Skip Levens, marketingový ředitel, Media & Entertainment, Quantum – Interview Series

Skip Levens je produktový líder a AI stratég v Quantum, líderovi v oblasti řešení pro správu dat pro AI a nestrukturovaná data. V současné době je zodpovědný za řízení zapojení, povědomí a růstu pro konečné řešení Quantum. Během své kariéry, která zahrnovala zastávky v organizacích jako Apple (AAPL ), Backblaze, Symply a Active Storage, úspěšně vedl marketing a obchodní rozvoj, evangelizaci, spustil nové produkty, vyvinul vztahy s klíčovými stakeholdery a poháněl růst výnosů.

Quantum poskytuje komplexní řešení pro správu dat, která pomáhají organizacím spravovat, obohacovat a chránit nestrukturovaná data, jako jsou video a audio soubory, ve velkém měřítku. Jejich technologie se zaměřuje na transformaci dat na cenné informace, umožňující podnikům extrahovat hodnotu a činit informovaná rozhodnutí. Platforma Quantum nabízí zabezpečená, škálovatelná a flexibilní řešení, kombinující místní infrastrukturu s cloudovými schopnostmi. Přístup společnosti umožňuje podnikům efektivně zvládat růst dat,同时 zajišťuje bezpečnost a flexibilitu po celou dobu životnosti dat.

Můžete poskytnout přehled přístupu Quantum k AI-driven datové správě pro nestrukturovaná data?

Pomocí zákazníkům při integraci umělé inteligence (AI) a strojového učení (ML) do jejich klíčových obchodních operací, Quantum pomáhá zákazníkům efektivně spravovat a odemknout významnou hodnotu z jejich nestrukturovaných dat, vytvářet akční obchodní informace, které vedou k lepšímu obchodnímu rozhodování. Budováním vlastních AI/ML nástrojů mohou společnosti přejít od pouhého zvládání přílivu dat a obsahu na využívání informací jako nového hnacího motoru efektivnosti a nakonec zesilují lidskou odbornost ve všech fázích obchodních operací.

Jak analyzuje AI technologie Quantum nestrukturovaná data a jaké jsou některé klíčové inovace, které odlišují vaši platformu od konkurentů?

V počátečních fázích přijetí AI/ML nástrojů mnoho organizací nachází, že jejich pracovní postupy se stávají neuspořádanými a nespojenými, a mohou ztratit přehled o svých datech, což ztěžuje vynucování bezpečnostních a ochranných standardů. Často je raný vývoj zhoršován nesprávným úložištěm a výkonem souborového systému.

Vyvinuli jsme Myriad, high-performance, software-defined file storage a inteligentní fabric prostředí, aby elegantně splnilo výzvy integrace AI/ML pipeline a high-performance pracovních postupů – sjednocuje pracovní postupy bez hardwarových omezení a limitů jiných systémů. Myriad je jasný odchod od legacy hardwaru a úložných omezení a postavený s nejnovějšími úložnými a cloudovými technologiemi, je zcela řízen mikroslužbami a orchestrován Kubernetes, aby byl vysoce responsivní systém, který vyžaduje minimální administrativní interakci. Myriad je výhradně navržen tak, aby dosáhl nejvyššího výkonu z NVMe a inteligentní fabric sítě a téměř okamžité vzdálené přímé paměťové přístupové (RDMA) spojení mezi všemi komponentami. Výsledkem je inovativní systém, který inteligentně a automaticky reaguje na změny a vyžaduje minimální administrativní zásah pro provádění běžných úkolů. Díky tomu, že inteligentní fabric je součástí systému, je Myriad také intrinsicky vyvážený systém, který poskytuje více 100Gbps portů šířky pásma jako jeden, vyvážený IP adresu.

Spojení Myriad s našim cloudovým objektem úložiště ActiveScale umožňuje organizacím archivovat a uchovávat i ty největší datové jezera a obsah. Kombinace nabízí zákazníkům skutečné komplexní řešení pro správu dat pro jejich AI potrubí. Navíc, když je dodán spolu s našim řešením CatDV, mohou zákazníci označit a katalogizovat data, aby je dále obohatili a připravili na analýzu a AI.

Můžete sdílet poznatky o použití AI s video dohledem na olympiádě v Paříži a jaké další velké události nebo organizace využily tuto technologii?

