Σακέτ Σάουραμπ, Διευθύνων Σύμβουλος και Συνιδρυτής της Nexla – Σειρά Συνεντεύξεων

Σακέτ Σάουραμπ, Διευθύνων Σύμβουλος και Συνιδρυτής της Nexla, είναι ένας επιχειρηματίας με βαθιά αγάπη για τα δεδομένα και την υποδομή. Ηγείται της ανάπτυξης μιας πλατφόρμας αυτοματοποιημένης μηχανικής学习 δεδομένων της επόμενης γενιάς, σχεδιασμένης για να φέρει κλίμακα και ταχύτητα σε εκείνους που εργάζονται με δεδομένα.

Προηγουμένως, ο Σάουραμπ ίδρυσε μια επιτυχημένη κινητή startup που πέτυχε σημαντικά ορόσημα, συμπεριλαμβανομένης της απόκτησης, της εισαγωγής στο χρηματιστήριο και της ανάπτυξης σε μια επιχείρηση πολλών εκατομμυρίων δολαρίων. Συνεισέφερε επίσης σε πολλά καινοτόμα προϊόντα και τεχνολογίες κατά τη διάρκεια της θητείας του στη Nvidia (NVDA ).

Nexla ermöglicht την αυτοματοποίηση της μηχανικής δεδομένων, ώστε τα δεδομένα να είναι έτοιμα για χρήση. Αυτό επιτυγχάνεται μέσω μιας μοναδικής προσέγγισης των Nexsets – προϊόντα δεδομένων που κάνουν εύκολη την ενσωμάτωση, μετασχηματισμό, παράδοση και παρακολούθηση των δεδομένων.

Τι σας έμπνευσε να συνιδρύσετε την Nexla, και πώς οι εμπειρίες σας στη μηχανική δεδομένων διαμόρφωσαν την οπτική σας για την εταιρεία;

 Πριν από την ίδρυση της Nexla, ξεκίνησα το ταξίδι μου στη μηχανική δεδομένων στη Nvidia, κατασκευάζοντας υψηλής κλίμακας, υψηλής τεχνολογίας στην πλευρά υπολογισμού. Μετά από αυτό, πήρα την προηγούμενη startup μου μέσω μιας απόκτησης και μιας εισαγωγής στο χρηματιστήριο στο χώρο της κινητής διαφήμισης, όπου τα μεγάλα δεδομένα και η μηχανική μάθηση ήταν βασικά μέρη της προσφοράς μας, επεξεργαζόμενη περίπου 300 δισεκατομμύρια εγγραφές δεδομένων κάθε μέρα.

Βλέποντας το τοπίο το 2015 μετά την εισαγωγή της προηγούμενης εταιρείας μου στο χρηματιστήριο, αναζητούσα την επόμενη μεγάλη πρόκληση που με ενθουσίαζε. Ερχόμενος από αυτές τις δύο προελεύσεις, ήταν πολύ σαφές ότι οι προκλήσεις δεδομένων και υπολογισμού συναντούσαν την βιομηχανία που κινούνταν προς πιο προηγμένες εφαρμογές που τροφοδοτούνται από δεδομένα και τεχνητή νοημοσύνη.

Ενώ δεν γνωρίζαμε εκείνη την εποχή ότι η Γεννητική Τεχνητή Νοημοσύνη (GenAI) θα προχωρήσει τόσο γρήγορα, ήταν σαφές ότι η μηχανική μάθηση και η τεχνητή νοημοσύνη θα ήταν η βάση για την αξιοποίηση των δεδομένων. Έτσι, άρχισα να σκέφτομαι τι είδους υποδομή χρειάζεται για να κάνουμε τους ανθρώπους να είναι επιτυχημένοι στη δουλειά με δεδομένα, και πώς μπορούμε να κάνουμε δυνατή την πρόσβαση σε δεδομένα για οποιονδήποτε, όχι μόνο για μηχανικούς.

