Saket Saurabh, CEO und Mitgründer von Nexla – Interview-Serie

Saket Saurabh, CEO und Mitgründer von Nexla, ist ein Unternehmer mit einer tiefen Leidenschaft für Daten und Infrastruktur. Er leitet die Entwicklung einer Next-Generation-Automatisierungsplattform für Datenengineering, die darauf abzielt, Skalierbarkeit und Geschwindigkeit für diejenigen zu bringen, die mit Daten arbeiten.

Zuvor gründete Saurabh ein erfolgreiches Mobile-Startup, das wichtige Meilensteine erreichte, einschließlich Übernahme, Börsengang und Wachstum zu einem multimillionenschweren Unternehmen. Er hat auch während seiner Zeit bei Nvidia (NVDA ) an mehreren innovativen Produkten und Technologien mitgewirkt.

Nexla ermöglicht die Automatisierung von Datenengineering, damit Daten sofort verwendbar sind. Dies erreichen sie durch einen einzigartigen Ansatz von Nexsets – Datenprodukte, die es jedem ermöglichen, Daten zu integrieren, zu transformieren, zu liefern und zu überwachen.

Was hat Sie dazu inspiriert, Nexla mitzubegründen, und wie haben Ihre Erfahrungen im Datenengineering Ihre Vision für das Unternehmen geprägt?

 Bevor ich Nexla gründete, begann ich meine Reise im Datenengineering bei Nvidia, wo ich hochskalierbare, hochentwickelte Technologien auf der Compute-Seite aufbaute. Danach führte ich mein vorheriges Startup durch eine Übernahme und einen Börsengang im Bereich Mobile-Werbung, wo große Mengen an Daten und Machine Learning ein wichtiger Teil unseres Angebots waren und wir täglich etwa 300 Milliarden Datensätze verarbeiteten.

Als ich 2015 nach dem Börsengang meines vorherigen Unternehmens Ausschau nach der nächsten großen Herausforderung hielt, die mich begeisterte, war es mir aufgrund meiner Erfahrungen in beiden Bereichen klar, dass die Herausforderungen im Daten- und Rechenbereich konvergierten, da die Branche sich auf fortschrittlichere Anwendungen mit Daten und KI zubewegte.

Obwohl wir damals nicht wussten, dass Generative KI (GenAI) so schnell voranschreiten würde, wie sie es getan hat, war es offensichtlich, dass Machine Learning und KI die Grundlage für die Nutzung von Daten bilden würden. Also begann ich, über die notwendige Infrastruktur nachzudenken, damit Menschen erfolgreich mit Daten arbeiten können, und wie wir es ermöglichen können, dass nicht nur Ingenieure, sondern jeder, Daten in seinem beruflichen Alltag nutzen kann.

Dies führte zu der Vision für Nexla – die Vereinfachung und Automatisierung des Datenengineerings, da Datenengineering in den meisten Unternehmen eine maßgeschneiderte Lösung war, insbesondere bei komplexen oder groß angelegten Datenproblemen. Das Ziel war es, Daten für eine breitere Nutzergruppe zugänglich und handhabbar zu machen, nicht nur für Dateningenieure. Meine Erfahrungen im Aufbau skalierbarer Daten-systeme und -anwendungen haben diese Vision befeuert, den Zugang zu Daten durch Automatisierung und Vereinfachung zu demokratisieren.

Wie verkörpern Nexsets die Mission von Nexla, Daten für jeden zugänglich zu machen, und warum ist diese Innovation für moderne Unternehmen so wichtig?

Nexsets verkörpern die Mission von Nexla, Daten für jeden zugänglich zu machen, indem sie die Kernherausforderung von Daten angehen. Die 3Vs von Daten – Volumen, Geschwindigkeit und Vielfalt – waren ein anhaltendes Problem. Die Branche hat Fortschritte bei der Bewältigung von Volumen und Geschwindigkeit gemacht, aber die Vielfalt von Daten blieb ein erhebliches Hindernis, da die Verbreitung neuer Systeme und Anwendungen zu einer immer größeren Vielfalt an Datenstrukturen und -formaten führte.

