Saket Saurabh, CEO og medstifter af Nexla – Interviewserie

Saket Saurabh, CEO og medstifter af Nexla, er en iværksætter med en dyb passion for data og infrastruktur. Han står i spidsen for udviklingen af en næste generations, automatiseret data engineering-platform, der er designet til at bringe skala og hastighed til dem, der arbejder med data.

Tidligere havde Saurabh stiftet en succesfuld mobil startup, der opnåede betydelige milepæle, herunder overtagelse, børsnotering og vækst til et multimillion-dollar-virksomhed. Han bidrog også til flere innovative produkter og teknologier under sin tid hos Nvidia (NVDA ).

Nexla muliggør automation af data engineering, så data kan være klar til brug. Dette opnås gennem en unik tilgang med Nexsets – dataprodukter, der gør det let for alle at integrere, transformere, levere og overvåge data.

Hvad inspirerede dig til at stifte Nexla, og hvordan har dine erfaringer med data engineering formet din vision for virksomheden?

 Før jeg stiftede Nexla, startede jeg min data engineering-rejse hos Nvidia, hvor jeg byggede højtskalede, avancerede teknologier på compute-siden. Efterfølgende førte jeg min tidligere startup gennem en overtagelses- og børsnoteringsrejse i mobilreklamebranchen, hvor store mængder data og maskinlæring var en kerne-del af vores tilbud, hvor vi bearbejdede omkring 300 milliarder datarekorder om dagen.

Da jeg i 2015 så på landskabet efter, at min tidligere virksomhed var gået på børsen, ledte jeg efter den næste store udfordring, der interesserede mig. Kommet fra disse to baggrunde var det meget klart for mig, at data- og compute-udfordringerne konvergerede, da branchen bevægede sig mod mere avancerede anvendelser drevet af data og AI.

mens vi ikke vidste på det tidspunkt, at Generative AI (GenAI) ville udvikle sig så hurtigt, som den har, var det tydeligt, at maskinlæring og AI ville være grundlaget for at udnytte data. Så jeg begyndte at tænke over, hvilken type infrastruktur der er nødvendig for, at folk kan være succesfulde med at arbejde med data, og hvordan vi kan gøre det muligt for alle, ikke kun ingeniører, at udnytte data i deres daglige professionelle liv.

Dette førte til visionen for Nexla – at simplificere og automatisere ingeniøren bag data, da data engineering var en meget tilpasset løsning inden for de fleste virksomheder, især når det handler om komplekse eller stor-skalae data-problemer. Målet var at gøre data tilgængelig og brugervenligt for en bredere række af brugere, ikke kun data ingeniører. Mine erfaringer med at bygge skalerbare data systemer og anvendelser fik denne vision til at demokratisere adgangen til data gennem automation og simplificering.

Hvordan repræsenterer Nexsets Nexlas mission om at gøre data klar til brug for alle, og hvorfor er denne innovation afgørende for moderne virksomheder?

Nexsets repræsenterer Nexlas mission om at gøre data klar til brug for alle ved at adresse det centrale problem med data. De 3 V’s for data – volumen, hastighed og variation – har været en vedvarende udfordring. Branchen har gjort visse fremskridt i at tackle udfordringer med volumen og hastighed. Men variationen af data er blevet en betydelig hindring, da udbredelsen af nye systemer og anvendelser har ført til en stadig stigende diversitet i datastrukturer og -formater.

Nexlas tilgang er at automatisere modellering og forbinde data fra diverse kilder til en konsistent, pakket enhed, en data-produkt, som vi kalder en Nexset. Dette giver brugerne mulighed for at få adgang til og arbejde med data uden at skulle forstå den underliggende kompleksitet af de forskellige datakilder og -strukturer. En Nexset fungerer som en portal, der giver en simpel, direkte interface til data.

Dette er afgørende for moderne virksomheder, da det giver mulighed for flere mennesker, ikke kun data ingeniører, at udnytte data i deres daglige arbejde. Ved at abstrahere bort variationen og kompleksiteten af data giver Nexsets mulighed for, at forretningsbrugere, analytikere og andre kan direkte interagere med de data, de har brug for, uden at kræve omfattende teknisk ekspertise.