Αυτό οδήγησε στην οπτική για την Nexla – να απλοποιήσουμε και να αυτοματοποιήσουμε τη μηχανική πίσω από τα δεδομένα, καθώς η μηχανική δεδομένων ήταν μια πολύ εξειδικευμένη λύση μέσα στις περισσότερες εταιρείες, ιδιαίτερα όταν αντιμετωπίζαμε σύνθετα ή μεγάλης κλίμακας προβλήματα δεδομένων. Ο στόχος ήταν να κάνουμε τα δεδομένα προσιτά και προσιτά για ένα ευρύτερο φάσμα χρηστών, όχι μόνο για μηχανικούς δεδομένων. Οι εμπειρίες μου στη δημιουργία κλιμακωτών συστημάτων και εφαρμογών καύσε αυτήν την οπτική για να δημοκρατίζω την πρόσβαση σε δεδομένα μέσω αυτοματοποίησης και απλοποίησης.

Πώς τα Nexsets ενσωματώνουν την αποστολή της Nexla για να κάνουν τα δεδομένα έτοιμα για χρήση για όλους, και γιατί αυτή η καινοτομία είναι κρίσιμη για τις σύγχρονες επιχειρήσεις;

Τα Nexsets ενσωματώνουν την αποστολή της Nexla για να κάνουν τα δεδομένα έτοιμα για χρήση για όλους, αντιμετωπίζοντας την κεντρική πρόκληση των δεδομένων. Τα 3Vs των δεδομένων – όγκος, ταχύτητα και ποικιλία – έχουν παραμείνει μια συνεχής πρόκληση. Η βιομηχανία έχει κάνει κάποια πρόοδο στην αντιμετώπιση των προκλήσεων με τον όγκο και την ταχύτητα. Ωστόσο, η ποικιλία των δεδομένων έχει παραμείνει μια σημαντική εμπόδιο, καθώς η διάδοση νέων συστημάτων και εφαρμογών έχει οδηγήσει σε μια συνεχώς αυξανόμενη ποικιλία σε δομές και μορφές δεδομένων.

Η προσέγγιση της Nexla είναι να μοντελοποιήσει και να συνδέσει αυτόματα τα δεδομένα από διαφορετικές πηγές σε μια συνεπή, συσκευασμένη οντότητα, ένα προϊόν δεδομένων που ονομάζουμε Nexset. Αυτό επιτρέπει στους χρήστες να έχουν πρόσβαση και να εργάζονται με δεδομένα χωρίς να χρειάζεται να κατανοήσουν την υποκείμενη сложκότητα των διαφόρων πηγών και δομών δεδομένων. Ένα Nexset ενεργεί ως πύλη, παρέχοντας μια απλή, ευθύγραμμη διεπαφή στα δεδομένα.

Αυτό είναι κρίσιμο για τις σύγχρονες επιχειρήσεις, καθώς ermöglicht περισσότερους ανθρώπους, όχι μόνο μηχανικούς δεδομένων, να αξιοποιήσουν τα δεδομένα στη δουλειά τους. Απλοποιώντας την ποικιλία και την phứcκότητα των δεδομένων, τα Nexsets κάνουν δυνατή την πρόσβαση σε δεδομένα για επιχειρηματίες, αναλυτές και άλλους, χωρίς να απαιτούν εκτεταμένη τεχνική εμπειρία.

Επίσης, εργαστήκαμε για να κάνουμε την ενσωμάτωση εύκολη για λιγότερο τεχνικούς καταναλωτές δεδομένων – από τη διεπαφή χρήστη και τον τρόπο που οι άνθρωποι συνεργάζονται και κυβερνούν τα δεδομένα, μέχρι τον τρόπο που χτίζουν μετασχηματισμούς και ροές εργασίας. Η απλοποίηση της phứcκότητας της ποικιλίας των δεδομένων είναι κλειδί για τη δημοκρατικοποίηση της πρόσβασης σε δεδομένα και την ενδυνάμωση ενός ευρύτερου φάσματος χρηστών για να αξιοποιήσουν τα δεδομένα τους.

Αυτή είναι μια κρίσιμη ικανότητα για τις σύγχρονες επιχειρήσεις που αναζητούν να γίνουν πιο δεδομενο-κεντρικές και να αξιοποιήσουν δεδομενο-κεντρικές ερμηνείες σε όλη την οργάνωση.