Nexlas Ansatz besteht darin, Daten aus verschiedenen Quellen automatisch in ein konsistentes, verpacktes Objekt zu modellieren und zu verbinden, ein Datenprodukt, das wir Nexset nennen. Dies ermöglicht es Benutzern, auf Daten zuzugreifen und mit ihnen zu arbeiten, ohne die zugrunde liegende Komplexität der verschiedenen Datenquellen und -strukturen verstehen zu müssen. Ein Nexset fungiert als Tor, das eine einfache, direkte Schnittstelle zu den Daten bietet.

Dies ist für moderne Unternehmen von entscheidender Bedeutung, da es ermöglicht, dass mehr Menschen, nicht nur Dateningenieure, Daten in ihrer täglichen Arbeit nutzen können. Indem Nexsets die Vielfalt und Komplexität von Daten abstrahieren, wird es möglich, dass Business-Anwender, Analysten und andere direkt mit den Daten interagieren können, die sie benötigen, ohne umfassende technische Expertise zu erfordern.

Wir haben auch daran gearbeitet, die Integration für weniger technische Datenkonsumenten einfacher zu gestalten – von der Benutzeroberfläche und der Art und Weise, wie Menschen Daten kooperativ nutzen und regeln, bis hin zur Art und Weise, wie sie Transforms und Workflows aufbauen. Die Abstraktion der Komplexität von Datenvielfalt ist der Schlüssel zur Demokratisierung des Zugangs zu Daten und zur Ermächtigung einer breiteren Nutzergruppe, ihren Informationsbestand zu nutzen. Dies ist eine entscheidende Fähigkeit für moderne Unternehmen, die datengetrieben sein und datengetriebene Erkenntnisse im gesamten Unternehmen nutzen möchten.

Was macht Daten “GenAI-bereit”, und wie adressiert Nexla diese Anforderungen effektiv?

Die Antwort hängt teilweise davon ab, wie Sie GenAI verwenden. Die meisten Unternehmen implementieren GenAI-Retrieval-Augmented-Generation (RAG). Dazu müssen Daten zuerst vorbereitet und in einen Vektor-Datenbank-Format geladen werden, und dann werden Daten über eine Suche abgerufen, um sie als Kontext zu einem großen Sprachmodell (LLM) hinzuzufügen, das nicht mit diesen Daten trainiert wurde. Die Daten müssen also so vorbereitet werden, dass sie sowohl für Vektor-Suchen als auch für LLMs geeignet sind.

Unabhängig davon, ob Sie RAG, Retrieval-Augmented-Fine-Tuning (RAFT) oder Modelltraining durchführen, gibt es einige Schlüsselanforderungen:

• Datenformat: GenAI-LLMs arbeiten oft am besten mit Daten in einem bestimmten Format. Die Daten müssen so strukturiert sein, dass die Modelle sie leicht verarbeiten können. Sie sollten auch in einer Weise “chunked” werden, die es dem LLM ermöglicht, die Daten besser zu nutzen.
• Konnektivität: GenAI-LLMs benötigen die Fähigkeit, dynamisch auf die relevanten Datenquellen zuzugreifen, anstatt auf statische Datensätze zu vertrauen. Dies erfordert eine kontinuierliche Konnektivität zu den verschiedenen Unternehmenssystemen und Datenrepositorys.
• Sicherheit und Governance: Wenn sensible Unternehmensdaten verwendet werden, ist es entscheidend, robuste Sicherheits- und Governance-Kontrollen zu haben. Der Zugriff auf Daten und die Nutzung müssen sicher und konform mit bestehenden Unternehmensrichtlinien sein. Sie müssen auch die Daten regeln, die von LLMs verwendet werden, um Datenverletzungen zu verhindern.
• Skalierbarkeit: GenAI-LLMs können daten- und rechenintensiv sein, sodass die zugrunde liegende Dateninfrastruktur in der Lage sein muss, die Anforderungen dieser Modelle zu erfüllen.