Vi har også arbejdet på at gøre integration let at bruge for mindre tekniske dataforbrugere – fra brugergrænsefladen og hvordan mennesker samarbejder og styre data til, hvordan de bygger transformationer og arbejdsprocesser. At abstrahere bort kompleksiteten af data-variation er nøgle til at demokratisere adgangen til data og give en bredere række af brugere mulighed for at udnytte deres informationsaktiver. Dette er en kritisk kapacitet for moderne virksomheder, der søger at blive mere data-drevne og udnytte data-drevne indsigt på tværs af organisationen.

Hvad gør data “GenAI-klar”, og hvordan adresse Nexla disse krav effektivt?

Svaret afhænger delvist af, hvordan du bruger GenAI. De fleste virksomheder implementerer GenAI Retrieval Augmented Generation (RAG). Dette kræver først at forberede og kodificere data til at indlæse i en vektor-database og derefter hente data via søgning for at tilføje kontekst som input til et stort sprogmodel (LLM), der ikke er trænet med denne data. Så dataene skal være forberedt på en måde, der fungerer godt for både vektor-søgninger og LLM’er.

Uanset om du bruger RAG, Retrieval Augmented Fine-Tuning (RAFT) eller udfører model-træning, er der nogle nøglekrav:

• Dataformat: GenAI LLM’er fungerer ofte bedst med data i et bestemt format. Dataene skal være struktureret på en måde, der gør det let for modellerne at indtage og behandle. Det skal også være “klodet” på en måde, der hjælper LLM’er med at bruge dataene bedre.
• Forbindelse: GenAI LLM’er har brug for at kunne dynamisk få adgang til de relevante datakilder, i stedet for at afhænge af statiske datasæt. Dette kræver kontinuerlig forbindelse til de forskellige virksomhedssystemer og data-repositorier.
• Sikkerhed og styre: Når man bruger følsomme virksomhedsdata, er det kritisk at have robuste sikkerheds- og styrekontroller på plads. Dataadgang og -brug skal være sikre og overholde eksisterende organisationspolitikker. Man skal også styre data, der bruges af LLM’er, for at forhindre data-lækager.
• Skalbarhed: GenAI LLM’er kan være data- og compute-intensive, så den underliggende data-infrastruktur skal være i stand til at skale for at møde kravene fra disse modeller.

Nexla adresse disse krav til at gøre data GenAI-klar på følgende måde:

• Dynamisk dataadgang: Nexlas data-integrationsplatform giver en enkelt måde at forbinde til hundredvis af kilder og bruger forskellige integrationsstile og dataspeed, samt orkestrering, for at give GenAI LLM’er den mest aktuelle data, de har brug for, når de har brug for det, i stedet for at afhænge af statiske datasæt.
• Dataforberedelse: Nexla har kapaciteten til at udtrække, transformere og forberede data i formater, der er optimeret til hver GenAI-brugs-case, herunder indbygget data-klodning og understøttelse af multiple kodningsmodeller.
• Selvbetjening og samarbejde: Med Nexla kan dataforbrugere ikke kun få adgang til data på egen hånd og bygge Nexsets og arbejdsprocesser. De kan også samarbejde og dele deres arbejde via en marked, der sikrer, at data er i det rette format og forbedrer produktiviteten gennem genbrug.
• Auto-generering: Integration og GenAI er begge svære. Nexla auto-genererer mange af de trin, der er nødvendige, baseret på valg af dataforbrugeren – ved hjælp af AI og andre teknikker – så brugerne kan udføre arbejdet på egen hånd.
• Sikkerhed og styre: Nexla inkorporerer robuste sikkerheds- og styrekontroller på tværs af, herunder samarbejde, for at sikre, at følsomme virksomhedsdata er adgangs- og brugt på en sikker og overholdende måde.
• Skalbarhed: Nexla-platformen er designet til at skale for at håndtere kravene fra GenAI-arbejdsprocesser, og giver den nødvendige beregningskraft og elastisk skala.

