Leighton Welch, CTO a spoluzakladatel Traceru – Interview Series

Leighton Welch je CTO a spoluzakladatel Traceru. Tracer je nástroj s umělou inteligencí, který organizuje, spravuje a vizualizuje komplexní datové sady pro rychlejší a účinnější obchodní inteligenci. Předtím, než se stal technickým ředitelem ve společnosti Tracer, byl Leighton ředitelem spotřebitelských informací ve společnosti SocialCode a viceprezidentem pro inženýrství ve společnosti VaynerMedia. Svou kariéru strávil jako průkopník v ekosystému reklamní technologie, kdy vytvořil první reklamní kampaň na Snapchatu a konzultoval komerční API pro některé z největších platforem na světě. Leighton absolvoval Harvard v roce 2013, kde získal titul v oboru počítačových věd a ekonomie.

Můžete nám říci více o své minulosti a o tom, jak vaše zkušenosti na Harvardu, ve společnosti SocialCode a VaynerMedia inspirovaly vás k založení Traceru?

Původní nápad vznikl před deseti lety. Můj kamarád z dětství mě jednou večer zavolal. Potýkal se s agregací dat z různých sociálních platforem pro jednoho ze svých klientů. Domníval se, že by to šlo automatizovat, a proto mě požádal o pomoc, protože jsem měl zkušenosti se softwarovým inženýrstvím. Tak jsem se poprvé setkal se svým budoucím spoluzakladatelem, Jeffem Nicholsonem.

To byl náš okamžik osvěcení: Objem peněz vynaložených na tyto kampaně daleko překračoval kvalitu softwaru, který tyto peníze sledoval. Byl to začínající trh s mnoha aplikacemi v oblasti datové vědy.

Dále jsme vyvíjeli analytický software, který by mohl splnit potřeby stále větších a složitějších mediálních kampaní. Když jsme pracovali na řešení problému, vyvinuli jsme proces – jasná řada kroků pro získání rozdílných dat a jejich kontextualizaci. Došli jsme k závěru, že proces, který jsme vytvořili, by mohl být aplikován na jakoukoli datovou sadu – nejen na reklamu – a to je Tracer dnes: nástroj s umělou inteligencí, který organizuje, spravuje a vizualizuje komplexní datové sady pro rychlejší a účinnější obchodní inteligenci.

Pomáháme demokratizovat to, co znamená být “datově řízenou” organizací, automatizací kroků potřebných pro ingestování, propojování a organizování rozdílných datových sad napříč funkcemi, poskytováním silné obchodní inteligence prostřednictvím intuitivního reportování a vizualizací. To může znamenat propojení prodejních dat s marketingovým CRM, HR analýz s trendem výnosů a mnoho dalších aplikací.

Můžete vysvětlit, jak platforma Tracer automatizuje analýzy a revolucionalizuje moderní datový stack pro své klienty?

Pro jednoduchost definujme analýzu jako odpověď na obchodní otázku pomocí softwaru. V dnešním prostředí existují dvě hlavní přístupy.

• První přístup spočívá v koupi vertikálního softwaru. Pro finanční ředitele to může být Netsuite. Pro ředitele prodeje to může být Salesforce . Vertikální software je skvělý, protože je kompletní, může být vysoce specializovaný a měl by fungovat hned po instalaci. Omezení vertikálního softwaru spočívá v tom, že je vertikální: pokud chcete, aby Netsuite komunikoval se Salesforce, jste zpět na začátku. Vertikální software je kompletní, ale není flexibilní.
• Druhý přístup spočívá v koupi horizontálního softwaru. To může být jeden software pro ingestování dat, jiný pro úložiště a třetí pro analýzu. Horizontální software je skvělý, protože může zpracovat téměř cokoliv. Můžete ingestovat, uložit a analyzovat data ze Salesforce i z Netsuite prostřednictvím tohoto potrubí. Omezení spočívá v tom, že musí být sestaven, udržován a nic nefunguje “hned z krabice”. Horizontální software je flexibilní, ale není kompletní.

Nabízíme třetí přístup vytvořením platformy, která kombinuje technologie nezbytné pro reportování o čemkoli, přístupnou dostatečně, aby fungovala hned z krabice bez jakýchkoli inženýrských zdrojů nebo technické zátěže. Je flexibilní a kompletní. Tracer je nejsilnější platforma na trhu, která je aplikací agnostická a kompletní.

Tracer zpracoval minulý měsíc řádově 10 petabytů dat. Jak Tracer efektivně zpracovává tak obrovské množství dat?

Měřítko je nesmírně důležité v našem světě a vždy bylo prioritou Traceru, dokonce i v počátečních dnech. Pro zpracování tohoto objemu dat využíváme mnoho špičkových technologií a vyhýbáme se vynalézání kola, pokud to není nezbytné. Jsme nesmírně hrdí na infrastrukturu, kterou jsme postavili, a jsme také quite otevření o ní. Naše architektonický program je indeed uveden na našem webu.

Co říkáme partnerům, je toto: Není to, že vaše in-house inženýrské týmy nejsou schopny postavit to, co jsme postavili my; spíše by to neměly dělat. Sestavili jsme kusy moderního datového stacku pro vás. Rámec je efektivní, bojově testovaný a modulární, aby jsme mohli dynamicky evolucovat s krajinou.

