Lior Koriat, generální ředitel Quali – Interview Series

Lior Koriat, generální ředitel Quali, je zkušený technologický manažer a podnikatel s téměř dvěma desetiletími zkušeností v Quali, kde pomohl formovat společnost od jejích počátečních inženýrských a provozních základů do globálního poskytovatele cloud-agnostic Environment as a Service řešení pro DevOps, IT a platformní týmy. Od roku 2011, kdy se stal generálním ředitelem a členem představenstva, vedl expanzi Quali v USA, Evropě, Asii a Izraeli, a to na základě svých předchozích rolí jako viceprezidenta pro výzkum a vývoj, provozního ředitele, generálního ředitele, kde založil inženýrské, prodejní, zákaznické podpory, právní, obchodní rozvoj a mezinárodní operace. Jeho pozadí také zahrnuje založení a vedení Intellitech Engineering, akvizované systémy a mechanické inženýrství společnosti, která slouží obranným a civilním zákazníkům, jakož i mentorování rolí s Google Launchpad Accelerator a UC Berkeley’s Sutardja Center for Entrepreneurship & Technology, kde poradí startupům o produktové strategii, go-to-market provedení, DevOps a škálovatelnosti.

Quali vyvíjí infrastrukturní automatizaci a platformní inženýrství software, který je navržen tak, aby pomohl organizacím dodávat řízené, samoobslužné cloudové prostředí bez zpomalení vývojových týmů. Jeho Torque platforma poskytuje katalogový samoobslužný vrstva pro platformní týmy, umožňující schválené modré tisky, role-based přístupové kontroly, lifecycle management, nákladové připsání, politika vynucování a reálné viditelnosti napříč prostředími. Quali позиционирует Torque jako způsob standardizace dodávky infrastruktury napříč multi-cloud a hybrid-cloud nastaveními, s podporou použití případů, včetně softwarového vývoje, testování, demo, školení, proof-of-concept nasazení, MLOps, agentic AI, CI/CD pipeline automatizace a GPU-as-a-Service. Jeho širší produktový portfólio také zahrnuje CloudShell, který přeměňuje infrastrukturu na opakovaně použitelné low-code nebo no-code stavební bloky pro komplexní prostředí napříč on-premises a cloudovou infrastrukturou.

Založil jste a rozšiřoval několik technologických společností, než jste vedl Quali, a vaše kariéra zahrnuje vojenské systémy, robotiku, infrastrukturní inženýrství a cloud automatizaci. Jak tyto zkušenosti ovlivnily váš pohled na budování AI infrastrukturních platforem, a co vás přesvědčilo, že je to správný okamžik pro zaměřit se na AI-nativní infrastrukturní management?

Má kariéra se neustále soustředila na komplexní systémy, které musí spolehlivě fungovat v náročných podmínkách. Začal jsem v robotice a aerokosmonautice, kde jsem vyvíjel automatizační a simulační systémy pro obranné aplikace, kde byla opakovatelnost a správa provozními požadavky spíše než inženýrskými preferencemi. Tyto prostředí mě naučila, že nejobtížnější problémy vznikají, kde musí spolu pracovat několik systémů a procesů konzistentně po dlouhou dobu.

Tento pohled se přenesl do Quali. V posledních deseti letech se podniková infrastruktura stala stále více distribuovanou napříč různými vrstvami. Každá nová vrstva vyřešila konkrétní technický problém, ale také zavedla další řídicí rozhraní, další provozní workflow a další zdroj složitosti. Organizace se staly velmi dobrými v vytváření infrastruktury, ale mnohem méně efektivními v jejím řízení, jakmile existovala.

AI urychlila tuto nerovnováhu, a provozní výzvy stále více určují, zda se AI iniciativa dostane do produkční fáze nebo zůstane uvíznutá v pilotní fázi. To je důvod, proč jsem přesvědčen, že AI-nativní infrastrukturní management se stal nezbytným. Výzvou je provozovat AI infrastrukturu kontinuálně napříč heterogenními prostředími, zatímco se udržuje správa, bezpečnost a nákladová disciplína a optimalizuje využití.

