Jay Mishra, COO von Astera Software – Interview-Serie

Jay Mishra ist der Chief Operating Officer (COO) von Astera Software, einem schnell wachsenden Anbieter von unternehmensreifen Datenlösungen. Sie helfen Geschäftsnutzern, die Lücke zwischen Daten und Erkenntnissen mit einer Suite von benutzerfreundlichen, aber leistungsstarken Datenextraktions-, Datenqualitäts-, Datenintegrations-, Data-Warehouse- und elektronischen Daten austausch Lösungen zu überbrücken, die von mittelständischen und Fortune-500-Unternehmen aus verschiedenen Branchen verwendet werden.

Was hat Sie ursprünglich zur Informatik hingezogen?

Ich habe immer eine tiefe Leidenschaft für Mathematik gehabt, und mein Einstieg in die Informatik war eine natürliche Erweiterung davon. Mein Bachelor-Studium war in Mathematik und Informatik, und es war die logische Fortsetzung von der Welt der Mathematik in die Welt der Informatik, die mich faszinierte. Was mich besonders ansprach, waren die feinen Mechanismen von Algorithmen und fortgeschrittenen algorithmischen Prozessen, die mich dazu veranlassten, mich während meines Master-Studiums in Informatik auf Algorithmen zu spezialisieren. Seitdem ist meine Verbindung zur Informatik stark geblieben, und ich bemühe mich ständig, auf dem neuesten Stand der Entwicklungen in diesem Bereich zu bleiben.

Sie sind derzeit der COO von Astera, können Sie uns mitteilen, was Ihre tägliche Rolle umfasst?

Als COO von Astera ist meine Rolle vielfältig und spiegelt die dynamische Natur unseres Unternehmens wider. Ich bin seit der Gründung von Astera dabei, und meine Verantwortungsbereiche haben sich über verschiedene Bereiche des Unternehmens erstreckt. Dazu gehören alles, von der aktiven Beteiligung an der Entwicklung und Kodierung unserer Produkte bis hin zur Sicherstellung, dass unsere Funktionen den sich ändernden Bedürfnissen unserer Kunden entsprechen. Ich arbeite eng mit unseren Kunden zusammen, um unsere Lösungen zu verfeinern. Meine Rolle geht über die Produktentwicklung hinaus und umfasst auch Vertrieb und Marketing, wo wir unsere Angebote auf den Markt bringen.

Da wir in einer Wachstumsphase sind, habe ich zusätzliche Verantwortung übernommen, einschließlich der Überwachung unserer Umsatzziele und der strategischen Erweiterung unseres Produktportfolios, um neue Märkte zu erreichen. Im Wesentlichen habe ich einen Anteil an fast jedem Aspekt unserer Betriebsabläufe, um sicherzustellen, dass wir nicht nur außergewöhnliche Produkte bauen, sondern auch erfolgreich auf den Markt bringen und unsere Geschäftsziele erreichen.

Für Leser, die mit diesem Begriff nicht vertraut sind, was ist Data-Warehousing?

Data-Warehousing ist ein Architekturmuster, das verwendet wird, um alle Unternehmensdaten in einem zentralen Repository zu konsolidieren, das als Grundlage für die Erstellung verschiedener Arten von Analysen, Berichten und Dashboards dient, die ein genaues Bild davon vermitteln, wo sich Ihr Unternehmen befindet und wie es in Zukunft aussehen wird. Um all dies zu ermöglichen, bringen Sie Ihre Daten auf eine bestimmte Weise zusammen, und diese Architektur wird als Data-Warehouse bezeichnet.

Der Begriff stammt tatsächlich aus dem realen Leben, wo Ihre Produkte in einem organisierten Lager aufbewahrt werden. Wenn Sie jedoch in die Welt der Daten eintreten, bringen Sie Ihre Daten aus verschiedenen Quellen zusammen. Sie bringen Ihre Daten aus der Produktion, Ihrer Website, Ihren Kunden, Vertrieb und Marketing, Finanzen und Ihrem Personalwesen zusammen. Sie bringen all diese Daten an einem Ort zusammen, und das wird als Data-Warehouse bezeichnet und auf eine bestimmte Weise entworfen, um Berichte, insbesondere basierend auf Zeitreihen, zu erleichtern. Das ist der Hauptzweck eines Data-Warehouses.

