Dr. Stavros Papadopoulos, Gründer und CEO, TileDB – Interview-Serie

TileDB ist die moderne Datenbank, die alle Datenmodi, Code und Rechenleistung in einem einzigen Produkt integriert. TileDB wurde im Mai 2017 aus dem MIT und den Intel (INTC ) Labs herausgespalten.

Bevor er TileDB, Inc. im Februar 2017 gründete, war Dr. Stavros Papadopoulos Senior Research Scientist am Intel Parallel Computing Lab und Mitglied des Intel Science and Technology Center for Big Data am MIT CSAIL für drei Jahre. Er verbrachte auch etwa zwei Jahre als Visiting Assistant Professor am Department of Computer Science and Engineering der Hong Kong University of Science and Technology (HKUST). Stavros erhielt seinen PhD in Informatik an der HKUST unter der Aufsicht von Prof. Dimitris Papadias und hatte eine Postdoc-Stelle an der Chinese University of Hong Kong bei Prof. Yufei Tao.

Sie waren zuvor Senior Research Scientist am Intel Parallel Computing Lab und Mitglied des Intel Science and Technology Center (ISTC) für Big Data am MIT CSAIL für drei Jahre. Können Sie uns einige Highlights aus dieser Zeit in Ihrem Leben teilen?

Während meiner Zeit bei Intel Labs und MIT hatte ich die einzigartige Gelegenheit, mit herausragenden Wissenschaftlern in zwei verschiedenen wissenschaftlichen Bereichen zusammenzuarbeiten: Hochleistungsrechnen (bei Intel) und Datenbanken (bei MIT). Das Wissen und die Expertise, die ich erwarb, wurden zu Schlüsselfaktoren bei der Gestaltung meiner Vision, ein neues Datenbanksystem zu schaffen, das ich letztendlich als Forschungsprojekt innerhalb des ISTC aufbaute und in das, was TileDB wurde, umwandelte.

Können Sie die Vision hinter TileDB erklären und wie es die moderne Datenbanklandschaft revolutionieren will?

In den letzten Jahren hat es eine enorme Zunahme an maschinellem Lernen und Generative-AI-Anwendungen gegeben, die Organisationen helfen, bessere Entscheidungen zu treffen. Jeden Tag entdecken Organisationen neue Muster in ihren Daten und nutzen diese Informationen, um einen Wettbewerbsvorteil zu erlangen. Diese Muster entstehen aus einem immer wachsenden Spektrum von Datenmodi, die untergebracht und verwaltet werden müssen, um genutzt zu werden. Von traditionellen tabellarischen Daten bis hin zu komplexeren Datenquellen wie sozialen Posts, E-Mails, Bildern, Videos und Sensordaten erfordert die Ableitung von Bedeutung aus Daten eine Analyse in aggregierter Form. Da die Datenarten zunehmen, wird diese Aufgabe immer schwieriger und erfordert eine neue Art von Datenbank. Genau deshalb wurde TileDB geschaffen.

Warum ist es für Organisationen wichtig, ihre Dateninfrastruktur zu priorisieren, bevor sie fortschrittliche Analysen und maschinelles Lernen entwickeln?

Mitten in der Euphorie, künstliche Intelligenz zu übernehmen, gibt es eine kritische und oft übersehene Wahrheit – der Erfolg jeder künstlichen Intelligenz-Initiative ist eng mit der Qualität und Leistung der zugrunde liegenden Dateninfrastruktur verbunden.

Das Problem ist, dass komplexe Daten, die nicht natürlich als Tabellen dargestellt werden, als “unstrukturiert” betrachtet werden und normalerweise entweder als Flat-Files in speziellen Datenformaten gespeichert oder von verschiedenen, speziell entwickelten Datenbanken verwaltet werden. Datenwissenschaftler verbringen enorme Zeiten damit, Daten zu bearbeiten, um sie zu konsolidieren. Es wird geschätzt, dass 80-90 Prozent der Zeit von Datenwissenschaftlern damit verbracht wird, ihre Daten zu reinigen und für die Konsolidierung vorzubereiten. Das verlangsamt die Zeit, die zum Trainieren von künstlichen Intelligenz-Algorithmen und zum Erreichen von Vorhersagefähigkeiten benötigt wird. Darüber hinaus bedeutet dies, dass nur 10-20 Prozent der Zeit von Datenwissenschaftlern damit verbracht wird, Erkenntnisse zu gewinnen.

Welche häufigen Fallstricke stoßen Organisationen an, wenn sie sich mehr auf künstliche Intelligenz und maschinelles Lernen konzentrieren und ihre Dateninfrastruktur vernachlässigen?

