kontextově bohatého datasetu – umožňující týmům urychlit reakci na incidenty, identifikovat kořenové příčiny a zlepšit spolehlivost v komplexních cloudových prostředích.

Máte bohaté zkušenosti s vedoucími pozicemi ve velkých společnostech, jako jsou Dell, EMC a Oracle, a nyní vedete startup s Observe. Co vás motivovalo opustit stabilitu a škálu a učinit skok do budování něčeho od začátku?

Měl jsem štěstí v kariéře pracovat pro některé úžasné lídry, včetně Larryho Ellisona a Michaela Della. Pracoval jsem s nimi 20 nebo 30 let do jejich působení, ale to, co je dělá výjimečnými, je to, že byli tam od začátku. Učinili raná produktová rozhodnutí, zavedli trasy na trh a nastavili kulturu pro dlouhodobý úspěch. Moje role byla poskytnout.incrementální vylepšení nad desetiletí tvrdé práce, kterou již udělali. Nakonec jsem dosáhl bodu v kariéře, kdy jsem chtěl prokázat sám sobě, že jsem také schopen postavit společnost, uvést produkt na trh, založit prodejní pohyb a vytvořit kulturu, která by mohla prosperovat dlouhodobě.

Observe se позициuje jako nová kategorie v oblasti observability, integrující protokoly, analytiku a monitoring do jednoho sjednoceného platformy. Jak vidíte tuto přístup redefinující prostor ve srovnání s legacy hráči, jako jsou Splunk a Datadog (DDOG )?

Velkým problémem, kterým čelí legacy nástroje, je to, že nebyly postaveny pro škálu. V rozhovorech se zákazníky jsme viděli opakovaně, že Splunk a Datadog se stávají nákladově neefektivní, jakmile objem telemetrie roste, a to je fundamentální problém s tím, jak byly legacy nástroje architekturally navrženy.

Observe se liší v tom, že naše platforma je postavena na architektuře streamovaného datového jezera pomocí otevřených formátů, jako je Apache Iceberg. To znamená, že můžeme oddělit výpočet od úložiště, škálovat elasticky a dodávat observabilitu za zlomek nákladů tradičních systémů. Naši konkurenti, jako je Splunk, stále spoléhají na monolitické architektury, které vyžadují plánování pro špičkovou kapacitu – a dokonce i novější nástroje, jako je Datadog, vyžadují tiering, rehydrataci a reindexaci, aby udrželi náklady pod kontrolou.

Kromě toho se zaměřujeme na sjednocenou observabilitu. Protokoly, metriky, stopy a události všech žijí na jednom místě, se společným dotazovacím jazykem a znalostním grafem, který automaticky mapuje vztahy mezi službami, uživateli a incidenty. To je kontext, který činí řešení problémů rychlejší. Naopak, Splunk a Datadog mají samostatné back-endy pro protokoly, metriky a stopy, což vede k pomalejší analýze.

Nakonec jsme investovali značně do AI-driveného řešení problémů. Naše O11y AI SRE ™ může přijímat přirozený jazykový vstup, generovat hypotézy a vést inženýry prostřednictvím řešení incidentů, nejen je upozorňovat. A je postaveno tak, aby využilo našeho znalostního grafu, který poskytuje nezbytný kontext pro přesné řešení problémů. To je krok za anomální detekcí nebo upozorňováním, které nabízí většina našich konkurentů dnes.

Jednoduše řečeno: jsme nákladově efektivní, sjednoceni a otevřeni. Tyto tři kvality jsou to, co zákazníci konzistentně říkají, že Observe odlišuje od legacy hráčů, jako jsou Splunk a novější incumbent, jako je Datadog.

Máte bohaté zkušenosti s dohledem nad multi-miliardovými operacemi a nyní vedete startup. Jaké zkušenosti z velkých podniků přenesete do Observe a jak vedete tým skrze výzvy a úspěchy?

