Interviews
Leo Brunnick, Chief Product Officer hos Cloudera – Interviewserie
Føj Unite.AI til dine foretrukne kilder på Google
Leo Brunnick, Chief Product Officer hos Cloudera, er en veteran teknologieleder og iværksætter med mere end tre årtier erfaring med at bygge og skalere software, digitale medier og virksomhedsteknologiorganisationer. Hos Cloudera leder han Produktstyring, Engineering og Kundesupport og har overblikket over virksomhedens produkt‑ og teknologiretning, mens den udvider sine data‑ og AI‑platformkapaciteter. Før han tiltrådte Cloudera i 2025, tilbragte Brunnick seks år hos Naviga, senest som Chief Operating Officer, hvor han ledede mere end 600 fagfolk på tværs af produkt, engineering, marketing, R&D, kundesupport og professionelle tjenester. Tidligere i sin karriere grundlagde og var han administrerende direktør for Patheos, og voksede den digitale medieplatform til cirka 15 millioner månedlige besøgende før en vellykket exit, og tilbragte otte år som Chief Product Officer i enterprise‑content‑management‑firmaet Vignette. Hans baggrund omfatter også teknologikonsultation hos Andersen Consulting og tjeneste som officer i U.S. Marine Corps infantry.
Cloudera er en virksomhed inden for enterprise‑data og AI, der fokuserer på at hjælpe organisationer med at administrere, styre, analysere og anvende AI på data, uanset hvor de befinder sig — på tværs af offentlige skyer, private datacentre og edge‑miljøer. Dens hybride platform kombinerer datastyring, analyse, maskinlæring, generativ AI og i stigende grad agentbaseret AI, samtidig med at den lægger vægt på virksomhedssikkerhed, governance, privatliv og portabilitet af arbejdsbelastninger. Virksomhedens nuværende platformstrategi omfatter Cloudera Anywhere Cloud, en arkitektur designet til at give virksomheder en ensartet cloud‑oplevelse på tværs af forskellige infrastrukturmiljøer, samt et åbent data‑lakehouse, en samlet data‑fabric, real‑tids databehandling og værktøjer til udvikling og implementering af AI‑modeller og agenter. Cloudera siger, at deres teknologi håndterer mere end 25 exabytes data og anvendes af store globale virksomheder, der ønsker at modernisere deres datainfrastruktur uden at skulle flytte alle arbejdsbelastninger eller følsomme data til en offentlig cloud.
Din karriere har spænder over teknologikonsultation, ledelse af produktorganisationer hos Vignette og Naviga, grundlæggelse og skalering af Patheos, og nu som Chief Product Officer hos Cloudera. Hvordan har disse erfaringer formet din måde at tænke på, når du bygger enterprise‑teknologiplatforme i en tid, hvor AI grundlæggende ændrer, hvordan organisationer bruger deres data?
På tværs af alle disse situationer gælder det samme princip. Teknologi er mest værdifuld, når den gør noget kompliceret lettere for folk at bruge. Dette punkt er endnu vigtigere nu, da AI skaber betydelige muligheder, samtidig med at den tilføjer et ekstra lag af kompleksitet for virksomheder, der allerede navigerer i cloud‑data, datacentre og i stigende grad suveræne miljøer.
Mens vi bygger denne næste æra hos Cloudera, overvejer jeg ofte, hvordan vi kan gøre det muligt for organisationer at drage fordel af nye teknologier uden at de skal gentænke alt, hvad de allerede har bygget. I løbet af de seneste år har virksomheder opbygget deres data‑områder, applikationer, governance‑modeller og operationelle processer. Det ville ikke være rimeligt at kassere alt dette, hver gang en ny teknologi dukker op. De platforme, der lykkes i AI‑æraen, vil bygge videre på, hvad organisationerne allerede har, samtidig med at de giver dem fleksibilitet og kontrol til at tilpasse sig, efterhånden som deres behov udvikler sig.
Cloudera introducerede for nylig Cloudera Anywhere Cloud for at hjælpe virksomheder med at bygge og drive AI på tværs af offentlige skyer, privat infrastruktur, suveræne skyer, on‑premise‑miljøer og edge. Hvilket problem så du blandt kunderne, der overbeviste Cloudera om, at denne type ensartet arkitektur var nødvendig?