Was sind einige der wichtigsten Trends im Data-Warehousing heute?

Data-Warehousing hat sich in den letzten 20-25 Jahren stark entwickelt. Vor etwa einem Jahrzehnt sahen wir die Entstehung des automatisierten Data-Warehousing, einem Paradigmenwechsel, der den Prozess des Aufbaus von Datenmodellen und Data-Warehouses beschleunigte. Kürzlich hat die Automatisierung im Mittelpunkt gestanden. Sie geht auf die repetitive Natur von Data-Warehousing-Aufgaben ein und strafft Prozesse, um Zeit und Ressourcen zu sparen.

Unser Produkt, Astera Data Warehouse Builder, bietet beispielsweise einen umfassenden Ansatz für die Automatisierung im Data-Warehousing. Es umfasst alles, von der Automatisierung von ETL-(Extract, Transform, Load)-Pipelines und Datenmodellierung bis hin zur automatischen Ladung von Daten in Strukturen wie Star-Schemas oder Data-Vaults. Darüber hinaus wird es durch Change-Data-Capture-(CDC)-Mechanismen effizient aufrechterhalten. Diese umfassende Automatisierung ist ein wichtiger Trend im Data-Warehousing-Landschaft.

Der neueste Trend ist die Verschmelzung von Data-Warehousing und künstlicher Intelligenz (KI). Insbesondere hat die generative KI die Automatisierung auf ein neues Level gehoben. Sie automatisiert nicht nur Aufgaben, sondern unterstützt auch Benutzer bei der Entscheidungsfindung.

Die Konfiguration von Data-Warehousing-Komponenten, Pipelines und Entscheidungspunkten kann durch KI geleitet werden, was Data-Warehousing leistungsstärker und effizienter macht als je zuvor. Im Wesentlichen ist dies eine Automatisierung auf Steroiden, und sie verändert die Landschaft des Data-Warehousing. Die Kreuzung zwischen KI und Data-Warehousing ist ein Trend, der großes Versprechen für die Zukunft hat.

Was sind die vier grundlegenden Prinzipien, die Unternehmen für die Entwicklung ihres Data-Warehouses berücksichtigen sollten?

1. Definieren Sie klare Ziele

Es ist wichtig, zu Beginn zu verstehen, was Sie genau von Ihrem Data-Warehouse benötigen. Vermeiden Sie die häufige Falle, zu viele Daten ohne klaren Zweck zu sammeln. Stattdessen identifizieren Sie die spezifischen Ziele, die Sie mit Ihrem Data-Warehouse erreichen möchten. Welche Berichte und Erkenntnisse suchen Sie? Indem Sie sich auf Ihre Ziele konzentrieren, können Sie sicherstellen, dass Sie nur die Daten sammeln, die relevant sind, anstatt große Mengen an Informationen zu sammeln. Angesichts der sinkenden Kosten für Speicherung und Rechenleistung ist es wichtig, diese Ressourcen intelligent und ethisch zu nutzen.

2. Wählen Sie das richtige Architekturmuster

Architekturmuster sind sehr wichtig. Sie entscheiden, ob Ihre Data-Warehousing-Lösung erfolgreich sein wird oder nicht. Es gibt verschiedene Optionen, von Inmon-Style-Data-Warehousing bis hin zu Ralph Kimballs Star-Schemas sowie neue Muster wie Data Vault und dem einen großen Tisch-Ansatz, der von columna-Datenbankanbietern vertreten wird. Nicht alle Muster sind für jeden Anwendungsfall geeignet.