Konvergeret integration, selvbetjening og samarbejde, auto-generering og data-styre er nødvendige for at gøre data-demokratisering mulig.

Hvordan bidrager forskelligartede data-typer og -kilder til succesen af GenAI-modeller, og hvilken rol spiller Nexla i at simplificere integrationsprocessen?

GenAI-modeller har brug for adgang til alle slags information for at levere de bedste indsigt og generere relevante output. Hvis du ikke giver denne information, kan du ikke forvente gode resultater. Det er det samme med mennesker.

GenAI-modeller har brug for at blive trænet på en bred række af data, fra strukturerede databaser til ustrukturerede dokumenter, for at bygge en omfattende forståelse af verden. Forskellige datakilder, såsom nyhedsartikler, finansielle rapporter og kundeinteraktioner, giver værdifuld kontekstuel information, som disse modeller kan udnytte. Udsættelse for forskelligartet data giver også GenAI-modeller mulighed for at blive mere fleksible og tilpasningsdygtige, hvilket giver dem mulighed for at håndtere en bredere række af forespørgsler og opgaver.

Nexla abstraherer bort variationen af alle disse data med Nexsets og gør det let at få adgang til næsten enhver kilde, derefter udtrække, transformere, orkestrere og indlæse data, så dataforbrugere kan fokusere på dataene og på at gøre dem GenAI-klar.

Hvilke trends former data-økosystemet i 2025 og derefter, især med opkomsten af GenAI?

Virksomheder har hovedsageligt været fokuseret på at bruge GenAI til at bygge assistenter eller copiloter til at hjælpe mennesker med at finde svar og træffe bedre beslutninger. Agentic AI, agenter der automatiserer opgaver uden menneskelig indgriben, er bestemt en voksende trend, da vi bevæger os ind i 2025. Agenter, ligesom copiloter, har brug for integration for at sikre, at data flyder ubesværet – ikke kun i én retning, men også i at aktivere AI til at handle på data.

En anden stor trend i 2025 er den øgede kompleksitet af AI-systemer. Disse systemer bliver mere avancerede ved at kombinere komponenter fra forskellige kilder for at skabe sammenhængende løsninger. Det er ligesom, hvordan mennesker afhænger af forskellige værktøjer på tværs af dagen for at udføre opgaver. Empowered AI-systemer vil følge denne tilgang, orkestrere multiple værktøjer og komponenter. Dette orkestrering præsenterer en betydelig udfordring, men også et nøgleområde for udvikling.

Set fra en trend-perspektiv ser vi en skub mod generativ AI, der avancerer ud over simpel mønster-genkendelse til faktisk resonnering. Der sker en masse teknologisk fremgang i dette område. Selv om disse fremgang ikke fuldt ud kan oversættes til kommerciel værdi i 2025, repræsenterer de retningen, vi er på vej.

En anden nøgle-trend er den øgede anvendelse af accelererede teknologier til AI-inferencing, især hos virksomheder som Nvidia. Traditionelt har GPU’er været meget brugt til træning af AI-modeller, men runtime-inferencing – det punkt, hvor modellen er aktivt i brug – bliver mere og mere vigtigt. Vi kan forvente fremskridt i at optimere inferencing, gøre det mere effektivt og væsentligt.

Derudover er der en erkendelse af, at den tilgængelige træningsdata i høj grad er maksimeret. Dette betyder, at yderligere forbedringer af modeller ikke vil komme fra tilføjelse af mere data under træning, men fra, hvordan modellerne opererer under inferencing. Ved runtime er det at udnytte ny information for at forbedre model-resultaterne blevet et kritisk fokus.

mens nogle spændende teknologier begynder at nå deres grænser, vil nye tilgange fortsat opstå, hvilket understreger vigtigheden af agility for organisationer, der adopterer AI. Hvad fungerer godt i dag kan blive forældet inden for seks måneder til et år, så det er vigtigt at være forberedt på at tilføje eller erstatte datakilder og enhver komponent af AI-pipelines. At være tilpasningsdygtig og åben for ændringer er afgørende for at følge med det hurtigt udviklende landskab.