Je to protichůdné, ale úspěšné velké společnosti dělají malé množství věcí opravdu dobře a rozumí každému detailu. Ty, které se potýkají, dělají příliš mnoho věcí a všechno se degeneruje do mediokritity.

V startupu se zaměřujete na jednu věc najednou a posedle se soustředíte na každý detail. Není dostatek financování, aby se dělalo více než to. Jako výsledek, to, co dělá startupy tak intenzivní, je to, že můžete doslova jít z podnikání, pokud nevyřešíte věci dostatečně rychle. Proto musíte učinit rozhodnutí rychleji, vydávat rychleji, selhat rychleji a učit se rychleji. Kromě toho musíte dělat všechny tyto věci s méně lidmi.

Nicméně, nejliberovanějším aspektem startupu je to, že nemáte zavedený produkt, obchodní model nebo cestu na trh. To znamená, že máte volnou ruku dělat nové předpoklady o všech těchto věcech. To není případ velkých společností. Například nemůžete rozbit obchodní model novým disruptivním produktem. I když technicky můžete postavit, CFO a Wall Street vám nedovolí maximalizovat jeho potenciál. To je důvod, proč startupy vyhrávají poměrně často, i když by teoreticky neměly mít žádnou šanci.

Máte také bohaté zkušenosti jako člen představenstva ve společnosti Snowflake. Co jste se naučil ze Snowflakeovy cesty, co vás inspiruje ve strategii Observe?

Snowflake napadla starý problém s novou architekturou. Postavili svou technologii na jednoduché, ale mocné myšlence a narušili obrovský trh, který byl uvězněn legacy dodavateli. Existují zde dvě lekce: hrajte v trzích, které jsou obrovské, a můžete postavit obrovskou společnost. Kromě toho musíte mít radikálně odlišný přístup od incumbentů, aby zákazník mohl vidět obrovské výhody při přechodu.

Trh observability, který útočíme, je obrovský, 30 miliard dolarů a rostoucí. Rozřešili jsme problém observability velmi unikátním způsobem: využíváním datové základny, elastické výpočetní a otevřených formátů. To slibuje zákazníkům řádově lepší zlepšení rychlosti řešení problémů a celkových nákladů.

Máte bohaté zkušenosti s vývojem produktů, marketingem a velkými akvizicemi. Jak ovlivňuje vaše široké zázemí způsob, jakým priorizujete růstové strategie v Observe?

V raných dnech startupu je to quite jednoduché, postavíte skvělý produkt a pokusíte se jej prodat. To je růstová strategie. Řekl bych, že moje kariéra je velmi zkreslena směrem k podnikovému softwaru a řešení komplexních problémů pro velké podniky, takže není překvapující, že Observe se zaměřuje přesně na to!

Založeno na mých zkušenostech, věřím, že aby se postavit velké observability společnost, musíte vyřešit problém pro největší společnosti na světě. Tyto jsou problémy s petabajty dat, tisíci uživateli a tisíci aplikacemi. Existuje mnoho observability společností, ale velmi málo z nich může vyhrát v tomto prostředí, takže se ujistím, že Observe může.

Observability se stala kritickou jako moderní distribuované aplikace rostou komplexnější. Kde vidíte největší výzvy a příležitosti pro podniky v příštích 3-5 letech?

Největší výzvou dneška je škála. Kubernetes, mikroslužby a nyní AI úkoly produkují objemy dat, které přetíží tradiční nástroje. Spolehlivost těchto nástrojů prudce klesá, jakmile náklady raketově rostou, a to prostě není udržitelné; je zapotřebí nová architektura.

Abys věci zhoršil, v příštích několika letech uvidíme více kódu napsaného, asistovaného nástroji AI, než kdykoli v historii. Ten kód nebude dokonalý a v某 okamžiku selže. Oblast růstu spočívá v otázce, jak řešit kód, který nikdo nenapsal? Anebo, zatímco nástroje pro generování kódu mohou prohlížet kód a opravit chyby, mohou skutečně prohlížet, jak se aplikace chová v produkci a najít problematický kód? To je obrovská příležitost pro observability dodavatele v budoucnu.