Wir sehen in der Regel eine Kombination aus Star-Schema, das auf einem Data-Vault sitzt. Also eine Kombination aus Data Vault und Star Schema, die immer noch am häufigsten verwendet wird. Aber, wie ich sagte, für jedes Anforderungsprofil oder jeden Anwendungsfall gibt es eine andere Antwort. Also sollten Sie es durch Experten laufen lassen und sehen, welches Architekturmuster für Ihr Szenario am besten geeignet ist.

3. Wählen Sie die richtigen Tools

Sie sind sehr wichtig und machen einen großen Unterschied, sowohl bei der Zeit als auch bei den Ressourcen, die benötigt werden, um eine Lösung zu bauen, als auch bei der Genauigkeit und Qualität der Lösung, die durch die Produkte bestimmt wird, die Sie verwenden, um Ihr Data-Warehouse zu bauen und zu warten. Achten Sie auf die Fähigkeiten der Produkte und suchen Sie nach Produkten, die die meisten Anforderungen unter einem Dach zusammenfassen können. Es gibt bestimmte Bereiche wie ETL (Extract, Transform, Load), Datenqualität, Datenmodellierung, Datenladung und Datenerfassung, die alle eine wichtige Rolle spielen. Wenn Sie versuchen, für jeden dieser Bereiche separate Produkte zu verwenden, wird es schwierig. Also suchen Sie nach Produkten, die für die meisten, wenn nicht alle dieser verschiedenen Bestandteile verwendet werden können.

4. Ihr Team

Zuletzt, aber nicht zuletzt, ist das Team der Menschen, die Sie zusammenstellen, um Ihre Data-Warehouse-Lösung zu bauen, der wichtigste Teil. Wir empfehlen, jemanden mit einer starken Erfahrung in Datenarchitekturmuster zu haben. In Bezug auf die Teamzusammensetzung sind cross-funktionale Teams der beste Weg, um es zu tun, wo Sie eine Mischung aus Geschäftsnutzern und Menschen mit einigen Programmierkenntnissen oder zumindest Datenexpertise haben. Durch die Förderung enger Zusammenarbeit zwischen Ihren Datenverwaltern, den Menschen, die für Daten verantwortlich sind, und natürlich den Geschäftsabteilungen können Sie ein kohärentes und effektives Team schaffen, das für den Aufbau und die Wartung Ihrer Data-Warehouse-Lösung verantwortlich ist.

Der Erfolg im Data-Warehousing hängt von der Balance zwischen diesen vier Prinzipien ab. Diese Prinzipien, wenn sie sorgfältig befolgt werden, haben sich in unserer Erfahrung als Rezept für den Erfolg erwiesen.

Warum benötigen Unternehmen einen modernen Datenstapel?

Es hängt davon ab, wie wir “modern” definieren, und das ändert sich ständig, manchmal von Jahr zu Jahr, Monat zu Monat und sogar von Tag zu Tag. Wir müssen moderne Werkzeugsets berücksichtigen, die für die sich ändernde Landschaft der Daten entwickelt wurden. In den letzten Jahren gab es erhebliche Veränderungen in der Natur und dem Umfang der Daten. Der Aufstieg von Big Data hat die Datenlandschaft transformiert, mit Daten, die aus Quellen wie E-Commerce-Websites, Produktionsdatenbanken und verschiedenen Teilen Ihres Geschäfts fließen.

Die Daten ändern sich nicht nur in Bezug auf den Umfang, sondern auch in ihrer Natur. Früher waren die Daten größtenteils strukturiert, aber jetzt spielt unstrukturierte Daten eine wichtige Rolle. Darüber hinaus hat sich die Geschwindigkeit, mit der Daten generiert und für die Verwendung verfügbar gemacht werden, erhöht. Angesichts dieser Veränderungen in den Daten müssen wir unsere Werkzeugsets kontinuierlich bewerten und anpassen, um diese sich entwickelnden Datenherausforderungen effektiv anzugehen.

