Skip Levens, Marketingdirektør, Medier & Underholdning, Quantum – Interviewserie

Skip Levens er en produktleder og AI-strateg hos Quantum, en leder inden for datastyringsløsninger til AI og ustrukturerede data. Han er i øjeblikket ansvarlig for at drive engagement, opmærksomhed og vækst for Quantums løsninger fra ende til anden. Gennem sin karriere – som har inkluderet ophold hos organisationer som Apple (AAPL ), Backblaze, Symply og Active Storage – har han med succes ledet marketing og forretningsudvikling, evangelisering, lanceret nye produkter, bygget relationer med nøgleinteressenter og drevet omsætningsvækst.

Quantum tilbyder løsninger til datastyring fra ende til anden, der hjælper organisationer med at styre, berige og beskytte ustrukturerede data, såsom video- og lydfiler, i stor målestok. Deres teknologi fokuserer på at omdanne data til værdifulde indsigt, hvilket giver virksomheder mulighed for at trække værdi ud og træffe underrettede beslutninger. Quantums platform tilbyder sikre, skalerbare og fleksible løsninger, der kombinerer lokale infrastrukturer med cloud-funktioner. Virksomhedens tilgang giver virksomheder mulighed for at håndtere data-vækst effektivt, samtidig med at de sikrer sikkerhed og fleksibilitet på tværs af hele data-livscyklussen.

Kan du give en oversigt over Quantums tilgang til AI-dreven datastyring for ustrukturerede data?

Ved at hjælpe kunder med at integrere kunstig intelligens (AI) og maskinlæring (ML) i deres nøgleforretningsprocesser, hjælper Quantum kunderne med at styre og låse værdi fra deres ustrukturerede data, og skabe handlebare forretningsindsigt, der fører til bedre forretningsbeslutninger. Ved at bygge deres egne AI/ML-værktøjer kan virksomheder gå fra blot at klare sig med data- og indholdsmængden til at udnytte indsigt som en ny driver for effektivitet og i sidste ende forstærker menneskelig ekspertise i alle faser af forretningsprocesserne.

Hvordan analyserer Quantums AI-teknologi ustrukturerede data, og hvilke nøgleinnovationer adskiller jeres platform fra konkurrenterne?

I de første faser af AI/ML-værktøjers adoption finder mange organisationer, at deres arbejdsgange bliver uordnede og frakoplet, og kan miste sporet af deres data, hvilket gør det svært at gennemtvinge sikkerheds- og beskyttelsesstandarder. For ofte hindres tidlig udvikling af ugunstige lagrings- og filsystempræstationer.

Vi har udviklet Myriad, en højpræstations-, softwaredefineret fil-lager- og intelligent stofmiljø for at møde udfordringerne ved at integrere AI/ML-pipeline og højpræstationsarbejdsgange sammen – uden hardwarebegrænsninger og -begrænsninger i andre systemer. Myriad er et klart brud med legacy-hardware og lagringsbegrænsninger og er bygget med de seneste lagrings- og cloud-teknologier, og er fuldstændigt mikrotjeneste-dreven og orkestreret af Kubernetes for at være et højttillgængeligt system, der sjældent kræver administratorinteraktion. Myriad er eksklusivt arkitektur til at trække den højeste præstation ud af NVMe og intelligent stofnetværk og næsten øjeblikkelige fjern-direkte-hukommelsesadgang (RDMA) forbindelser mellem hvert komponent. Resultatet er et innovativt system, der reagerer intelligent og automatisk på ændringer og kræver minimal administratorinteraktion til at udføre almindelige opgaver. Ved at gøre intelligent stof del af systemet er Myriad også et intrinsisk belastningsbalanceret system, der giver flere 100Gbps porte af båndbredde som en enkelt, balanceret IP-adresse.

Parret Myriad med vores cloud-lignende objekt-lager, ActiveScale, giver organisationer mulighed for at arkivere og bevare selv de største data-søer og -indhold. Kombinationen giver kunderne en sand løsning til datastyring fra ende til anden for deres AI-pipelines. Desuden, når det leveres sammen med vores CatDV-løsning, kan kunderne mærke og katalogisere data for at berige deres data yderligere og forberede dem til analyse og AI.