Mnozí partneři přicházejí k nám, aby uvolnili inženýrské zdroje a zaměřili se na větší strategické iniciativy. Používají architekturu Traceru jako prostředek k cíli. Mít databázi neodpovídá na obchodní otázky. Mít ETL potrubí neodpovídá na obchodní otázky. Ta věc, která opravdu záleží, je to, co můžete udělat s touto infrastrukturou, až je jednou sestavena. Proto jsme postavili Tracer – jsme vaším zkratkou k získání odpovědí.

Proč jste přesvědčeni, že strukturovaná data jsou kritická pro umělou inteligenci, a jaké výhody poskytují oproti nestrukturovaným datům?

Strukturovaná data jsou kritická pro umělou inteligenci, protože umožňují ruční lidskou interakci, kterou považujeme za nezbytnou součást efektivní výstupu. To řekli, v dnešním ekosystému jsme lépe vybaveni než kdykoli předtím, abychom využili poznatky z nestrukturovaných dat a dříve obtížně přístupných formátů (dokumenty, obrázky, videa atd.).

Pro nás tedy jde o poskytování platformy, prostřednictvím které lze přidat další kontext od lidí, kteří jsou nejvíce seznámeni s podkladovými datovými sadami, až poté, co jsou data zpřístupněna. Jinými slovy, jde o nestrukturovaná data → strukturovaná data → kontextový motor Traceru → výstupy poháněné umělou inteligencí. Sedíme mezi nimi a umožňujeme účinnější zpětnou vazbu a ruční zásah, kde je to nezbytné.

Jaké výzvy čelí společnosti s nestrukturovanými daty a jak Tracer pomáhá překonat tyto výzvy, aby zlepšil kvalitu dat?

Bez platformy, jako je Tracer, spočívá výzva s nestrukturovanými daty ve všem, co se týče kontroly. Krmíte data do modelu, model vyplivne odpovědi a máte velmi málo příležitostí optimalizovat, co se děje uvnitř černé skříňky.

Raděme si například, že chcete určit nejvýraznější obsah v mediální kampani. Tracer by mohl použít umělou inteligenci, aby poskytl metadata pro všechny obsahy, které byly spuštěny v reklamě. Také by mohl použít umělou inteligenci, aby poskytl poslední milní analýzu pro přechod od vysoce strukturované datové sady k této odpovědi.

Ale mezi tím naše platforma umožňuje uživatelům nakreslit spojení mezi mediálními daty a datovou sadou, kde žijí výsledky, více jemně definovat “výrazný” a vyčistit kategorie provedené umělou inteligencí. Základní jsme abstrahovali a produktizovali kroky, aby se odstranila černá skříňka. Bez umělé inteligence je tu mnohem více práce, kterou musí člověk v Traceru udělat. Ale bez Traceru nemůže umělá inteligence dosáhnout stejné kvality odpovědi.

Jaké jsou některé z klíčových technologií založených na umělých inteligencích, které Tracer používá ke zlepšení své datové inteligence?

Můžete si Tracer představit jako tři základní kategorie produktů: Zdroje, Obsah a Výstupy.

• Zdroje je nástroj, který automatizuje ingestování, monitorování a kontrolu kvality rozdílných dat.
• Kontext je táhni a pusť semantická vrstva pro organizování dat poté, co byla ingestována.
• Výstupy jsou místem, kde můžete odpovědět na obchodní otázky nad kontextualizovanými daty.

V Traceru nevidíme umělou inteligenci jako náhradu za žádný z těchto kroků; spíše ji vidíme jako další formu technologie, kterou všechny tři kategorie mohou využít k rozšíření toho, co lze automatizovat.

Například:

• Zdroje: Využití umělé inteligence k pomoci při budování nových API konektorů pro dlouhé datové zdroje, které nejsou dostupné prostřednictvím našeho partnerského katalogu.
• Kontext: Využití umělé inteligence k vyčištění metadat před spuštěním tag pravidel. Například vyčištění variant názvů publikací v každém jazyce.
• Výstupy: Využití umělé inteligence jako náhrady za dashboardy, kde je obchodní případ exploratorní, spíše než pevná sada KPI, které je třeba pravidelně hlásit.
• Umělá inteligence nám umožňuje dosáhnout těchto typů aplikací jednoduchým a přístupným způsobem.

Jaké jsou plány Traceru pro budoucí rozvoj a inovace v oblasti datové inteligence?

Tracer je agregátor agregátorů. Naši partneři se na nás spoléhají pro konkrétní aplikace v týmech a funkcích nebo pro použití v mezioborové obchodní inteligenci. Krása Traceru spočívá v tom, že ať už využíváte naše nástroje pro lepší rozhodování s vašimi mediálními výdaji a kreativitou, nebo pro stavbu dashboardů pro propojení rozdílných metrik od dodavatelského řetězce po prodej a vše mezi tím, stavební bloky jsou konzistentní.

Vidíme organizace, které dříve spoléhaly na nás v jedné oblasti podnikání (například média a marketing), které rozšiřují aplikace do ostatních částí podnikání. Takže zatímco naši primární zákazníci byli dříve seniorními manažery médií nebo agenturními partnery, dnes pracujeme napříč organizací, partnerství s CIO, CTO, datovými vědci a obchodními analytiky. Jsme pokračujeme ve vývoji našich nástrojů, abychom mohli akomodovat více a více aplikací a osob, a zároveň zajišťujeme, že základní technologie je škálovatelná, flexibilní a přístupná pro netechnické uživatele. Děkuji vám za skvělý rozhovor, čtenáři, kteří chtějí se dozvědět více, by měli navštívit Tracer.