Der moderne Datenstapel ist darauf ausgelegt, alle Variationen in den Strukturen und der Geschwindigkeit der Daten zu bewältigen, und er ist gut gerüstet, um sich an die aufkommenden Architekturmuster anzupassen, die sich in den letzten Jahren entwickelt haben. Daher müssen Sie, wenn Sie das Beste aus Ihren Daten machen möchten, Ihren Datenstapel modernisieren. Das ist der einzige Weg, um mit den neuen Datenherausforderungen Schritt zu halten.

Wir haben gesehen, dass Unternehmen bei bestehenden Lösungen bleiben, die anscheinend funktionieren. Es ist wichtig zu erkennen, dass Daten von Natur aus dynamisch sind. Sie entwickeln sich ständig weiter und stellen neue Herausforderungen und Chancen dar. Bestehende Lösungen sind möglicherweise nicht in der Lage, sich an diese Veränderungen anzupassen. Daher müssen Unternehmen, um das volle Potenzial ihrer Daten auszuschöpfen, die Idee akzeptieren, ihren Datenstapel zu modernisieren. Es geht nicht darum, was funktioniert, zu brechen; es geht darum, agil und reaktionsfähig auf die sich entwickelnde Natur der Daten zu bleiben. Durch die kontinuierliche Bewertung und Integration von Fortschritten in der Datentechnologie können Unternehmen wettbewerbsfähig bleiben und in einer zunehmend datengesteuerten Welt fundierte Entscheidungen treffen.

Was sind einige der aktuellen Datenmanagement-Herausforderungen, die in der Branche zu sehen sind?

1. Daten-Geschwindigkeit und -Integration

Eine der großen Herausforderungen, mit denen wir heute konfrontiert sind, ist die enorme Menge an Daten, die aus verschiedenen Anwendungen fließt. Wenn Sie eine typische IT-Organisation nehmen, haben sie es mit neuen Apps zu tun, die ständig auftauchen – Dutzende, manchmal sogar Hunderte pro Jahr, insbesondere in mittelständischen Organisationen.

Jetzt generieren all diese Apps Daten, und diese Daten enthalten wertvolle Erkenntnisse. Die Hauptbesorgnis hier ist die Fähigkeit, diese neuen Datenquellen schnell in bestehende Datenpipelines zu integrieren und in einer einheitlichen Ansicht zu konsolidieren. Die Geschwindigkeit, mit der Organisationen auf diese neuen Datenströme reagieren und sie in ihre bestehenden Prozesse integrieren können, ist die größte Herausforderung, die wir sehen.

2. Variierende Datenformate

Eine weitere kritische Herausforderung resultiert aus der Natur der Daten selbst, insbesondere der zunehmenden Verbreitung von unstrukturierten Daten. Bei unstrukturierten Daten gibt es natürlich unterschiedliche Meinungen darüber, wie man sie handhaben soll.

Unternehmen müssen entscheiden, ob sie diese Daten direkt in Data-Lakes für späteren Gebrauch speichern oder sie in ein strukturierteres Format für den sofortigen Verzehr umwandeln. Die Herausforderung, wie man mit unstrukturierten Daten umgeht, bleibt bestehen, und wir sehen, dass sogar mittelständische oder kleine Unternehmen davon betroffen sind. Also ist es wichtig, effektive Strategien für die Handhabung unstrukturierter Daten zu entwickeln.

3. Daten-Veröffentlichung und -Teilung

Während Daten-Integration und -Konsolidierung von entscheidender Bedeutung sind, ist die Fähigkeit, Daten effektiv zu teilen, ebenso wichtig. Unternehmen benötigen Mechanismen für die Veröffentlichung und Verteilung von Daten an interne Abteilungen, externe Lieferanten, Partner und andere Interessenten. Diese Herausforderung geht über die bloße Bereitstellung von Daten hinaus; sie beinhaltet auch die Sicherstellung der Datensicherheit, des Datenschutzes und der Einhaltung von Vorschriften. Da das Teilen von Daten für Unternehmen aller Größen unerlässlich wird, entwickeln sich die Technologien und Produkte in diesem Bereich schnell, um die Nachfrage zu decken.