Τι κάνει τα δεδομένα “έτοιμα για GenAI”, και πώς η Nexla αντιμετωπίζει αυτές τις απαιτήσεις αποτελεσματικά;

Η απάντηση εξαρτάται εν μέρει από το πώς χρησιμοποιείτε την GenAI. Η πλειονότητα των εταιρειών εφαρμόζει GenAI Retrieval Augmented Generation (RAG). Αυτό απαιτεί πρώτα την προετοιμασία και την κωδικοποίηση των δεδομένων για να φορτωθούν σε ένα διανυσματικό βάση δεδομένων και στη συνέχεια την ανάκτηση δεδομένων μέσω αναζήτησης για να προστεθούν ως контекστ σε ένα Large Language Model (LLM) που δεν έχει εκπαιδευτεί χρησιμοποιώντας αυτά τα δεδομένα. Έτσι, τα δεδομένα πρέπει να προετοιμαστούν με τέτοιο τρόπο ώστε να λειτουργούν καλά και για διανυσματικές αναζητήσεις και για LLMs.

Ανεξάρτητα από το εάν χρησιμοποιείτε RAG, Retrieval Augmented Fine-Tuning (RAFT) ή κάνετε εκπαίδευση μοντέλου, υπάρχουν κάποιες κρίσιμες απαιτήσεις:

• Μορφή δεδομένων: Τα GenAI LLMs συχνά λειτουργούν καλύτερα με δεδομένα σε μια συγκεκριμένη μορφή. Τα δεδομένα πρέπει να δομηθούν με τέτοιο τρόπο ώστε τα μοντέλα να μπορούν εύκολα να τα καταναλώσουν και να τα επεξεργαστούν. Επίσης, πρέπει να “κομπόστούν” με τέτοιο τρόπο ώστε να βοηθήσουν το LLM να χρησιμοποιήσει καλύτερα τα δεδομένα.
• Σύνδεση: Τα GenAI LLMs χρειάζονται να μπορούν να συνδέονται δυναμικά με τις σχετικές πηγές δεδομένων, αντί να βασίζονται σε στατικές σύνολα δεδομένων. Αυτό απαιτεί συνεχής σύνδεση με τα διάφορα εταιρικά συστήματα και αποθήκες δεδομένων.
• Ασφάλεια και κυβερνοποίηση: Όταν χρησιμοποιούνται ευαίσθητα εταιρικά δεδομένα, είναι κρίσιμο να υπάρχουν ισχυρά μέτρα ασφαλείας και κυβερνοποίησης. Η πρόσβαση και η χρήση των δεδομένων πρέπει να είναι ασφαλείς και να συμμορφώνονται με τις υπάρχουσες πολιτικές της οργάνωσης. Επίσης, πρέπει να κυβερνοποιούνται τα δεδομένα που χρησιμοποιούνται από LLMs για να προληφθούν οι διαρροές δεδομένων.
• Κλιμάκωση: Τα GenAI LLMs possono být δεδομενο- και υπολογιστικά-εντατικά, οπότε η υποκείμενη υποδομή δεδομένων πρέπει να μπορεί να κλιμακωθεί για να ανταποκριθεί στις απαιτήσεις αυτών των μοντέλων.

Η Nexla αντιμετωπίζει αυτές τις απαιτήσεις για να κάνει τα δεδομένα “έτοιμα για GenAI” με κάποιους κρίσιμους τρόπους:

• Δυναμική πρόσβαση δεδομένων: Η πλατφόρμα ενοποίησης δεδομένων της Nexla παρέχει ένα ενιαίο τρόπο για να συνδεθείτε με εκατοντάδες πηγές και να χρησιμοποιήσετε διάφορους τρόπους ενοποίησης και ταχύτητας δεδομένων, μαζί με ορχήστρα, για να δώσετε στα GenAI LLMs τα πιο πρόσφατα δεδομένα που χρειάζονται, όταν τα χρειάζονται, αντί να βασίζονται σε στατικά σύνολα δεδομένων.
• Προετοιμασία δεδομένων: Η Nexla έχει την ικανότητα να εξάγει, να μετασχηματίζει και να προετοιμάζει δεδομένα σε μορφές που είναι βελτιστοποιημένες για κάθε περίπτωση χρήσης GenAI, συμπεριλαμβανομένης της ενσωματωμένης κομπόστικής και υποστήριξης για πολλαπλά μοντέλα κωδικοποίησης.
• Αυτοεξυπηρέτηση και συνεργασία: Με τη Nexla, οι καταναλωτές δεδομένων δεν μόνο έχουν πρόσβαση σε δεδομένα και χτίζουν Nexsets και ροές εργασίας. Μπορούν επίσης να συνεργαστούν και να μοιραστούν το έργο τους μέσω μιας αγοράς που διασφαλίζει ότι τα δεδομένα είναι στη σωστή μορφή και βελτιώνει την παραγωγικότητα μέσω της επαναχρησιμοποίησης.
• Αυτόματη γεννήτρια: Η ενοποίηση και η GenAI είναι και οι δύο δύσκολες. Η Nexla αυτοματοποιεί πολλά από τα βήματα που χρειάζονται με βάση τις επιλογές του καταναλωτή δεδομένων – χρησιμοποιώντας τεχνητή νοημοσύνη και άλλες τεχνικές – ώστε οι χρήστες να μπορούν να κάνουν το έργο τους μόνοι τους.
• Κυβερνοποίηση και ασφάλεια: Η Nexla ενσωματώνει ισχυρά μέτρα ασφαλείας και κυβερνοποίησης σε όλη τη διάρκεια, συμπεριλαμβανομένης της συνεργασίας, για να διασφαλίσει ότι τα ευαίσθητα εταιρικά δεδομένα προσεγγίζονται και χρησιμοποιούνται με ασφαλή και συμμορφωμένο τρόπο.
• Κλιμάκωση: Η πλατφόρμα της Nexla είναι σχεδιασμένη για να κλιμακωθεί για να ανταποκριθεί στις απαιτήσεις των GenAI εργασιών, παρέχοντας την απαραίτητη υπολογιστική δύναμη και ελαστική κλίμακα.

Η συνδυασμένη ενοποίηση, αυτοεξυπηρέτηση και συνεργασία, αυτόματη γεννήτρια, και κυβερνοποίηση και ασφάλεια χρειάζονται να χτιστούν μαζί για να κάνουν τη δημοκρατικοποίηση των δεδομένων δυνατή.

Πώς συνεισφέρουν τα διαφορετικά είδη και πηγές δεδομένων στην επιτυχία των μοντέλων GenAI, και ποια είναι ο ρόλος της Nexla στη διευκόλυνση της διαδικασίας ενοποίησης;

Τα μοντέλα GenAI χρειάζονται πρόσβαση σε όλα τα είδη πληροφοριών για να παράγουν τις καλύτερες ερμηνείες και να γεννήσουν σχετικές εξόδους. Αν δεν παρέχετε αυτήν την πληροφορία, δεν πρέπει να περιμένετε καλά αποτελέσματα. Είναι το ίδιο με τους ανθρώπους.

Τα μοντέλα GenAI χρειάζονται να εκπαιδευτούν σε ένα ευρύ φάσμα δεδομένων, από δομημένα βάση δεδομένων σε αδομημένα έγγραφα, για να χτίσουν μια ολοκληρωμένη κατανόηση του κόσμου. Διαφορετικές πηγές δεδομένων, όπως άρθρα ειδήσεων, οικονομικές αναφορές και αλληλεπιδράσεις πελατών, παρέχουν πολύτιμη контекστιακή πληροφορία που αυτά τα μοντέλα μπορούν να αξιοποιήσουν. Η έκθεση σε διαφορετικά δεδομένα επίσης επιτρέπει στα μοντέλα GenAI να γίνουν πιο ευέλικτα και προσαρμόσιμα, επιτρέποντάς τους να χειριστούν ένα ευρύτερο φάσμα ερωτημάτων και εργασιών.

Η Nexla απλοποιεί την ποικιλία όλων αυτών των δεδομένων με τα Nexsets, και κάνει εύκολη την πρόσβαση几乎 σε οποιαδήποτε πηγή, και στη συνέχεια εξάγει, μετασχηματίζει, ορχηστρά και φορτώνει δεδομένα ώστε οι καταναλωτές δεδομένων να μπορούν να επικεντρωθούν μόνο στα δεδομένα, και να τα κάνουν έτοιμα για GenAI.