Nexla adressiert diese Anforderungen für die Vorbereitung von Daten auf GenAI in mehreren Schlüsselbereichen:

• Dynamischer Datenzugriff: Nexlas Datenintegrationsplattform bietet eine einzige Möglichkeit, auf Hunderte von Quellen zuzugreifen und verschiedene Integrationsstile und Datenraten zu verwenden, sowie eine Orchestrierung, um GenAI-LLMs die aktuellsten Daten zu liefern, die sie benötigen, anstatt auf statische Datensätze zu vertrauen.
• Datenpräparation: Nexla hat die Fähigkeit, Daten in Formaten zu extrahieren, zu transformieren und zu präparieren, die für jeden GenAI-Anwendungsfall optimiert sind, einschließlich integrierter Datenchunking und Unterstützung für mehrere Kodierungsmodelle.
• Self-Service und Kollaboration: Mit Nexla können Datenkonsumenten nicht nur auf Daten zugreifen und Nexsets und Flows aufbauen, sondern auch ihre Arbeit über einen Marktplatz teilen, der sicherstellt, dass Daten im richtigen Format sind und die Produktivität durch Wiederverwendung verbessert.
• Automatische Generierung: Integration und GenAI sind beide schwierig. Nexla generiert viele der notwendigen Schritte automatisch basierend auf den Auswahlmöglichkeiten des Datenkonsumenten – unter Verwendung von KI und anderen Techniken – sodass Benutzer die Arbeit selbst erledigen können.
• Governance und Sicherheit: Nexla integriert robuste Sicherheits- und Governance-Kontrollen, einschließlich Kollaboration, um sicherzustellen, dass sensible Unternehmensdaten auf sichere und konforme Weise abgerufen und verwendet werden.
• Skalierbarkeit: Die Nexla-Plattform ist so konzipiert, dass sie die Anforderungen von GenAI-Workloads skalieren kann und die notwendige Rechenleistung und elastische Skalierbarkeit bietet.

Die Kombination aus integrierter Integration, Self-Service, Kollaboration, automatischer Generierung und Daten-Governance ist notwendig, um die Demokratisierung von Daten zu ermöglichen.

Wie tragen unterschiedliche Datenarten und -quellen zum Erfolg von GenAI-Modellen bei, und welche Rolle spielt Nexla bei der Vereinfachung des Integrationsprozesses?

GenAI-Modelle benötigen den Zugriff auf alle Arten von Informationen, um die besten Erkenntnisse zu liefern und relevante Ausgaben zu generieren. Wenn Sie dies nicht tun, sollten Sie nicht mit guten Ergebnissen rechnen. Es ist ähnlich wie bei Menschen.

GenAI-Modelle müssen auf einer breiten Palette von Daten trainiert werden, von strukturierten Datenbanken bis hin zu unstrukturierten Dokumenten, um ein umfassendes Verständnis der Welt zu entwickeln. Verschiedene Datenquellen wie Nachrichtenartikel, Finanzberichte und Kundeninteraktionen liefern wertvolle Kontextinformationen, die diese Modelle nutzen können. Die Exposition gegenüber unterschiedlichen Daten ermöglicht es GenAI-Modellen, flexibler und anpassungsfähiger zu werden, sodass sie eine breitere Palette von Anfragen und Aufgaben bewältigen können.

Nexla abstrahiert die Vielfalt all dieser Daten mit Nexsets und macht es einfach, auf fast jede Quelle zuzugreifen, Daten zu extrahieren, zu transformieren, zu orchestrieren und zu laden, sodass Datenkonsumenten sich auf die Daten konzentrieren können und sie GenAI-bereit machen können.

Welche Trends prägen das Datenökosystem im Jahr 2025 und darüber hinaus, insbesondere mit dem Aufstieg von GenAI?

Unternehmen haben sich hauptsächlich darauf konzentriert, GenAI zu nutzen, um Assistenten oder Copiloten zu bauen, die Menschen helfen, Antworten zu finden und bessere Entscheidungen zu treffen. Agentic AI, also Agenten, die Aufgaben ohne menschliche Beteiligung automatisieren, ist definitiv ein wachsender Trend, wenn wir uns 2025 nähern. Agenten, genau wie Copiloten, benötigen Integration, um sicherzustellen, dass Daten reibungslos fließen – nicht nur in eine Richtung, sondern auch, um es der KI zu ermöglichen, auf diese Daten zu reagieren.

Ein weiterer wichtiger Trend für 2025 ist die zunehmende Komplexität von KI-Systemen. Diese Systeme werden komplexer, indem sie Komponenten aus verschiedenen Quellen kombinieren, um kohärente Lösungen zu schaffen. Es ist ähnlich wie bei Menschen, die auf verschiedene Werkzeuge angewiesen sind, um Aufgaben zu erledigen. Empowered AI-Systeme werden diesem Ansatz folgen und multiple Werkzeuge und Komponenten orchestrieren. Diese Orchestrierung stellt eine erhebliche Herausforderung dar, aber auch ein wichtiger Bereich der Entwicklung.