Suverénní AI se rychle stala prioritou pro vlády a podniky. Co většina organizací nepochopila o suverenitě, a proč jste přesvědčen, že infrastrukturní správa se stává stejně důležitou jako vlastnictví modelu?

Mnohé diskuse o suverénním AI se soustředí na rezidenční data a vlastnictví infrastruktury. Tyto jsou nezbytné komponenty, ale řeší pouze část provozní reality.

Jakmile organizace začnou nasazovat autonomní agenty, primární otázka se mění z místa, kde se nachází infrastruktura, na to, jak AI systémy fungují uvnitř té infrastruktury. Moderní agenti zajišťují prostředky, získávají informace, spouštějí workflow a interagují s produkčními systémy. Každá z těchto akcí vyžaduje politiku vynucování.

To mění, jak by měla být suverenita hodnocena. Vlastnictví infrastruktury automaticky nezajišťuje provozní kontrolu, pokud AI systémy mohou provádět akce bez deterministické správy. Podniky potřebují prokázat, kdo inicioval akci, jaké politiky ji řídily, které prostředky byly přístupné a jak lze tyto rozhodnutí audovat. Výzvou je provozovat AI infrastrukturu kontinuálně napříč heterogenními prostředími, zatímco se udržuje správa, bezpečnost a nákladová disciplína a optimalizuje využití.

Očekávám, že infrastrukturní správa se stane stejně strategicky důležitou jako vývoj modelu, protože poskytuje provozní rámec, který umožňuje organizacím škálovat AI zodpovědně. Jakmile podniky přijmou více modelů, více cloudů a stále autonomnějších workflow, správa se stává vrstvou, která udržuje tyto prostředí zabezpečená a odpovědná napříč celou infrastrukturní základnou.

AI agenti jsou stále více oprávněni zajišťovat prostředky, nasazovat úlohy a činit provozní rozhodnutí. Jaké zábrany musí být na místě, než podniky mohou bezpečně důvěřovat autonomním systémům s kritickou infrastrukturou?

Mnohé organizace již nasazují AI agenty v produkční fázi. Otázka je, jak tyto agenty fungují v jasně definovaných hranicích.

Prvním požadavkem je deterministická politika vynucování na úrovni provedení. Agenti by měli být schopni provádět pouze akce, které jsou v souladu s předem definovanými infrastrukturními politikami. Tyto politiky nemohou spoléhat na model, který rozhoduje, zda je akce vhodná. Musí být vynucovány nezávisle na modelu samotném.

Přístupová kontrola je stejně důležitá. Persistentní oprávnění vytvářejí zbytečnou provozní rizika. Přístup by měl být zajištěn pro konkrétní úkoly, omezený na požadované prostředky a zrušen automaticky, jakmile je práce dokončena. Tento model umožňuje organizacím rozšiřovat automatizaci bez rozšiřování jejich útočného povrchu.

Každá akce také potřebuje kompletní auditní stopu. Jak AI systémy se stávají stále autonomnějšími, podniky potřebují pochopit, který agent provedl akci, kdy k tomu došlo, jaká politika ji autorizovala a jaké změny byly provedeny. Tato úroveň stopovatelnosti podporuje provozní odstraňování problémů, stejně jako soulad s předpisy.

Domnívám se, že autonomní infrastruktura by měla fungovat v rámci řízených prostředí, spíše než napříč neomezenou infrastrukturou. Dobře definovaná prostředí poskytují explicitní hranice prostředků, lifecycle kontroly a provozní politiky, než agent začne provádět úlohy. To umožňuje organizacím zvyšovat automatizaci, zatímco udržují předvídatelné provozní chování, jakmile se AI nasazení dále škáluje.

Často diskutujete o posunu od tradiční automatizace k tomu, co nazýváte inteligentní řídicí rovinou. Co se zásadně mění, když infrastruktura začíná fungovat kolem záměru spíše než statických pravidel a workflow?