Ποια είναι οι τάσεις που διαμορφώνουν το οικοσύστημα δεδομένων το 2025 και πέρα, ιδιαίτερα με την άνοδο της GenAI;

Οι εταιρείες έχουν κυρίως επικεντρωθεί στο να χρησιμοποιήσουν GenAI για να χτίσουν βοηθούς, ή συνπιλότους, για να βοηθήσουν τους ανθρώπους να βρουν απαντήσεις και να λάβουν καλύτερες αποφάσεις. Η Agentic AI, πράκτορες που αυτοματοποιούν εργασίες χωρίς την εμπλοκή ανθρώπων, είναι σίγουρα μια αυξανόμενη τάση καθώς προχωρούμε στο 2025. Οι πράκτορες, όπως και οι συνπιλότοι, χρειάζονται ενοποίηση για να διασφαλίσουν ότι τα δεδομένα ρέουν ομαλά–όχι μόνο σε μια κατεύθυνση αλλά και σε ενεργοποίηση της τεχνητής νοημοσύνης να ενεργήσει σε αυτά τα δεδομένα.

Μια άλλη σημαντική τάση για το 2025 είναι η αυξανόμενη πολυπλοκότητα των συστημάτων AI. Αυτά τα συστήματα γίνονται πιο σύνθετα συνδυάζοντας компоненты από διαφορετικές πηγές για να δημιουργήσουν ολοκληρωμένες λύσεις. Είναι παρόμοιο με το πώς οι άνθρωποι εξαρτώνται από διάφορα εργαλεία καθ’ όλη τη διάρκεια της ημέρας για να ολοκληρώσουν εργασίες. Τα συστήματα AI θα ακολουθήσουν αυτήν την προσέγγιση, ορχηστρώντας πολλαπλά εργαλεία και компоненты. Αυτή η ορχήστρα παρουσιάζει μια σημαντική πρόκληση αλλά και μια κρίσιμη περιοχή ανάπτυξης.

Από την πλευρά της τάσεων, βλέπουμε μια ώθηση προς την προώθηση της γεννητικής τεχνητής νοημοσύνης πέρα από την απλή αντιστοίχιση προτύπων σε πραγματική λογική. Υπάρχει πολύ τεχνολογική πρόοδος που συμβαίνει σε αυτόν τον χώρο. Αν και αυτές οι προόδους μπορεί να μην μεταφραστούν πλήρως σε εμπορική αξία το 2025, αντιπροσωπεύουν την κατεύθυνση που προχωρούμε.

Μια άλλη κρίσιμη τάση είναι η αυξανόμενη εφαρμογή της τεχνολογίας επιταχύνσεων για την τεχνητή νοημοσύνη, ιδιαίτερα με εταιρείες όπως η Nvidia. Παραδοσιακά, οι GPU έχουν χρησιμοποιηθεί εκτενώς για την εκπαίδευση μοντέλων AI, αλλά η inferencing – το σημείο όπου το μοντέλο είναι ενεργό – γίνεται εξίσου σημαντική. Μπορούμε να περιμένουμε βελτιώσεις στην оптимποίηση της inferencing, καθιστώντας την πιο αποτελεσματική και επηρεαστική.

Επιπλέον, υπάρχει μια συνειδητοποίηση ότι τα διαθέσιμα δεδομένα εκπαίδευσης έχουν größtenteils maxed out. Αυτό σημαίνει ότι περαιτέρω βελτιώσεις στα μοντέλα δεν θα προέλθουν από την προσθήκη περισσότερων δεδομένων κατά την εκπαίδευση, αλλά από το πώς τα μοντέλα λειτουργούν κατά την inferencing. Κατά τη διάρκεια της inferencing, η αξιοποίηση νέας πληροφορίας για να βελτιώσει τα αποτελέσματα του μοντέλου γίνεται κρίσιος στόχος.