Hvilke strategier kan organisationer adoptere for at nedbryde data-siloer og forbedre data-flyden på tværs af deres systemer?

Først og fremmest skal mennesker acceptere, at data-siloer altid vil eksistere. Dette har altid været tilfældet. Mange organisationer forsøger at centralisere alle deres data på ét sted, i den tro, at det vil skabe en ideal situation og låse op for betydelig værdi, men dette viser sig at være næsten umuligt. Det ender ofte i en lang og kostbar, multi-årig indsats, især for store virksomheder.

Så virkeligheden er, at data-siloer er her for at blive. Når vi først accepterer dette, bliver spørgsmålet: Hvordan kan vi arbejde mere effektivt med data-siloer?

En nyttig analogi er at tænke på store virksomheder. Ingen større virksomhed opererer fra ét kontor, hvor alle arbejder sammen globalt. I stedet opdeles de i hovedkvarter og multiple kontorer. Målet er ikke at modstå denne naturlige opdeling, men at sikre, at disse kontorer kan samarbejde effektivt. Det er derfor, vi investerer i produktivitetsværktøjer som Zoom eller Slack – for at forbinde mennesker og aktivere sammenhængende arbejdsprocesser på tværs af lokaliteter.

Ligesom data-siloer er fragmenterede systemer, der altid vil eksistere på tværs af teams, afdelinger eller andre grænser. Nøglen er ikke at eliminere dem, men at gøre dem arbejde sammen smukt. Når vi først accepterer dette, kan vi fokusere på teknologier, der faciliterer disse forbindelser.

For eksempel giver teknologier som Nexsets en fælles interface eller abstraktionslag, der fungerer på tværs af diverse datakilder. Ved at fungere som en portal til data-siloer simplificerer de processen med at interagere med data, der er spredt på tværs af multiple siloer. Dette skaber effektivitet og minimiserer de negative effekter af siloer.

I essensen skal strategien være om at forbedre samarbejdet mellem siloer, i stedet for at forsøge at bekæmpe dem. Mange virksomheder begår fejl ved at forsøge at konsolidere alt i en enorm data-sø. Men for at være ærlig er det en næsten umulig kamp at vinde.

Hvordan håndterer moderne data-platforme udfordringer som hastighed og skalbarhed, og hvad adskiller Nexla fra andre i at adresse disse problemer?

Set fra min synsvinkel er mange værktøjer inden for den moderne data-stack oprindeligt designet med fokus på let brug og udviklingshastighed, hvilket kom fra at gøre værktøjerne mere tilgængelige – og giver marketing-analytikere mulighed for at flytte deres data fra et marketing-platform direkte til et visualiseringsværktøj, for eksempel. Udviklingen af disse værktøjer involverede ofte udviklingen af punkt-løsninger eller værktøjer designet til at løse specifikke, snævert definerede problemer.

Når vi taler om skalbarhed, tænker folk ofte på at skale i forhold til at håndtere større mængder data. Men den virkelige udfordring med skalbarhed kommer fra to hovedfaktorer: Den øgede mængde af mennesker, der har brug for at arbejde med data, og den voksende variation af systemer og data-typer, som organisationer har brug for at håndtere.

Moderne værktøjer, der er meget specialiserede, tenderer kun at løse en lille del af disse udfordringer. Som resultat ender organisationer med at bruge multiple værktøjer, hver med sin egen løsning på et enkelt problem, hvilket til sidst skaber sine egne udfordringer, som værktøjs-overbelastning og ineffektivitet.

Nexla adresse dette problem ved at balancere let brug og fleksibilitet. På den ene side giver vi simplicitet gennem funktioner som skabeloner og bruger-venlige grænseflader. På den anden side giver vi fleksibilitet og udvikler-venlige funktioner, der giver teams mulighed for at forbedre platformen kontinuerligt. Udviklere kan tilføje nye funktioner til systemet, men disse forbedringer forbliver tilgængelige som simple knapper og klik for ikke-tekniske brugere. Denne tilgang undgår fælden af over-specialiserede værktøjer, samtidig med at den giver en bred række af virksomheds-klasse-funktioner.