Von einem Trend her gesehen sehen wir einen Schub in Richtung generativer KI, die über einfaches Mustererkennen hinausgeht und tatsächliches Reasoning ermöglicht. Es gibt viel technologischen Fortschritt in diesem Bereich. Obwohl diese Fortschritte möglicherweise nicht vollständig in kommerziellen Wert im Jahr 2025 umgesetzt werden, repräsentieren sie die Richtung, in die wir uns bewegen.

Ein weiterer wichtiger Trend ist die zunehmende Anwendung von beschleunigten Technologien für KI-Inferenz, insbesondere bei Unternehmen wie Nvidia. Traditionell wurden GPUs hauptsächlich für das Training von KI-Modellen verwendet, aber die Laufzeit-Inferenz – der Punkt, an dem das Modell tatsächlich verwendet wird – wird immer wichtiger. Wir können erwarten, dass es Fortschritte bei der Optimierung der Inferenz gibt, die sie effizienter und effektiver macht.

Zusätzlich gibt es die Erkenntnis, dass die verfügbaren Trainingsdaten größtenteils ausgeschöpft sind. Dies bedeutet, dass weitere Verbesserungen der Modelle nicht durch das Hinzufügen von mehr Daten während des Trainings erreicht werden, sondern durch die Art und Weise, wie die Modelle während der Inferenz arbeiten. Bei der Laufzeit ist es wichtig, neue Informationen zu nutzen, um die Ergebnisse der Modelle zu verbessern. Dies ist ein kritischer Fokus für Organisationen, die KI adoptieren.

Während einige aufregende Technologien ihre Grenzen erreichen, werden neue Ansätze entstehen, die letztendlich die Bedeutung von Agilität für Organisationen, die KI adoptieren, unterstreichen. Was heute gut funktioniert, kann in sechs Monaten oder einem Jahr veraltet sein, also ist es wichtig, bereit zu sein, Datenquellen und Komponenten von KI-Pipelines hinzuzufügen oder zu ersetzen. Die Fähigkeit, sich an Veränderungen anzupassen, ist entscheidend, um mit der sich schnell verändernden Landschaft Schritt zu halten.

Welche Strategien können Organisationen anwenden, um Dateninseln zu überwinden und den Datenfluss über ihre Systeme hinweg zu verbessern?

Erstens müssen Menschen akzeptieren, dass Dateninseln immer existieren werden. Dies war immer der Fall. Viele Organisationen versuchen, alle ihre Daten an einem Ort zu zentralisieren, in der Annahme, dass dies eine ideale Konfiguration schafft und einen erheblichen Wert freisetzt, aber dies erweist sich als fast unmöglich, insbesondere für große Unternehmen.

Also ist die Realität, dass Dateninseln bleiben werden. Sobald wir dies akzeptieren, lautet die Frage: Wie können wir mit Dateninseln effizienter umgehen?

Ein hilfreiches Analogon ist, über große Unternehmen nachzudenken. Kein großes Unternehmen operiert aus einem einzigen Büro, in dem alle weltweit arbeiten. Stattdessen teilen sie sich in ein Hauptquartier und mehrere Büros auf. Das Ziel ist nicht, diese natürliche Aufteilung zu bekämpfen, sondern sicherzustellen, dass diese Büros effektiv zusammenarbeiten können. Deshalb investieren wir in Produktivitätstools wie Zoom oder Slack, um Menschen und Arbeitsabläufe über Standorte hinweg zu verbinden.

Ähnlich sind Dateninseln fragmentierte Systeme, die immer über Teams, Abteilungen oder andere Grenzen hinweg existieren werden. Der Schlüssel liegt nicht darin, sie zu eliminieren, sondern sicherzustellen, dass sie reibungslos zusammenarbeiten. Wenn wir dies erkennen, können wir uns auf Technologien konzentrieren, die diese Verbindungen erleichtern.