Wie hat Astera die KI in den Kunden-Workflows integriert?

Wir betrachten die KI, die sich mit dem Datenmanagement überschneidet, auf zwei verschiedene Arten.

1. Verbesserung der Benutzerfreundlichkeit durch generative KI

Unser tiefes Engagement für die Benutzerfreundlichkeit ist ein Eckpfeiler unserer Produktentwicklung. In den letzten 12 bis 13 Jahren haben wir einen starken Ruf für die Entwicklung von Produkten mit einer kurzen Lernkurve aufgebaut, die es auch nicht-technischen Benutzern ermöglichen, unsere Produkte effektiv zu nutzen, um sinnvolle Aufgaben mit ihren Daten auszuführen.

Mit der Einführung der generativen KI hat Astera die Benutzerfreundlichkeit auf ein neues Level gehoben. Wir haben die generative KI verwendet, um eine Benutzeroberfläche zu erstellen, die es den Kunden ermöglicht, mit dem Produkt mithilfe von natürlichen Sprachbefehlen zu interagieren. Diese KI-getriebene Oberfläche vereinfacht Konfigurationsaufgaben und macht sie für Benutzer intuitiver und effizienter.

Darüber hinaus hat Astera die Automatisierung durch KI integriert, um Aufgaben zu bewältigen, die zuvor mehrere Stunden manueller Arbeit erforderten, insbesondere bei der Konfiguration von Datenmanagement-Produkten. Der größte Kostenfaktor beim Aufbau einer Datenmanagement-Lösung war nicht nur der Kauf eines Produkts, sondern auch die Zeit und der Aufwand, die für die Konfiguration aufgewendet wurden. Wir haben versucht, dies mit KI zu lösen. Dieser Ansatz reduziert die Zeit und Ressourcen, die traditionell für die Produktkonfiguration aufgewendet werden, erheblich.

Als Beispiel vereinfacht Astera’s Produkt, ReportMiner, die Extraktion von Daten aus unstrukturierten Dokumenten, indem es Benutzern ermöglicht, Extraktionsvorlagen basierend auf Regeln zu erstellen. KI kann jetzt die anfängliche Vorlage in nur wenigen Sekunden generieren, eine Aufgabe, die zuvor zwei bis drei Stunden für einen typischen Benutzer dauerte. Die erste Version einer KI-generierten Vorlage ist möglicherweise nicht perfekt, aber sie bewältigt etwa 90 % der Arbeitslast, sodass Benutzer schnell Anpassungen vornehmen und die Aufgabe in Minuten statt Stunden erledigen können. Dieser Ansatz ist nur ein Beispiel dafür, wie Astera die KI nutzt, um die Benutzerfreundlichkeit in all seinen Produkten zu verbessern.

Wir tun Ähnliches in unserem gesamten Datenstapel, wo wir durch künstliche Intelligenz einen erheblichen Schub an Benutzerfreundlichkeit erhalten.

2. KI-Funktionalität als Werkzeugset

Astera bietet einen einheitlichen Datenstapel, der verschiedene Aspekte des Datenmanagements abdeckt, einschließlich der Aufnahme, Transformation, Datenqualität, Data-Warehousing, APIs und Datenveröffentlichung. Das Unternehmen erkennt die Bedeutung der Bereitstellung von KI-Funktionalität als vielseitigem Werkzeugset für seine Benutzer an. Innerhalb dieses Werkzeugsets können Astera’s Kunden auf KI über das gesamte Data-Science-Spektrum zugreifen, von der Erstellung und Bereitstellung von Machine-Learning-Modellen bis hin zur Behandlung von ML-Ops (Machine-Learning-Operationen). Astera unterstützt auch die Verwendung von Open-Source-Modellen, einschließlich großer Sprachmodelle (LLMs), und ermöglicht die Feinabstimmung für spezifische Anwendungsfälle.