Strojové učení může vyvinout opakující se akce, které rozpoznávají vzory zájmu ve videu a odvozují informace z velkého množství dat v reálném čase ve větším měřítku a rychleji, než je možné lidskými silami. Video dohled, například, může použít AI k zachycení a označení podezřelého chování, jakmile k němu dojde, i když je zde stovky kamer, které poskytují modelu informace. Lidská osoba, která by se o to pokusila, by mohla zpracovat pouze jednu událost najednou, zatímco AI-poháněný video dohled může zpracovat tisíce případů současně.

Jiným použitím je analýza nálady davu, která může sledovat dlouhé fronty a identifikovat potenciální frustrace. Tyto jsou všechny akce, které může spolehlivě označit bezpečnostní odborník, ale pomocí AI/ML systémů ke kontinuálnímu sledování současných toků, tyto odborníci jsou uvolněni, aby přijali příslušná opatření, když je to potřeba, dramaticky zvyšuje celkovou efektivitu a bezpečnost.

Jaké jsou hlavní výzvy, kterým čelí organizace při implementaci AI pro analýzu nestrukturovaných dat, a jak Quantum pomáhá zmírnit tyto výzvy?

Organizace musí zcela重新 přehodnotit svůj přístup k úložišti, stejně jako k datové a obsahové správě jako celku. Většina organizací roste své úložné kapacity organicky, obvykle jako reakci na jednorázové potřeby, a to vytváří multi-vendor zmatení a nešťastnou složitost.

Při přijetí AI musí organizace nyní zjednodušit úložiště, které podporuje jejich operace. Často to vyžaduje implementaci „horké“ části počáteční datové ingest, nebo přistávací zóny, kde aplikace a uživatelé mohou pracovat co nejrychleji. Pak je přidán velký „studený“ typ úložiště, který může snadno archivovat velké množství dat a chránit je nákladově efektivní způsobem, s možností přesunout data zpět do „horkého“ zpracování pracovního postupu téměř okamžitě.

Reimagining úložiště do menších, kompaktnějších řešení snižuje zátěž na administrativní personál. Tento typ „horkého/chladného“ řešení pro správu dat je ideální pro integraci AI/ML pracovního postupu, a řešení Quantum umožňují zákazníkům vytvořit vysoce agilní, flexibilní platformu, která je stručná a snadno spravovatelná.

Jak se inovace Quantum v oblasti AI integrují s jinými AI-poháněnými nástroji a technologiemi, aby zvýšily růst a efektivitu organizací?

Mnozí lidé si myslí, že úložiště pro AI/ML nástroje je pouze o krmení grafických procesorů (GPU), ale to je pouze malá část rovnice. Ačkoli rychlost a vysoký výkon mohou být instrumentální při krmení dat co nejrychleji do GPU, které provádějí analýzu dat, větší obraz se točí kolem toho, jak organizace mohou integrovat iterativní a probíhající AI/ML vývoj, školení a inferenční smyčky na základě vlastních dat. Často je prvním a nejvýznamnějším AI/ML úkolem, který je řešen, budování „knowledge botů“ nebo „poradenských botů“ pomocí vlastních dat, aby informoval interní znalostní pracovníky. Aby mohli udělat tyto znalostní boty užitečné a jedinečné pro každou organizaci, jsou vyžadovány velké množství specializovaných informací, aby informovaly model, který je trénuje. Zde přichází AI-poháněné úložiště: pokud jsou tato vlastními daty dobře uspořádaná a snadno dostupná v proudovém úložišti, bude mnohem snazší je uspořádat do typů, sad a katalogů dat, které zajistí, že tyto znalostní boty budou vysoce informovány o jedinečných potřebách organizace.

Můžete vysvětlit AI-poháněné funkce správy pracovních postupů a jak streamují datové procesy?

Budujeme řadu AI-poháněných nástrojů pro správu pracovních postupů, které se přímo integrují do úložných řešení, aby automatizovaly úkoly a poskytovaly cenné informace v reálném čase, umožňující rychlé a informované rozhodování napříč organizacemi. To je díky novým a pokročilým systémům klasifikace a označení dat, které používají AI k organizaci dat a činí je snadno dostupnými, a dokonce provádějí standardní akce na tomto médiu, jako je přizpůsobení určitým rozměrům, což významně snižuje manuální úsilí potřebné při organizaci dat do trénovacích sad.