Det, der virkelig adskiller Nexla, er dens evne til at kombinere let brug med den skalbarhed og bredde, der kræves af organisationer. Vores platform forbinder disse to verdener ubesværet, hvilket giver teams mulighed for at arbejde effektivt uden at gå på kompromis med kraft eller fleksibilitet.

En af Nexlas største styrker ligger i dens abstraherede arkitektur. For eksempel, mens brugere kan visuelt designe en data-pipeline, udføres pipelines på en meget tilpasningsdygtig måde. Afhængigt af brugerens krav – såsom kilde, destination eller om data har brug for at være i realtid – mapper platformen automatisk pipelines til en af seks forskellige motorer. Dette sikrer optimal præstation uden at kræve, at brugere selv håndterer disse kompleksiteter.

Platformen er også løst koblet, hvilket betyder, at kilde-systemer og destinationssystemer er decoupled. Dette giver brugere mulighed for let at tilføje flere destinationer til eksisterende kilder, tilføje flere kilder til eksisterende destinationer og aktivere bi-retningssammenkoblinger mellem systemer.

Vigtigt er, at Nexla abstraherer designet af pipelines, så brugere kan håndtere batch-data, streaming-data og realtids-data uden at ændre deres arbejdsprocesser eller design. Platformen tilpasser sig automatisk til disse behov, hvilket gør det lettere for brugere at arbejde med data i enhver format eller hastighed. Dette handler mere om omhyggeligt design end programmeringssprog-specifik, og sikrer en sammenhængende oplevelse.

Alt dette illustrerer, at vi byggede Nexla med den endelige forbruger af data i mente. Mange traditionelle værktøjer var designet til dem, der producerer data eller styrer systemer, men vi fokuserer på behovene af data-forbrugere, der ønsker konsistente, direkte grænseflader til at få adgang til data, uanset kilde. At prioritere forbrugerens oplevelse har gjort det muligt for os at designe en platform, der simplificerer adgangen til data, samtidig med at den opretholder den fleksibilitet, der er nødvendig for at understøtte forskellige brugs-scenarier.

Kan du dele eksempler på, hvordan no-code og low-code-funktioner har forandret data-engineering for dine kunder?

No-code og low-code-funktioner har forandret data-engineering-processen til en sandt samarbejds-oplevelse for brugere. For eksempel havde DoorDashs konto-operations-team, der styrer data for handlende, tidligere brug for at give krav til det tekniske team. Det tekniske team ville så bygge løsninger, hvilket førte til en iterativ tilbage- og frem-ad-process, der optog meget tid.

Nu, med no-code og low-code-værktøjer, er denne dynamik ændret. Den dag-til-dag operations-team kan bruge en low-code-grænseflade til at håndtere deres opgaver direkte. Samtidig kan det tekniske team hurtigt tilføje nye funktioner og funktioner gennem den samme low-code-platform, hvilket giver mulighed for øjeblikkelige opdateringer. Operations-teamet kan derefter bruge disse funktioner uden forsinkelse.

Dette skift har forvandlet processen til en samarbejds-oplevelse i stedet for en kreativ flaskehals, hvilket har ført til betydelige tidsbesparelser. Kunder har rapporteret, at opgaver, der tidligere tog to til tre måneder, nu kan afsluttes på under to uger – en 5- til 10-gangs forbedring af hastighed.

Hvordan udvikler rollen som data-engineer sig, især med den øgede adoption af AI?

Data-engineering udvikler sig hurtigt, drevet af automation og fremskridt som GenAI. Mange aspekter af feltet, såsom kode-generering og connector-udvikling, bliver hurtigere og mere effektive. For eksempel har GenAI forbedret tempoet, hvormed connectores kan genereres, testes og deployes. Men denne fremgang introducerer også nye udfordringer, herunder øget kompleksitet, sikkerheds-bekymringer og behov for robust styre.