Der er stigende pres på kunderne for at omsætte AI til praksis, selvom deres data og infrastruktur er spredt over flere miljøer end nogensinde før. Data kan befinde sig på offentlige skyer, private datacentre, suveræne miljøer og edge, hver med sine egne sikkerheds‑, regulerings‑, præstations‑ og økonomiske krav. Håndtering af alle disse miljøer kan skabe en betydelig driftsbyrde for organisationer.
Idéen bag Anywhere Cloud er, at virksomheder ikke skal vælge mellem cloudens smidighed og at opretholde kontrol, sikkerhed og governance over deres data. Organisationer har brug for en ensartet måde at implementere, styre og skalere data‑ og AI‑tjenester på, hvor det giver mest mening for forretningen. Med en enkelt kontrolplan kan virksomheder bruge mindre tid på at administrere den underliggende infrastruktur og mere tid på at fokusere på de resultater, de ønsker at opnå med deres data og AI, uanset hvilket miljø de befinder sig i.
Du har sagt, at enterprise‑AI har “overvundet den offentlige cloud‑kun‑model”. Hvad er de største begrænsninger, som virksomheder støder på, når de forsøger at køre produktions‑AI udelukkende i offentlige cloud‑miljøer, og hvilke arbejdsbelastninger flytter i stigende grad andre steder?
De platforme, der lykkes i AI‑æraen, vil bygge videre på, hvad organisationerne allerede har, og give dem fleksibilitet til at tilpasse sig, efterhånden som deres behov udvikler sig. Offentlig cloud forbliver en vigtig del af enterprise‑teknologistrategien, men det er ikke den eneste mulighed. Når AI flytter ind i produktion, skal virksomheder afgøre, hvor deres data og arbejdsbelastninger skal køre, baseret på faktorer som regulering, sikkerhed og omkostninger.
Dette viser, at beslutninger om, hvor arbejdsbelastninger skal placeres, nu træffes mere bevidst. Visse AI‑applikationer vil helt sikkert være passende i den offentlige sky, mens arbejdsbelastninger, der involverer meget følsomme eller regulerede data, måske skal forblive i et privat datacenter eller et suverænt miljø. I andre tilfælde vil arbejdsbelastninger have større fordel ved at køre i kanten, da latenstid er en vigtig faktor. Målet er ikke at bevæge sig væk fra den offentlige sky; snarere er det at give virksomheder fleksibiliteten til at køre hver type arbejdsbelastning på den placering, der er mest egnet til den, uden at blive tvunget til at skabe en separat driftsmodel for hvert miljø.
Cloudera Anywhere Cloud inkluderer en agentbaseret copilot, der kan omsætte naturlige sprogforespørgsler til data‑arbejdsprocesser og infrastruktur‑operationer. Hvor autonome forventer du, at disse systemer vil blive, og hvor bør virksomheder opretholde menneskelig kontrol, når agenter får større kontrol over kritisk data‑infrastruktur?
Agenter vil fortsætte med at påtage sig den gentagne operationelle arbejde, som i øjeblikket optager data‑ og infrastrukturteamenes tid. Hvis en agent kan udtrykke et resultat i naturligt sprog og derefter omdanne det til en arbejdsproces eller en infrastrukturhandling, vil det i høj grad reducere friktion og gøre avancerede datakapaciteter tilgængelige for et større antal personer.
Større autonomi skaber også et større behov for effektiv styring. Virksomheder skal have klare politikker, der specificerer, hvad en agent må få adgang til, hvilke handlinger den kan udføre på egen hånd, og hvornår menneskelig godkendelse er påkrævet. Jo større den potentielle indvirkning af en handling er, desto vigtigere bliver disse kontroller. Autonomi og styring bør udvikles parallelt for at give agenter tilstrækkelig frihed til at opnå reelle produktivitetsgevinster, samtidig med at organisationen bevarer tilsyn og kontrol over sine nøgledata og -infrastruktur.