Ενώ κάποιες ενθουσιάστικες τεχνολογίες αρχίζουν να φτάνουν τα όριά τους, νέες προσεγγίσεις θα συνεχίσουν να αναδύονται, υπογραμμίζοντας την importance της ευελιξίας για τις οργανώσεις που υιοθετούν AI. Αυτό που λειτουργεί καλά σήμερα μπορεί να γίνει ξεπερασμένο μέσα σε έξι μήνες έως ένα χρόνο, οπότε πρέπει να είστε προετοιμασμένοι να προσθέσετε ή να αντικαταστήσετε πηγές δεδομένων και οποιαδήποτε компонента των AI pipelines. Η διατήρηση της ευελιξίας και της ανοικτότητας στις αλλαγές είναι κρίσιμη για τη διατήρηση του ρυθμού με το γρήγορα εξελισσόμενο τοπίο.

Ποια στρατηγικές μπορούν οι οργανώσεις να υιοθετήσουν για να καταστρέψουν τα δεδομένα-σιλός και να βελτιώσουν τη ροή δεδομένων σε όλο το σύστημα;

Πρώτα, οι άνθρωποι πρέπει να αποδεχθούν ότι τα δεδομένα-σιλός θα πάντα υπάρχουν. Αυτό έχει πάντα υπάρξει. Πολλές οργανώσεις προσπαθούν να κεντρίσουν όλα τα δεδομένα τους σε ένα σημείο, πιστεύοντας ότι θα δημιουργήσουν ένα ιδανικό σύστημα και θα ξεκλειδώσουν σημαντική αξία, αλλά αυτό αποδεικνύεται σχεδόν αδύνατο. Συχνά γίνεται μια μακρά, δαπανηρή, πολυετής προσπάθεια, ιδιαίτερα για μεγάλες επιχειρήσεις.

Έτσι, η πραγματικότητα είναι ότι τα δεδομένα-σιλός είναι εδώ για να μείνουν. Μόλις το αποδεχθούμε, η ερώτηση γίνεται: Πώς μπορούμε να εργαστούμε με τα δεδομένα-σιλός πιο αποτελεσματικά;

Μια χρήσιμη αναλογία είναι να σκεφτείτε τις μεγάλες εταιρείες. Κανένα μεγάλο σώμα δεν λειτουργεί από ένα μόνο γραφείο όπου όλοι εργάζονται μαζί παγκοσμίως. Αντίθετα, chiaζονται σε κεντρικά γραφεία και πολλά γραφεία. Ο στόχος δεν είναι να αντισταθούμε σε αυτήν την φυσική διαίρεση, αλλά να διασφαλίσουμε ότι αυτά τα γραφεία μπορούν να συνεργαστούν αποτελεσματικά. Για αυτόν τον λόγο, επενδύουμε σε εργαλεία παραγωγικότητας όπως το Zoom ή το Slack – για να συνδέσουμε τους ανθρώπους και να ενεργοποιήσουμε ομαλές ροές εργασίας μεταξύ των τοποθεσιών.

Ομοίως, τα δεδομένα-σιλός είναι διακεκομμένα συστήματα που θα πάντα υπάρχουν μεταξύ ομάδων, τμημάτων ή άλλων ορίων. Ο στόχος δεν είναι να τα καταστρέψουμε, αλλά να τα κάνουμε να λειτουργούν μαζί ομαλά. Γνωρίζοντας αυτό, μπορούμε να επικεντρωθούμε στις τεχνολογίες που διευκολύνουν αυτές τις συνδέσεις.

Για παράδειγμα, τεχνολογίες όπως τα Nexsets παρέχουν ένα κοινό.interface ή ένα επίπεδο αφαίρεσης που λειτουργεί σε διαφορετικές πηγές δεδομένων. Βάσει της λειτουργίας τους ως πύλης προς τα δεδομένα-σιλός, απλοποιούν τη διαδικασία της αλληλεπίδρασης με δεδομένα που διασκορπίζονται σε διάφορους σιλός. Αυτό δημιουργεί αποτελεσματικότητα και ελαχιστοποιεί τις αρνητικές επιπτώσεις των σιλώσεων.

Στην ουσιαστική, η στρατηγική πρέπει να είναι για την ενίσχυση της συνεργασίας μεταξύ σιλώσεων αντί να προσπαθήσουμε να τις καταστρέψουμε. Πολλές επιχειρήσεις κάνουν το λάθος να προσπαθούν να συνενώσουν όλα τα δεδομένα τους σε một μεγάλο λίμνη δεδομένων. Αλλά, για να είμαι ειλικρινής, αυτό είναι ένας σχεδόν αδύνατος αγώνας να κερδηθεί.