Kan du dele indsigt i brugen af AI med videoovervågning ved OL i Paris, og hvilke andre store begivenheder eller organisationer har udnyttet denne teknologi?

Maskinlæring kan udvikle gentagne handlinger, der genkender mønstre af interesse på video og udleder indsigt fra en flod af realtidsvideo-data i en størrelse og hastighed, der er større og hurtigere end det, der er muligt for menneskelige anstrengelser alene. Videoovervågning kan f.eks. bruge AI til at fange og markere mistænkeligt adfærd, mens den sker, selv hvis der er hundredvis af kameraer, der føder modellen information. Et menneske, der forsøger at udføre denne opgave, ville kun være i stand til at behandle en begivenhed ad gangen, hvorimod AI-drevet videoovervågning kan håndtere tusindvis af tilfælde samtidigt.

Hvad er de primære udfordringer, organisationer står over for, når de implementerer AI til ustruktureret data-analyse, og hvordan hjælper Quantum med at afhjælpe disse udfordringer?

Organisationer må fuldstændigt omdefinere deres tilgang til lagring samt data- og indholdsstyring som helhed. De fleste organisationer udvikler deres lagringskapaciteter organisk, ofte som svar på enkeltstående behov, og dette skaber multi-vendor-forvirring og uheldig kompleksitet.

Med adoptionen af AI må organisationer nu forenkle lagringen, der understøtter deres operationer. Ofte kræver dette implementering af en “varm” del af den initiale data-indtagelse eller en landingssone, hvor applikationer og brugere kan arbejde så hurtigt som muligt. Derefter tilføjes en stor “kold” type lagring, der kan arkivere massive mængder data og beskytte dem på en kosteffektiv måde, med mulighed for at flytte data tilbage til en “varm” bearbejdningsarbejdsgang næsten øjeblikkeligt.

Ved at omdefinere lagring til færre, mere kompakte løsninger er byrden på administratorpersonale meget lavere. Denne type “varm/kold” datastyringsløsning er ideal for AI/ML-arbejdsgangsintegration, og Quantums løsninger giver kunderne mulighed for at skabe en højtydende, fleksibel platform, der er konsis og let at styre.

Hvordan integrerer Quantums AI-innovationer med andre AI-drevne værktøjer og teknologier for at forbedre organisationsvækst og effektivitet?

Mange mennesker tror, at lagring til AI/ML-værktøjer kun handler om at føde grafikprocessorer (GPUs), men det er kun en lille del af ligningen. Selvom hastighed og højpræstation kan være afgørende for at føde data så hurtigt som muligt til de GPUs, der udfører data-analyse, handler den større billed det om, hvordan en organisation kan integrere iterativ og fortsat AI/ML-udvikling, træning og slutning baseret på brugerdefineret data. Ofte er den første og vigtigste AI/ML-opgave, der behandles, opbygning af “kunskabsrobotter” eller “rådgiver-robotter” ved hjælp af proprietær data for at informere interne videnarbejdere. For at gøre disse kunskabsrobotter nyttige og unikke for hver organisation kræves store mængder specialiseret information for at informere modellen, der træner dem. Dette kræver en AI-dreven lagringsløsning: Hvis denne proprietære data er velorganiseret og let tilgængelig i en strømlinet lagringsarbejdsgang, vil det være langt lettere at organisere den i typer, sæt og kataloger af data, hvilket vil sikre, at disse kunskabsrobotter er højttillandede og informerede om organisationens unikke behov.

Kan du uddybe AI-aktiveret arbejdsgangsstyringsfunktioner og hvordan de strømliner data-processer?

Vi bygger en række AI-aktiverede arbejdsgangsstyringsværktøjer, der integrerer direkte i lagringsløsninger for at automatisere opgaver og give værdifulde realtidsindsigt, der muliggør hurtig og underrettet beslutningstagning på tværs af organisationer. Dette skyldes nye og avancerede dataklassifikations- og mærkningsystemer, der bruger AI til både at organisere data og gøre den let tilgængelig, og endda udføre standardhandlinger på denne medie, såsom at konvertere til en bestemt størrelse, hvilket betydeligt reducerer de manuelle bestræbelser, der kræves, når man organiserer data i træningssæt.