Tradiční automatizace provede předem definované kroky. To funguje, když infrastruktura je předvídatelná, úlohy jsou stabilní a změny probíhají prostřednictvím lidsky řízených workflow. AI infrastruktura nefunguje tímto způsobem.

AI úlohy jsou dynamické. Poptávka po GPU se mění rychle, prostředí jsou vytvářena a rušena často a agenti mohou potřebovat přístup k prostředkům pro konkrétní úkoly. Inteligentní řídicí rovinou rozumí účelu prostředí, kdo je vlastní, jaké jsou náklady, jaké politiky se uplatňují a zda aktuální stav stále odpovídá zamýšlenému stavu.

Tento kontext mění infrastrukturní management. Systém může detekovat drift, doporučit optimalizaci, vynucovat politiku a spravovat lifecycle rozhodnutí proti zamýšlenému výsledku, spíše než statickému skriptu.

GPU infrastruktura se stala jednou z největších úzkých míst v nasazení AI. Domníváte se, že průmysl se blíží k využití GPU nesprávně, a jaké provozní změny by mohly dramaticky zlepšit efektivitu bez přidání dalšího hardwaru?

Průmysl často řeší problém s GPU jako problém s nákupem. Ve mnoha podnicích je okamžitější problém využití.

Vidíme organizace s GPU klastry, které jsou předem alokovány pro špičkovou poptávku, zůstanou nečinné mezi tréninkovými běhy nebo zůstanou připojeny k prostředí, i když práce skončila. To vytváří vysoké náklady bez odpovídajícího obchodního hodnoty.

Zlepšení efektivity GPU začíná lifecycle kontrolou. Prostředí by měla být zajištěna na vyžádání, shodná s úlohou, připsána k týmu nebo projektu a zrušena automaticky, jakmile je úloha dokončena. Podniky také potřebují viditelnost do využití, nákladů na úlohu a obchodního účelu každého prostředí.

Přidání hardwaru může stále být nezbytné, ale neřízená GPU kapacita pouze rozšiřuje problém s náklady.

Mnohé podniky nyní fungují napříč veřejným cloudem, soukromým cloudem, on-premises prostředími a edge infrastrukturou. Jak vidíte hybridní AI prostředí, která se budou vyvíjet v průběhu následujících pěti let, a jaké výzvy zůstávají nevyřešené dnes?

Hybridní AI se stane výchozím modelem pro podniky. Organizace budou používat veřejný cloud pro flexibilitu, on-premises infrastrukturu pro kontrolu a nákladový management a edge prostředí, kde je vyžadována latence, data lokalita nebo provozní požadavky.

Neřešenou výzvou je konzistence. Většina podniků již funguje napříč několika dodavateli, cloudy, automatizačními nástroji a typy infrastruktury. AI přidává GPU klastry, model-serving prostředí, fine-tuning pipeline, agentic workflow a CI/CD pipeline automatizaci do této směsi.

V průběhu následujících pěti let budou vedoucí organizace ty, které vytvoří jednu provozní normu napříč těmito prostředími. Budou potřebovat konzistentní zajišťování, politiku vynucování, nákladové připsání, auditabilitu a lifecycle management, bez ohledu na to, kde úloha běží.

DevOps transformoval dodávku softwaru v průběhu posledních deseti let. Domníváte se, že AI infrastruktura vyžaduje zcela nový provozní model, nebo je to přirozená evoluce DevOps a platformního inženýrství?

AI infrastruktura rozšiřuje DevOps, ale také zavádí požadavky, které tradiční DevOps postupy nebyly navrženy pro zpracování.

DevOps zlepšil dodávku softwaru standardizací pipeline, automatizací opakovaných prací a poskytováním týmům rychlejšího přístupu k prostředkům, které potřebují. AI infrastruktura vyžaduje stejnou disciplínu, ale úlohy jsou více náročné na prostředky, méně předvídatelné a více závislé na specializované infrastruktuře.