Πώς αντιμετωπίζουν οι σύγχρονες πλατφόρμες δεδομένων προκλήσεις όπως η ταχύτητα και η κλιμάκωση, και τι διακρίνει την Nexla στην αντιμετώπιση αυτών των ζητημάτων;

Ο τρόπος που το βλέπω, πολλά εργαλεία στο σύγχρονο στοίβα δεδομένων αρχικά σχεδιάστηκαν με εστίαση στην ευκολία χρήσης και την ταχύτητα ανάπτυξης, που προήλθε από την καθιστά τους εργαλεία πιο προσιτά – επιτρέποντας στους αναλυτές μάρκετινγκ να μεταφέρουν δεδομένα από μια πλατφόρμα μάρκετινγκ απευθείας σε ένα εργαλείο οπτικοποίησης, για παράδειγμα. Η εξέλιξη αυτών των εργαλείων συχνά εμπλεκόταν στην ανάπτυξη λύσεων σημείου, ή εργαλείων που σχεδιάστηκαν για να λύσουν συγκεκριμένα, στενά ορισμένα προβλήματα.

Όταν μιλάμε για κλιμάκωση, οι άνθρωποι συχνά σκέφτονται την κλιμάκωση σε όρους χειρισμού μεγαλύτερων όγκων δεδομένων. Αλλά η πραγματική πρόκληση της κλιμάκωσης προέρχεται από δύο κύριους παράγοντες: τον αυξανόμενο αριθμό ανθρώπων που χρειάζεται να εργαστούν με δεδομένα, και την αυξανόμενη ποικιλία συστημάτων και τύπων δεδομένων που οι οργανώσεις χρειάζεται να διαχειριστούν.

Τα σύγχρονα εργαλεία, sendo highly εξειδικευμένα, tend να λύνουν μόνο ένα μικρό υποσύνολο αυτών των προκλήσεων. Ως αποτέλεσμα, οι οργανώσεις τελικά χρησιμοποιούν πολλά εργαλεία, το καθένα από τα οποία αντιμετωπίζει ένα μόνο πρόβλημα, το οποίο τελικά δημιουργεί τις δικές του προκλήσεις, όπως η υπερφόρτωση εργαλείων και η ανεπάρκεια.

Η Nexla αντιμετωπίζει αυτό το ζήτημα ισορροπώντας προσεκτικά την ευκολία χρήσης και την ευελιξία. Από την μια πλευρά, παρέχουμε απλότητα μέσω χαρακτηριστικών όπως προτυπωμένα και φιλικές προς τον χρήστη διεπαφές. Από την άλλη πλευρά, προσφέρουμε ευελιξία και ικανότητες που είναι φιλικές προς τους développers, επιτρέποντας στις ομάδες να βελτιώνουν συνεχώς την πλατφόρμα. Οι développers μπορούν να προσθέσουν νέες ικανότητες στο σύστημα, αλλά αυτές οι βελτιώσεις παραμένουν προσιτές ως απλά κουμπιά και κλικ για μη τεχνικούς χρήστες. Αυτή η προσέγγιση αποφεύγει την παγίδα των υπερεξειδικευμένων εργαλείων ενώ παράλληλα προσφέρει ένα ευρύ φάσμα λειτουργιών επιχείρησης.

Τι πραγματικά διακρίνει την Nexla είναι η ικανότητά της να συνδυάσει την ευκολία χρήσης με την κλιμάκωση και το εύρος που απαιτούν οι οργανώσεις. Η πλατφόρμα μας συνδέει αυτούς τους δύο κόσμους ομαλά, επιτρέποντας στις ομάδες να εργαστούν αποτελεσματικά χωρίς να συμβιβαστούν με την δύναμη ή την ευελιξία.