Mnohé týmy bojují s tool sprawl, používají samostatné systémy pro protokoly, metriky a stopy. Jak Observe pomáhá zjednodušit tuto zkušenost pro inženýrské a DevOps týmy v praxi?

Místo toho, abyste museli manipulovat se třemi nebo čtyřmi nástroji, Observe poskytuje zákazníkům jedinou platformu. Protokoly, metriky, stopy a upozornění společnosti všech žijí ve stejném systému a jsou spojeny znalostním grafem. Znalostní graf poskytuje kontext, který umožňuje uživatelům procházet a otáčet se bezproblémově napříč protokoly, metrikami a stopami, aby urychlili řešení problémů. To snižuje množství času, který musí strávit skákáním z platformy na platformu, a místo toho jim umožňuje odhalit problém bez exportu dat nebo přepínání kontextu.

Můžete sdílet konkrétní příklad toho, jak Observe pomohl zákazníkovi vyřešit velký problém – něco, co by bylo obtížné nebo nemožné s tradičními observability nástroji?

Capital One používá Observe k odhalení stavu kritických zákaznických cest, koreluje a obohacuje telemetrická data s relevantním obchodním kontextem. Ingestují stovky terabajtů telemetrie denně, včetně protokolů, metrik, stop, záznamů změn, VPC toků logů a AWS konfiguračních dat. Observe poskytuje Capital One s jednotnou platformou pro koncovou observabilitu, aby vývojáři a SRE mohli provádět interaktivní reakci na incidenty a ladění.

Jakou roli hraje strojové učení nebo AI v pozadí Observe a jak pomáhá zákazníkům odhalit přehledy rychleji nebo automaticky detekovat problémy?

Strojové učení má komplikovanou historii v oblasti observability, protože podnikové prostředí jsou inherentně šumivé, a je velmi obtížné vyprodukovat model, který by nevedl k tisícům anomálií. Generativní AI je velmi odlišná technologie a bude mít mnohem hlubší dopad.

Věříme, že AI změní způsob, jakým inženýři interagují s observability nástroji. Za prvé, budou moci mluvit přímo se svými observability daty v přirozeném jazyce, zatímco sedí ve svém IDE, polovina našich uživatelů v budoucnu možná nikdy nezaloguje nebo nenaučí Observe! Za druhé, AI agenti budou přítomni během “míru”, aby skenovali telemetrii a hledali potenciální problémy, které by mohly vést k incidentu. AI agenti se neznačkují nebo nebaví a mohou provádět práci, kterou lidé prostě nemohou dělat. Nakonec, během “válečného” stavu, AI agenti budou asistovat inženýrům a SRE s kurzem akce, který by měli podniknout k vyřešení problému.

Vaše styl vedení inspirovaný Formulí 1 zdůrazňuje mentální odolnost a učení z chyb. Jak tento pohled ovlivnil váš přístup k budování Observe a vedení týmu skrze výzvy a úspěchy?

Úspěch ve Formuli 1 je vyšlechtěn pomocí dat, která řídí budoucí rozhodnutí, jak pro řidiče, tak pro vůz. Do konce sezony je 90 % dílů vyměněno a je o 2 sekundy rychlejší na okruhu.

V Observe musíme mít stejnou mentalitu, abychom uspěli. Vyvíjíme, měříme, nasloucháme, přizpůsobujeme se rychle. Představuji si, že 90 % našeho produktu je dnes odlišné než před několika lety. Tento přístup vyžaduje hodně disciplíny a hodně pokory, není snadné slyšet špatné zprávy opakovaně. Nicméně, pokud budete jednat dostatečně dlouho na základě špatných zpráv, postupně se změní na dobré zprávy a ARR zrychlí. To není magie, je to logika!

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