Beispielsweise bieten Technologien wie Nexsets eine gemeinsame Schnittstelle oder eine Abstraktionsebene, die über verschiedene Datenquellen hinweg funktioniert. Indem sie als Tor zu Dateninseln dienen, vereinfachen sie den Prozess der Interoperabilität mit Daten, die über verschiedene Inseln verteilt sind, und minimieren so die negativen Auswirkungen von Inseln.

Im Wesentlichen sollte die Strategie darin bestehen, die Zusammenarbeit zwischen Inseln zu fördern, anstatt sie zu bekämpfen. Viele Unternehmen machen den Fehler, alles in einen großen Datensee zu konsolidieren. Aber ehrlich gesagt, ist dies ein fast unmögliches Unterfangen.

Wie gehen moderne Datenplattformen Herausforderungen wie Geschwindigkeit und Skalierbarkeit an, und was unterscheidet Nexla in der Bewältigung dieser Probleme?

Meiner Meinung nach wurden viele Tools im modernen Datenstack ursprünglich mit dem Fokus auf Benutzerfreundlichkeit und Entwicklungszeit konzipiert, was durch die Erleichterung der Nutzung dieser Tools für nicht-technische Benutzer erreicht wurde. Die Evolution dieser Tools führte oft zur Entwicklung von Punkt-Lösungen oder Tools, die spezifische, eng definierte Probleme lösen sollten.

Wenn wir über Skalierbarkeit sprechen, denken die Menschen oft an die Fähigkeit, größere Datenmengen zu bewältigen. Aber die wahre Herausforderung der Skalierbarkeit kommt von zwei Hauptfaktoren: Der zunehmenden Anzahl von Menschen, die mit Daten arbeiten müssen, und der wachsenden Vielfalt von Systemen und Daten, die Organisationen verwalten müssen.

Moderne Tools, die hoch spezialisiert sind, lösen oft nur einen kleinen Teil dieser Herausforderungen. Als Ergebnis verwenden Organisationen häufig mehrere Tools, jedes mit einer einzelnen Lösung, was letztendlich zu eigenen Herausforderungen führt, wie Tool-Überlastung und Ineffizienz.

Nexla geht auf diese Herausforderung, indem es eine sorgfältige Balance zwischen Benutzerfreundlichkeit und Flexibilität schafft. Einerseits bieten wir Einfachheit durch Funktionen wie Vorlagen und benutzerfreundliche Schnittstellen. Andererseits bieten wir flexible und entwicklerfreundliche Fähigkeiten, die es Teams ermöglichen, die Plattform kontinuierlich zu erweitern. Entwickler können neue Fähigkeiten zum System hinzufügen, aber diese Erweiterungen bleiben für nicht-technische Benutzer als einfache Schaltflächen und Klicks zugänglich. Dieser Ansatz vermeidet die Falle übermäßig spezialisierter Tools und liefert gleichzeitig eine breite Palette von Unternehmensfunktionen.

Was Nexla wirklich von anderen unterscheidet, ist seine Fähigkeit, Benutzerfreundlichkeit mit der Skalierbarkeit und Breite zu verbinden, die Organisationen benötigen. Unsere Plattform verbindet diese beiden Welten nahtlos, ermöglicht es Teams, effizient zu arbeiten, ohne Kompromisse bei Leistung oder Flexibilität einzugehen.

Eine der Hauptstärken von Nexla liegt in seiner abstrakten Architektur. Beispielsweise können Benutzer Datenpipelines visuell entwerfen, aber die Ausführung dieser Pipelines ist hoch adaptiv. Abhängig von den Anforderungen des Benutzers – wie Quelle, Ziel oder ob die Daten in Echtzeit benötigt werden – ordnet die Plattform die Pipeline automatisch einer von sechs verschiedenen Motoren zu, um optimale Leistung ohne manuelle Konfiguration zu gewährleisten.

Die Plattform ist auch lose gekoppelt, was bedeutet, dass Quellsysteme und Zielsysteme entkoppelt sind. Dies ermöglicht es Benutzern, leicht weitere Ziele zu bestehenden Quellen hinzuzufügen, weitere Quellen zu bestehenden Zielen hinzuzufügen und bidirektionale Integrationen zwischen Systemen zu ermöglichen.