Cloudera arbejder sammen med NVIDIA om at bringe indbygget GPU‑acceleration via cuDF til Apache Spark 4.1‑arbejdsbelastninger, med potentielle ydeevneforbedringer på op til 4‑fold uden at kræve, at organisationer omskriver eksisterende PySpark‑ eller SQL‑applikationer. Hvorfor er det så vigtigt at fjerne behovet for kode‑omskrivninger for at fremskynde virksomheders AI‑adoption?
Virksomheder har foretaget betydelige investeringer i deres eksisterende applikationer, kompetencer og datapipelines. Overgangen til en ny teknologi kræver mere end blot ingeniørarbejde. Det kan medføre risiko, forsinke resultater og skabe forstyrrelser i allerede fungerende systemer.
Zero‑code‑acceleration hjælper med at løse denne udfordring. Organisationer kan bruge deres eksisterende PySpark‑ og SQL‑arbejdsbelastninger til at opnå fordelene ved GPU‑acceleration uden grundlæggende at ændre, hvordan deres teams arbejder. Dette gør teknologien lettere at adoptere, samtidig med at den forbedrer ydeevnen i datapipelines, der understøtter analyse og AI, og beskytter eksisterende investeringer.
GPU’er bliver i stigende grad brugt ud over modeltræning og inferens, også til datapreparation og analyse. Forventer du, at GPU‑acceleration vil blive en standarddel af virksomhedens datastak, og hvordan kunne dette ændre økonomien ved at forberede massive datasæt til AI?
Efter min mening vil virksomheder blive meget dygtigere til at matche deres infrastruktur med deres arbejdsbelastninger. GPU’er har allerede ændret måden, modeltræning og inferens udføres på, og dataengineering er det næste åbenlyse innovationsområde, da forberedelse af store datasæt kan være en væsentlig flaskehals, når AI‑applikationer skal bringes i produktion.
Den økonomiske indvirkning er lige så betydningsfuld, da hurtigere behandling kan gøre mere end blot at fuldføre et Spark‑job hurtigere. Reducerede beregningstider kan sænke infrastrukturomkostningerne, samtidig med at data‑teams kan iterere hurtigere, hvilket bliver en stadig vigtigere overvejelse, efterhånden som AI‑arbejdsbelastninger vokser. Ifølge vores forskning har 84 % af respondenterne oplevet, at AI‑arbejdsbelastninger øger infrastrukturomkostningerne, hvilket gør det vigtigere for virksomheder at se på hele datapipelinen for muligheder til at forbedre både ydeevne og omkostninger. GPU‑accelereret databehandling kan blive en vigtig del af denne ligning.
En af løfterne fra Cloudera Anywhere Cloud er at give organisationer mulighed for at placere arbejdsbelastninger, hvor regulerings‑, økonomiske‑ eller operationelle krav dikterer, uden løbende at flytte eller kopiere deres data. Hvor vigtigt er det at bringe AI‑beregning til dataene i stedet for at bringe alle virksomhedsdata til AI’en?
Dette er essentielt, fordi virksomheder har brugt år på at opbygge enorme mængder data på tværs af forskellige miljøer, og det er ofte upraktisk at flytte alle disse data til ét sted for AI. Det kan være dyrt og tidskrævende, mens sikkerheds‑, privatlivs‑ eller suverænitetskrav kan forhindre organisationer i at flytte visse data overhovedet.
På nuværende tidspunkt er det ikke praktisk for virksomheder at flytte al deres data sikkert til de forskellige applikationer og miljøer, hvor AI implementeres. At bringe AI til dataene gør det muligt for organisationer at udnytte mere af de data, de allerede har, mens de beholder dem, hvor de skal være. Det giver også fleksibilitet til at køre arbejdsbelastninger, hvor det giver mest mening ud fra forretningsmæssige og tekniske krav. Efterhånden som AI bliver mere integreret i hele virksomheden, vil evnen til at operere konsistent, uanset hvor dataene befinder sig, blive stadig vigtigere.
Data suverænitet er blevet en stor bekymring, efterhånden som regeringer og regulerede industrier tager AI i brug. Hvordan ændrer krav til suveræn AI arkitekturen, som virksomheder har brug for, og forventer du, at suveræne skyer og privat AI‑infrastruktur vil blive betydeligt vigtigere i de kommende år?