Hvad er udsigten for AI-dreven datastyring, og hvilke tendenser forudser du i de kommende år?

Som disse værktøjer udvikler sig og bliver multi-modale, vil det give mulighed for mere udtryksfulde og åbne måder at arbejde med data på. I fremtiden vil du kunne have en “konversation” med dit system og blive præsenteret for information eller analyser af interesse, såsom “Hvad er den hurtigst voksende type data i min ‘varme zone’ lige nu?”. Denne niveau af specialisering vil være en differentiator for de organisationer, der bygger disse værktøjer ind i deres lagringsløsninger, hvilket gør dem mere nøjagtige og effektive, selv når de konfronteres med konstant nye strømme af udviklende data.

Hvad er rollen for jeres cloud-baserede analyser og lagrings-tjenester i den samlede datastyringsstrategi?

Organisationer med betydelige og udvidende lagringskrav kæmper ofte for at følge med efterspørgslen, især når de opererer på begrænsede budgetter. Offentlig cloud-lagring kan føre til høje og uforudsigelige omkostninger, hvilket gør det svært at nøjagtigt estime og købe års lagringskrav på forhånd. Mange kunder ville gerne have den offentlige cloud-oplevelse med en kendt projiceret driftsomkostning, men uden de overraskende udgangs- eller API-gebyrer, som offentlig cloud kan medføre. For at imødekomme dette behov har vi udviklet Quantum GO for at give kunderne en privat cloud-oplevelse med en lav initial indsats og lav fast månedlig betalingsmulighed for en sand lagrings-tjeneste-oplevelse på deres eget lokale. Når lagringskravene øges, giver Quantum GO kunderne den ekstra fordel af en enkel “betalt-efter-vækst”-abonnementsmodel for at tilbyde forbedret fleksibilitet og skalerbarhed på en kosteffektiv måde.

Hvordan planlægger Quantum at holde sig foran i det hurtigt udviklende AI- og datastyringslandskab?

I dagens verden er det ikke nok at være “kun” en lagringsudbyder. Nye udviklinger af data og forretningsudfordringer kræver en intelligent, AI-aktiveret data-platform, der hjælper kunderne med at maksimere værdien af deres data. Hos Quantum fortsætter vi med at innovere og investere i forbedrede funktioner til vores kunder for at hjælpe dem med at arbejde let og effektivt med store mængder data på tværs af hele deres livscyklus.

Vi udvider intelligent AI til at forbedre mærkning, katalogisering og organisering af data, hvilket gør det lettere end nogensinde at søge, finde og analysere det for at trække mere værdi og indsigt ud. Vi vil fortsætte med at forbedre vores AI-funktioner, der hjælper med automatisk video-transkription, oversættelse af audio- og video-filer til andre sprog på få sekunder, og muliggør hurtig søgning på tværs af tusindvis af filer for at identificere taleord eller finde bestemte elementer, og meget mere.

Hvad er din råd til organisationer, der lige er begyndt deres rejse med AI og ustruktureret datastyring?

AI/ML har haft enorm hype, og på grund af det kan det være svært at skille, hvad der er praktisk og nyttigt. Organisationer må først tænke på de data, der skabes, og pege på, hvordan de genereres, indsamles og bevares. Yderligere må organisationer søge efter en lagringsløsning, der er klar til at tilgå og hente data, som det er nødvendigt, og en, der vil hjælpe med at guide både dag-til-dag-arbejdsgange og fremtidig udvikling. Selvom det kan være svært at blive enige om, hvad de endelige AI-mål er, vil det at tage skridt nu for at sikre, at lagrings-systemer og data-arbejdsgange er strømlinet, forenklede og robuste, give enorme gevinster, når man integrerer nuværende og fremtidige AI/ML-initiativer. Organisationer vil derefter være godt positionerede til at fortsætte med at udforske, hvordan disse AI/ML-værktøjer kan fremme deres mission uden at bekymre sig om, at de kan støtte det ordentligt med den rette datastyringsplatform. Tak for det gode interview, læsere, der ønsker at lære mere, skal besøge Quantum.