Wichtig ist, dass Nexla die Gestaltung von Pipelines so abstrahiert, dass Benutzer Batch-Daten, Streaming-Daten und Echtzeit-Daten ohne Änderung ihrer Arbeitsabläufe oder Designs verarbeiten können. Die Plattform passt sich automatisch an diese Anforderungen an, was es Benutzern erleichtert, mit Daten in jedem Format oder jeder Geschwindigkeit zu arbeiten. Dies ist mehr eine Frage des durchdachten Designs als spezifischer Programmiersprachen, was ein nahtloses Erlebnis gewährleistet.

Alles in allem zeigt dies, dass wir Nexla mit dem Endverbraucher von Daten im Blick entwickelt haben. Viele traditionelle Tools wurden für diejenigen konzipiert, die Daten produzieren oder Systeme verwalten, aber wir konzentrieren uns auf die Bedürfnisse von Datenkonsumenten, die konsistente, einfache Schnittstellen zum Zugriff auf Daten benötigen, unabhängig von ihrer Quelle. Die Priorisierung des Benutzererlebnisses ermöglichte es uns, eine Plattform zu entwerfen, die den Zugriff auf Daten vereinfacht, während sie gleichzeitig die Flexibilität aufrechterhält, die für unterschiedliche Anwendungsfälle erforderlich ist.

Können Sie Beispiele nennen, wie No-Code- und Low-Code-Funktionen das Datenengineering für Ihre Kunden verändert haben?

No-Code- und Low-Code-Funktionen haben das Datenengineering in ein wirklich kollaboratives Erlebnis für Benutzer verwandelt. Zum Beispiel musste das Account-Operations-Team von DoorDash , das Daten für Händler verwaltet, früher Anforderungen an das Engineering-Team stellen. Die Ingenieure bauten dann Lösungen, was zu einem iterativen Hin- und Her-Prozess führte, der viel Zeit in Anspruch nahm.

Jetzt, mit No-Code- und Low-Code-Tools, hat sich diese Dynamik geändert. Das tägliche Operations-Team kann eine Low-Code-Schnittstelle verwenden, um seine Aufgaben direkt zu erledigen. Gleichzeitig kann das Engineering-Team neue Funktionen und Fähigkeiten über dieselbe Low-Code-Plattform hinzufügen, was eine nahtlose Aktualisierung ermöglicht. Das Operations-Team kann dann diese Funktionen ohne Verzögerung nutzen.

Diese Verschiebung hat den Prozess in ein kollaboratives Unterfangen verwandelt, anstatt ein kreatives Flaschenhals-Prinzip zu sein, was zu erheblichen Zeitersparnissen geführt hat. Kunden haben berichtet, dass Aufgaben, die früher zwei bis drei Monate dauerten, jetzt in weniger als zwei Wochen abgeschlossen werden können – eine Verbesserung der Geschwindigkeit um das 5- bis 10-fache.

Wie entwickelt sich die Rolle des Datenengineerings, insbesondere mit der zunehmenden Adoption von KI?

Das Datenengineering entwickelt sich rapide, getrieben von Automatisierung und Fortschritten wie GenAI. Viele Aspekte des Fachgebiets, wie Code-Generierung und Konnektor-Erstellung, werden effizienter. Mit GenAI beispielsweise hat sich der Prozess der Generierung, Testung und Bereitstellung von Konnektoren dramatisch verbessert. Aber dieser Fortschritt bringt auch neue Herausforderungen mit sich, einschließlich zunehmender Komplexität, Sicherheitsbedenken und dem Bedarf an robuster Governance.

Ein dringendes Anliegen ist das potenzielle Missbrauch von Unternehmensdaten. Unternehmen befürchten, dass ihre proprietären Daten unbeabsichtigt zum Trainieren von KI-Modellen verwendet werden und sie so ihren Wettbewerbsvorteil verlieren oder eine Datenverletzung erleiden, wenn die Daten an andere weitergegeben werden. Die wachsende Komplexität von Systemen und die enorme Menge an Daten erfordern, dass Datenengineering-Teams eine umfassendere Perspektive einnehmen, die sich auf übergeordnete Systemprobleme wie Sicherheit, Governance und Gewährleistung der Datenintegrität konzentriert. Diese Herausforderungen können nicht einfach durch KI gelöst werden.