En presserende bekymring er mulig misbrug af virksomhedsdata. Virksomheder er bekymrede for, at deres ejendomsdata utilsigtet kan blive brugt til at træne AI-modeller og tabe deres konkurrencemæssige fordel eller opleve en data-lækage, da dataene bliver lækket til andre. Den voksende kompleksitet af systemer og den enorme mængde data kræver, at data-engineering-teams antager en bredere perspektiv, fokuserer på overordnede system-problemer som sikkerhed, styre og sikring af data-integritet. Disse udfordringer kan ikke blot løses af AI.

mens generativ AI kan automatisere lav-niveau-opgaver, skifter rollen som data-engineer til at orkestrere det bredere økosystem. Data-engineers fungerer nu mere som dirigenter, der styrer mange forbundne komponenter og processer, såsom opsætning af sikkerhedsforanstaltninger for at forhindre fejl eller uautoriseret adgang, sikring af overholdelse af styre-standarder og overvågning af, hvordan AI-genererede output bruges i forretningsbeslutninger.

Fejl og misforståelser i disse systemer kan være dyrekøbte. For eksempel kan AI-systemer trække på forældede politik-oplysninger, hvilket fører til forkerte svar, såsom at love en kunde en refusion, når det ikke er tilladt. Disse typer af problemer kræver omhyggelig overvågning og veldefinerede processer for at fange og løse disse fejl, før de påvirker forretningsaktiviteten.

En anden nøgle-ansvar for data-engineering-teams er tilpasning til skiftet i bruger-demografi. AI-værktøjer er ikke længere begrænset til analytikere eller tekniske brugere, der kan stille spørgsmål om gyldigheden af rapporter og data. Disse værktøjer bruges nu af mennesker på kanten af organisationen, såsom kunde-support-agenter, der måske ikke har den nødvendige ekspertise til at udfordre forkerte output. Denne bredere demokratisering af teknologi øger ansvaret for data-engineering-teams for at sikre data-nøjagtighed og -pålidelighed.

Hvad nye funktioner eller fremskridt kan forventes fra Nexla, da feltet data-engineering fortsætter med at vokse?

Vi fokuserer på flere fremskridt for at adresse fremvoksende udfordringer og muligheder, da data-engineering fortsætter med at udvikle sig. Et af disse er AI-drevne løsninger til at adresse data-variation. En af de største udfordringer i data-engineering er at håndtere variationen af data fra diverse kilder, så vi udnytter AI til at strømline denne proces. For eksempel, når vi modtager data fra hundredvis af forskellige handlende, kan systemet automatisk kortlægge det til en standard-struktur. I dag kræver denne proces betydelig menneskelig indsats, men Nexlas AI-drevne kapaciteter sigter mod at minimere manuel indsats og forbedre effektivitet.

Vi er også i gang med at forbedre vores connector-teknologi for at understøtte den næste generation af data-arbejdsprocesser, herunder evnen til let at generere nye agenter. Disse agenter giver mulighed for sammenhængende forbindelser til nye systemer og giver brugere mulighed for at udføre specifikke handlinger inden for disse systemer. Dette er især rettet mod de voksende behov for GenAI-brugere og giver mulighed for at integrere og interagere med en bred række af platforme.

Tredje, vi fortsætter med at innovere på forbedret overvågning og kvalitets-sikring. Da flere brugere forbruger data på tværs af systemer, er vigtigheden af at overvåge og sikre data-kvalitet vokset betydeligt. Vores mål er at give robuste værktøjer til system-overvågning og kvalitets-sikring, så data forbliver pålidelige og brugbare, selv når brugen skalerer.

Til sidst tager Nexla skridt til at åbne-kilde nogle af vores kerne-funktioner. Tanken er, at ved at dele vores teknologi med den bredere fællesskab, kan vi give mulighed for flere mennesker at udnytte avancerede data-engineering-værktøjer og -løsninger, hvilket til sidst afspejler vores engagement i at fremme innovation og samarbejde inden for feltet.

Tak for de fantastiske svar. Læsere, der ønsker at lære mere, skal besøge Nexla.