Platformní inženýrství se stává centrálním v tomto prostředí. Týmy potřebují řízený samoobslužný přístup k validovaným prostředí, spíše než ticket-based zajišťování nebo manuální konfigurace. Provozní model stále hodnotí rychlost a automatizaci, ale také vyžaduje silnější správu, nákladový management a infrastrukturní kontext od začátku.

Bezdotykové operace byly dlouho cílem v infrastrukturním managementu. Jak blízko jsme k skutečně autonomní infrastruktuře, a jaké jsou největší technické a organizační bariéry, které ještě stojí v cestě?

Jsme mnohem blíže k autonomní infrastruktuře, než si většina lidí uvědomuje, ale omezujícím faktorem je správa spíše než automatizace. AI agenti již mohou zajišťovat prostředí, nasazovat úlohy, vyšetřovat anomálie a doporučovat nápravu. Výzvou je zajistit, aby tyto akce probíhaly v jasně definovaných politických hranicích.

Organizace také potřebují důvěru, že autonomní systémy mohou vysvětlit, co provedli, proč to provedli a pod jakou politikou jednali. Tato úroveň stopovatelnosti je stále chybějící v mnoha podnikových prostředích. Autonomní infrastruktura se stane mainstreamem, když správa, auditabilita a politika vynucování budou zabudovány do provozní vrstvy, spíše než přidány dodatečně.

Jak AI úlohy se stávají stále dynamickými a náročnějšími na prostředky, překročení nákladů se stává velkou obavou. Jaké jsou nejčastější chyby, které podniky dělají, když se snaží škálovat AI infrastrukturu, a jak je mohou vyhnout?

Mnohé organizace se soustředí na získání více výpočetního výkonu, než pochopí, jak efektivně využívají infrastrukturu, kterou již mají.

Pravidelně vidíme prostředí, která zůstávají aktivní po dokončení projektů, GPU prostředky rezervované pro úlohy, které nikdy neběží, a málo viditelnosti do nákladů na infrastrukturu. AI úlohy zesilují tyto neefektivnosti, protože poptávka se mění rychle a GPU infrastruktura je drahá.

Rozwiązání začíná správou. Každé prostředí by mělo mít definovaného vlastníka, obchodní účel, lifecycle a nákladový profil od okamžiku, kdy je zajištěno. Když organizace kombinují politiku řízeného zajišťování s automatizovaným zrušením a kontinuální viditelností do využití, infrastrukturní výdaje se stávají mnohem snazšími předvídat a ospravedlnit.

Pohledem do budoucna, co bude oddělovat organizace, které úspěšně operacionalizují AI v měřítku, od těch, které budou zápasit, a jaké infrastrukturní trendy by měli technologičtí lídři sledovat právě teď, které jsou stále pod radarem?

Organizace, které uspějí, budou pohlížet na AI infrastrukturu jako na provozní schopnost, spíše než na sbírku technologií. Modely budou pokračovat v zlepšování a hardwarová zařízení se budou stávat stále výkonnějšími. Provozování těchto prostředí konzistentně napříč několika týmy a platformami zůstane větší výzvou.

Jedním trendem, který si zaslouží více pozornosti, je posun směrem k infrastrukturní inteligenci. Infrastrukturní platformy začínají rozumět kontextu toho, co spravují, kdo vlastní prostředí, jakou úlohu podporuje, kolik stojí, zda splňuje politiku a kdy by mělo být optimalizováno nebo zrušeno. Tento provozní kontext se stane stále cennějším, jak podniky nasazují více AI agentů a heterogenní infrastrukturu.

Domnívám se, že správa se stane konkurenční výhodou. Organizace, které mohou zajišťovat infrastrukturu rychle, zatímco udržují viditelnost, politiku vynucování, nákladový management a auditabilitu, přesunou AI projekty z pilotní fáze do produkční fáze mnohem rychleji, než ty, které stále spoléhají na fragmentované provozní modely.

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