Diese umfassende KI-Funktionalität ermöglicht es Astera’s Benutzern, KI für verschiedene datenbezogene Aufgaben zu nutzen, einschließlich der Bereitstellung von Machine-Learning-Modellen, der Implementierung von ML-Ops und der Feinabstimmung von Open-Source-Modellen. Darüber hinaus arbeitet Astera kontinuierlich an der Erweiterung seiner KI-Unterstützung, einschließlich Bereiche wie Vektor-Datenbanken, Ähnlichkeitssuchen, Einbettungen und mehr.

Was sind einige der besten Praktiken, um KI- und ML-Modelle im Datenmanagement für große Unternehmen zu nutzen?

1. Bleiben Sie an der Spitze der KI- und ML-Entwicklungen

Das Feld der großen Sprachmodelle entwickelt sich rasch. Um einen Wettbewerbsvorteil zu erlangen, sollten große Unternehmen über die neuesten Fortschritte informiert bleiben. Astera war beispielsweise ein früher Adoptierer der generativen KI und nutzte Modelle wie OpenAI und LAMA. Durch die kontinuierliche Überwachung der aufkommenden Technologien können Sie sicherstellen, dass Sie diese effektiv nutzen können.

2. Experimentieren Sie mit verschiedenen Modellen und Konfigurationen

Bei der Feinabstimmung von LLMs konnten wir kleine Modelle mit 8 bis 13 Milliarden Parametern bereitstellen und lokal bereitstellen. Es hat sehr gut funktioniert und wir empfehlen, anstelle von nur einem versus dem anderen, verschiedene Basis-Modelle und Konfigurationen auszuprobieren und zu sehen, welches für Sie am besten funktioniert.

Die großen Sprachmodelle kommen in verschiedenen Varianten, jede mit ihren eigenen Fähigkeiten. Erstellen Sie eine Konfiguration, die es Ihnen ermöglicht, aus einer breiten Palette von Optionen zu wählen, ähnlich wie es Entwickler und Data-Scientist in ihren Data-Science-Reisen tun.

Um Benutzern zu ermöglichen, haben wir ein Konfigurationssystem erstellt, das eine umfassende Palette von Optionen bietet, ähnlich wie es bei Open-Source-Bibliotheken der Fall ist. Unser Ziel war es, diese Optionen nahtlos in unser Produkt zu integrieren und so ein dynamisches und anpassungsfähiges Erlebnis für Benutzer zu schaffen.

3. Priorisieren Sie lokale Bereitstellung gegenüber APIs

Wenn es um datenorientierte Produkte geht, ist es wichtig, Verzögerungen zu minimieren. Die alleinige Abhängigkeit von APIs für den Zugriff auf KI- und ML-Modelle kann unannehmbare Verzögerungen mit sich bringen, insbesondere bei der Verarbeitung großer Datenmengen. Es ist ratsam, die Bereitstellung fein abgestimmter Modelle lokal zu priorisieren, die für Ihr spezifisches Szenario konzipiert sind. Dieser Ansatz kann die Antwortzeiten und die Gesamtleistung erheblich verbessern.

Warum ist Astera eine überlegene Lösung im Vergleich zu konkurrierenden Plattformen?

• Asteras Lösungen haben eine codefreie, intuitive, visuelle Oberfläche sowie eine durch KI verbesserte Benutzerfreundlichkeit, die es allen Benutzern ermöglicht, komplexe Datenprozesse unabhängig von ihren technischen Fähigkeiten auszuführen.
• Die Automatisierungsfunktionen unseres Datenstapels reduzieren wiederholbare manuelle Aufgaben und sparen Zeit und Entwicklungsmittel.
• Unsere einheitliche Plattform kann Benutzern helfen, End-to-End-Datenprozesse auszuführen, ohne Lösungen wechseln zu müssen. Dies eliminiert die Kosten für das Lernen und Verwalten mehrerer, isolierter Systeme.

Vielen Dank für das großartige Interview, Leser, die mehr erfahren möchten, sollten Astera Software besuchen.