Absolut. Suverænitet bliver et arkitektonisk krav, ikke blot et overholdelsesproblem. Organisationer skal vide, hvor deres data er lagret, og hvor deres AI‑arbejdsbelastninger kører, samt hvem der har adgang til, og hvordan intellektuel ejendom og følsomme oplysninger beskyttes.
Organisationer kan ikke længere antage, at alt kan centraliseres i en enkelt offentlig sky. De har brug for fleksibiliteten til at operere på tværs af suveræne skyer, privat infrastruktur, offentlige skyer og on‑premise‑systemer, mens de anvender ensartet styring i hvert miljø. Disse krav vil kun blive vigtigere, efterhånden som AI bevæger sig længere ind i regulerede industrier og kritiske forretningsprocesser. Organisationer, der kan innovere samtidig med at de bevarer kontrol over deres data og AI‑miljøer, vil være bedre positioneret til at skalere AI ansvarligt.
Efterhånden som autonome AI‑agenter får adgang til virksomhedsdata, -applikationer og -infrastruktur, kan traditionel datastyring måske ikke længere være tilstrækkelig. Hvordan skal styringen udvikle sig, når brugerne, der får adgang til og handler på virksomhedsdata, i stigende grad er AI‑agenter frem for mennesker?
I fortiden har styring for det meste været baseret på, at mennesker og applikationer kan få adgang til data. Agenter tilføjer et nyt aspekt, da de kan tilgå information, ræsonnere om den og handle på baggrund af, hvad de finder.
På grund af dette skal virksomheder anvende begreber som identitet, tilladelser, oprindelse, observerbarhed og zero‑trust‑adgang til agenter for at sikre sikkerhed og styring af deres data. Organisationer bør vide, hvilken agent der har tilgået hvilke data, hvad den gjorde med informationen, hvilke handlinger den udførte, og om disse handlinger var i overensstemmelse med virksomhedens politikker. Styring kan ikke indføres efter, at en agent har handlet; den skal bygges ind i miljøet, så politikker og beskyttelsesforanstaltninger følger dataene og løbende håndhæves, uanset om den pågældende enhed er en person, en applikation eller en autonom agent.
Cloudera lægger vægt på åbne standarder som Apache Iceberg, Polaris, Spark, Kafka og Trino i stedet for at kræve, at kunderne opererer udelukkende inden for en proprietær stack. Efterhånden som AI‑infrastruktur konsolideres omkring store platforme, hvor vigtig vil åbne standarder og interoperabilitet så være for at forhindre en ny generation af AI‑leverandørlåse?
Jo mere AI bliver en del af virksomhedsinfrastrukturen, desto vigtigere bliver åbne standarder. AI udvikler sig hurtigt, og organisationer skal undgå at træffe arkitektoniske beslutninger i dag, som kan begrænse de modeller, motorer, infrastrukturer eller teknologier, de kan bruge i fremtiden.
Teknologier som Apache Iceberg, Spark, Kafka, Trino og åbne kataloger giver organisationer fleksibiliteten til at bruge forskellige værktøjer til forskellige arbejdsbelastninger, samtidig med at de bevarer interoperabilitet på tværs af deres data‑miljøer. Dette er særligt vigtigt, efterhånden som virksomheder i stigende grad opererer på tværs af offentlige skyer, suveræn infrastruktur og private datacentre, hvor de har brug for friheden til at beslutte, hvor deres data og AI‑arbejdsbelastninger kører uden at skulle genopbygge omkring en enkelt leverandør.
En åben tilgang gør det også lettere at adoptere nye AI‑funktioner, mens man bygger videre på eksisterende investeringer, i stedet for gentagne gange at flytte eller kopiere data, efterhånden som teknologien udvikler sig. Efterhånden som AI‑landskabet fortsætter med at ændre sig, giver åbne standarder organisationer fleksibiliteten til at udvikle deres arkitektur over tid, samtidig med at de bevarer valg og kontrol over deres data, infrastruktur og teknologiske beslutninger.
Tak for det gode interview, læsere der ønsker at lære mere, bør besøge Cloudera.