Inteligentní automatizační nástroje spravují pohyb dat, zálohování a úkoly compliance na základě nastavených zásad, zajišťují konzistentní aplikaci a snižují administrativní zátěž. Analytika a monitoring v reálném čase také nabízejí okamžité informace o modelech použití dat a potenciálních problémech, automaticky udržují integritu a kvalitu dat po celou dobu jejich životnosti.

Jaký je výhled pro AI-poháněnou správu dat a jaké trendy předpovídáte v příštích letech?

Jak tyto nástroje evolují a stávají se multi-modálními, umožní více expresivních a otevřených způsobů práce s daty. V budoucnu budete moci mít „konverzaci“ se systémem a být prezentován informacemi nebo analytikou zájmu, jako je „co je nejrychleji rostoucí typ dat v mé „horké zóně“ nyní?“. Tato úroveň specializace bude diferencovat organizace, které tyto nástroje integrují do svých úložných řešení, činí je více přesnými a efektivnějšími, i když se potýkají s neustálými novými proudy evolucí dat.

Jakou roli hrají vaše cloudové analytiky a úložiště jako služba v celkové datové strategii?

Organizace s významnými a expandujícími úložnými požadavky často bojují s udržením kroků s poptávkou, zejména když operují na omezených rozpočtech. Veřejné cloudové úložiště může vést k vysokým a nepředvídatelným nákladům, což ztěžuje přesnou odhad a nákup let úložných potřeb dopředu. Mnozí zákazníci by rádi měli zkušenost s veřejným cloudovým úložištěm s známým projekčním provozním nákladem, ale bez překvapivých nákladů na výstup nebo API, které může veřejný cloud přinést. Abychom odpověděli na tuto potřebu, vyvinuli jsme Quantum GO, abychom zákazníkům poskytli soukromou cloudovou zkušenost s nízkým počátečním vstupním bodem a nízkými fixními měsíčními platbami za skutečné úložiště jako službu ve své vlastní lokalitě. Jakmile se úložné požadavky zvyšují, Quantum GO poskytuje zákazníkům výhodu jednoduchého „platíte, jak rostete“ předplatného, aby nabídli vylepšenou flexibilitu a škálovatelnost nákladově efektivní způsobem.

Jak plánuje Quantum zůstat v čele v rychle se vyvíjejícím AI a datové správě?

V dnešním světě být pouze „poskytovatelem úložiště“ nestačí. Nově se vyvíjející data a obchodní výzvy vyžadují inteligentní, AI-empowering datové platformy, které pomáhají zákazníkům maximalizovat hodnotu svých dat. V Quantum pokračujeme v inovacích a investicích do vylepšených schopností pro naše zákazníky, aby jim pomohli snadno a efektivně pracovat s daty po celou dobu jejich životnosti.

Rozšiřujeme inteligentní AI, abychom vylepšili označení, katalogizaci a organizaci dat, aby bylo snazší než kdykoli předtím najít, analyzovat a extrahovat více hodnoty a informací. Budeme pokračovat ve vylepšování našich AI schopností, které pomáhají s automatickou video transkripcí, překladem audio a video souborů do jiných jazyků v sekundách a umožňují rychlé vyhledávání napříč tisíci soubory, aby identifikovaly mluvená slova nebo našly konkrétní položky a další.

Jakou radu byste poskytli organizacím, které teprve začínají svou cestu s AI a správou nestrukturovaných dat?

AI/ML mělo enormní hype, a kvůli tomu může být obtížné rozlišit, co je praktické a užitečné. Organizace musí nejprve přemýšlet o datech, která jsou vytvářena, a identifikovat, jak jsou generována, zachycena a uchovávána. Další, organizace musí hledat úložné řešení, které je připraveno přístupovat a obnovovat data podle potřeby, a které jim pomůže vést jak denní pracovní postupy, tak budoucí evoluci. I když je obtížné shodnout se na konečných AI cílech, činění kroků nyní, aby se zajistilo, že úložné systémy a datové pracovní postupy jsou streamlinovány, zjednodušeny a robustní, přinese enormní dividendy, když se integrují současné a budoucí AI/ML iniciativy. Organizace budou pak dobře umístěny, aby pokračovaly v zkoumání, jak tyto AI/ML nástroje mohou pokročit v jejich misi, aniž by se musely starat o to, zda budou moci správně podporovat je s pravým úložným řešením.

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