Während generative KI Aufgaben auf niedrigerem Niveau automatisieren kann, verschiebt sich die Rolle des Datenengineerings in Richtung der Orchestrierung des umfassenderen Ökosystems. Dateningenieure agieren jetzt mehr wie Dirigenten, die zahlreiche vernetzte Komponenten und Prozesse verwalten, wie das Einrichten von Schutzmechanismen, um Fehler oder unbefugten Zugriff zu verhindern, die Sicherstellung der Einhaltung von Governance-Standards und die Überwachung, wie von KI generierte Ausgaben in Geschäftsentscheidungen verwendet werden.

Fehler und Fehler in diesen Systemen können teuer sein. Beispielsweise können KI-Systeme veraltete Richtlinieninformationen abrufen, was zu falschen Antworten führt, wie der Zusage einer Rückerstattung an einen Kunden, wenn dies nicht erlaubt ist. Diese Arten von Problemen erfordern strenge Überwachung und gut definierte Prozesse, um diese Fehler zu erkennen und zu korrigieren, bevor sie sich auf das Geschäft auswirken.

Ein weiterer wichtiger Aspekt für Datenengineering-Teams ist die Anpassung an den Wandel in der Nutzerdemografie. KI-Tools sind nicht länger auf Analysten oder technische Benutzer beschränkt, die die Gültigkeit von Berichten und Daten in Frage stellen können. Diese Tools werden jetzt von Personen am Rande der Organisation verwendet, wie Kundenbetreuungsagenten, die möglicherweise nicht die Fachkenntnisse haben, um falsche Ausgaben in Frage zu stellen. Diese breitere Demokratisierung von Technologie erhöht die Verantwortung von Datenengineering-Teams, um sicherzustellen, dass Daten genau und zuverlässig sind.

Welche neuen Funktionen oder Fortschritte können von Nexla erwartet werden, während das Feld des Datenengineerings weiter wächst?

Wir konzentrieren uns auf mehrere Fortschritte, um neue Herausforderungen und Chancen im Bereich des Datenengineerings anzugehen. Einer davon ist die Entwicklung von KI-getriebenen Lösungen, um die Vielfalt von Daten zu bewältigen. Eine der größten Herausforderungen im Datenengineering ist die Bewältigung der Vielfalt von Daten aus verschiedenen Quellen, also nutzen wir KI, um diesen Prozess zu straffen. Beispielsweise kann das System Daten von hunderten verschiedenen Händlern automatisch in eine standardisierte Struktur abbilden. Heute erfordert dieser Prozess oft erhebliche manuelle Eingaben, aber Nexlas KI-getriebene Fähigkeiten zielen darauf ab, den manuellen Aufwand zu minimieren und die Effizienz zu verbessern.

Wir arbeiten auch an der Weiterentwicklung unserer Konnektortechnologie, um die nächste Generation von Datenworkflows zu unterstützen, einschließlich der Fähigkeit, neue Agenten einfach zu generieren. Diese Agenten ermöglichen eine nahtlose Verbindung zu neuen Systemen und erlauben Benutzern, bestimmte Aktionen innerhalb dieser Systeme auszuführen. Dies ist insbesondere für die wachsenden Bedürfnisse von GenAI-Nutzern gedacht und soll die Integration und Interaktion mit verschiedenen Plattformen erleichtern.

Drittens setzen wir unsere Innovationen im Bereich der Überwachung und Qualitätssicherung fort. Da immer mehr Benutzer Daten über verschiedene Systeme hinweg nutzen, ist die Bedeutung der Überwachung und Sicherstellung der Datenqualität erheblich gestiegen. Unser Ziel ist es, robuste Tools für Systemüberwachung und Qualitätssicherung bereitzustellen, damit Daten auch bei zunehmender Nutzung verlässlich und handhabbar bleiben.

Zu guter Letzt unternimmt Nexla Schritte, um einige seiner Kernfähigkeiten als Open-Source-Technologie bereitzustellen. Die Idee dahinter ist, dass wir, indem wir unsere Technologie mit der breiteren Gemeinschaft teilen, mehr Menschen in die Lage versetzen können, von fortschrittlichen Datenengineering-Tools und -Lösungen zu profitieren, was letztendlich unsere Verpflichtung zur Förderung von Innovation und Zusammenarbeit in diesem Bereich widerspiegelt.

Vielen Dank für die großartigen Antworten. Leser, die mehr erfahren möchten, sollten Nexla besuchen.