Organisationen neigen dazu, sich auf glänzende neue Dinge zu konzentrieren. Große Sprachmodelle, Vektordatenbanken und generative künstliche Intelligenz-Anwendungen, die auf einer Dateninfrastruktur aufbauen, sind aktuelle Beispiele, während die zugrunde liegende Dateninfrastruktur, die für analytischen Erfolg entscheidend ist, vernachlässigt wird. Einfach ausgedrückt, wenn Ihre Organisation dies tut, können Sie möglicherweise enorme Zeit damit verbringen, Ihre Dateninfrastruktur zusammenzubauen, und verpassen oder verpassen vollständig die Gelegenheit, Erkenntnisse zu gewinnen.

Können Sie uns erklären, was eine Datenbank “adaptiv” macht und warum diese Anpassungsfähigkeit für die moderne Datenanalyse unerlässlich ist?

Eine adaptive Datenbank ist eine, die sich anpassen kann, um alle Daten – unabhängig von ihrer Modalität – zu speichern und in einer einheitlichen Weise zusammenzuführen. Eine adaptive Datenbank bringt Struktur in Daten, die sonst als “unstrukturiert” betrachtet werden. Es wird geschätzt, dass 80 Prozent oder mehr der Welt Daten nicht-tabellarisch oder unstrukturiert sind und die meisten künstlichen Intelligenz-/maschinellen Lernmodelle (einschließlich LLMs) auf dieser Art von Daten trainiert werden.

TileDB strukturiert Daten in mehrdimensionalen Arrays. Wie verbessert dieses Format die Leistung und Kosteneffizienz im Vergleich zu herkömmlichen Datenbanken?

Die grundlegende Stärke einer multidimensionalen Array-Datenbank liegt darin, dass sie sich anpassen kann, um praktisch jede Datenmodalität und Anwendung zu unterstützen. Ein Vektor ist beispielsweise einfach ein eindimensionales Array. Durch die Strukturierung dieser “unstrukturierten” Daten können Sie Ihre Dateninfrastruktur konsolidieren, Kosten erheblich reduzieren, Silos beseitigen, Produktivität steigern und Sicherheit erhöhen. Wenn die Recheninfrastruktur mit der Datenverwaltungsinfrastruktur kombiniert wird, können Sie sofortigen Wert aus Ihren Daten ziehen.

Welche bemerkenswerten Anwendungsfälle gibt es, in denen TileDB die Datenverwaltung und -analyse erheblich verbessert hat?

Der erste Anwendungsfall von TileDB war die Speicherung, Verwaltung und Analyse von umfangreichen genetischen Daten, die sehr schwierig und teuer in einer traditionellen, tabellarischen Datenbank zu modellieren und zu speichern sind. Wir beobachteten phänomenale Leistungssteigerungen (in der Größenordnung von 100-mal schneller in vielen Fällen als andere Datenbanken und spezielle Lösungen). Unsere multidimensionale Array-Modell ist jedoch universell und kann andere Datenmodi effizient erfassen. Zum Beispiel ist TileDB hervorragend geeignet für die Verarbeitung von biomedizinischen Bildern, Satellitenbildern, Einzelzell-Transkriptomik und Punktwolken-Daten wie LiDAR und SONAR.

TileDB bietet Open-Source-Tools für die Interoperabilität. Wie profitiert die wissenschaftliche und Datenwissenschaftsgemeinschaft von einem Open-Source-Ansatz?

Wir sind große Befürworter von Open Source bei TileDB. Die Kernbibliothek und die Datenformat-Spezifikation sind beide Open Source. Darüber hinaus sind unsere Life-Sciences-Angebote, die auf der Kern-Array-Bibliothek aufbauen, auch Open Source. Dazu gehört TileDB-SOMA, ein Paket für effiziente und skalierbare Einzelzell-Datenverwaltung, das in Zusammenarbeit mit der Chan Zuckerberg Foundation entwickelt wurde und die CELLxGENE Discover Census – die weltweit größte vollständig kuratierte Einzelzell-Datensammlung – antreibt. Dies ist auch Open Source und wird von akademischen Institutionen und großen Pharmazeutika-Unternehmen auf der ganzen Welt verwendet.

Was sehen Sie als zukünftige Trends in der Datenverwaltung?

Da Daten reicher werden, werden künstliche Intelligenz-Anwendungen intelligenter. Große Sprachmodelle werden immer leistungsfähiger und nutzen multiple Datenmodi, und die Integration dieser Modelle mit verschiedenen Datenmengen eröffnet ein neues Feld in der künstlichen Intelligenz, bekannt als multimodale künstliche Intelligenz.

Praktisch gesprochen bedeutet multimodale künstliche Intelligenz, dass Benutzer nicht auf eine Eingabe und eine Ausgabe beschränkt sind und ein Modell mit virtuell jeder Eingabe prompten können, um virtuell jeden Inhaltstyp zu generieren. Wir sehen TileDB als die ideale Datenbank für die Unterstützung multimodaler künstlicher Intelligenz, die darauf ausgelegt ist, jede neue und unterschiedliche Art von Daten zu unterstützen, die auftauchen kann.

Vielen Dank für die großartige Rezension. Leser, die mehr erfahren möchten, sollten TileDB besuchen.