Μια από τις κύριες δυνάμεις της Nexla έγκειται στην αφηρημένη αρχιτεκτονική της. Για παράδειγμα, ενώ οι χρήστες μπορούν να σχεδιάσουν οπτικά μια πipeline δεδομένων, ο τρόπος με τον οποίο αυτή η πipeline εκτελείται είναι υψηλά προσαρμόσιμος. Ανεξάρτητα από τις απαιτήσεις του χρήστη – όπως η πηγή, ο προορισμός, ή εάν τα δεδομένα χρειάζονται να είναι σε πραγματικό χρόνο – η πλατφόρμα αντιστοιχίζει αυτόματα την πipeline σε μία από τις έξι διαφορετικές μηχανές. Αυτό διασφαλίζει την βέλτιστη απόδοση χωρίς να απαιτείται από τους χρήστες να διαχειριστούν αυτές τις phứcικότητες χειροκίνητα.

Η πλατφόρμα είναι επίσης χαλαρά συνδεδεμένη, που σημαίνει ότι τα συστήματα πηγής και προορισμού είναι αποσυνδεμένα. Αυτό επιτρέπει στους χρήστες να προσθέσουν εύκολα περισσότερους προορισμούς σε υπάρχουσες πηγές, να προσθέσουν περισσότερες πηγές σε υπάρχοντες προορισμούς, και να ενεργοποιήσουν αμφίδρομες ενοποιήσεις μεταξύ συστημάτων.

Είναι σημαντικό ότι η Nexla απλοποιεί το σχεδιασμό των πipelines ώστε οι χρήστες να μπορούν να χειρίζονται δεδομένα batch, streaming δεδομένα, και δεδομένα σε πραγματικό χρόνο χωρίς να αλλάζουν τις ροές εργασίας ή τα σχέδια. Η πλατφόρμα προσαρμόζεται αυτόματα σε αυτές τις ανάγκες, καθιστώντας εύκολη την εργασία με δεδομένα σε οποιαδήποτε μορφή ή ταχύτητα. Αυτό είναι περισσότερο σχετικά με τη σκέψη του σχεδιασμού παρά με την ειδικότητα της γλώσσας προγραμματισμού, διασφαλίζοντας μια ομαλή εμπειρία.

Όλα αυτά δείχνουν ότι χτίστηκε η Nexla με τον τελικό καταναλωτή δεδομένων στο νου. Πολλά παραδοσιακά εργαλεία σχεδιάστηκαν για εκείνους που παράγουν δεδομένα ή διαχειρίζονται συστήματα, αλλά εμείς επικεντρωθήκαμε στις ανάγκες των καταναλωτών δεδομένων που θέλουν συνεπείς, ευθείες διεπαφές για να έχουν πρόσβαση σε δεδομένα, ανεξάρτητα από την πηγή τους. Η προτεραιότητα της εμπειρίας του καταναλωτή μας επέτρεψε να σχεδιάσουμε μια πλατφόρμα που απλοποιεί την πρόσβαση σε δεδομένα ενώ διατηρεί την ευελιξία που χρειάζεται για να υποστηρίξει διάφορα σενάρια.

Μπορείτε να μοιραστείτε παραδείγματα του πώς τα χαρακτηριστικά no-code και low-code έχουν μεταμορφώσει τη μηχανική δεδομένων για τους πελάτες σας;

Τα χαρακτηριστικά no-code και low-code έχουν μετατρέψει τη διαδικασία μηχανικής δεδομένων σε μια πραγματικά συνεργατική εμπειρία για τους χρήστες. Για παράδειγμα, στο παρελθόν, η ομάδα λογιστικών εργασιών της DoorDash , η οποία διαχειρίζεται δεδομένα για εμπόρους, χρειαζόταν να παρέχει απαιτήσεις στην ομάδα μηχανικής. Οι μηχανικοί θα χτίζαν λύσεις, οδηγώντας σε μια επαναλαμβανόμενη διαδικασία που κατανάλωνε πολύ χρόνο.

Τώρα, με τα χαρακτηριστικά no-code και low-code, αυτή η δυναμική έχει αλλάξει. Η ημερήσια ομάδα λειτουργιών μπορεί να χρησιμοποιήσει μια διεπαφή low-code για να χειριστεί τις εργασίες της. Εν τω μεταξύ, η ομάδα μηχανικής μπορεί να προσθέσει γρήγορα νέες λειτουργίες και ικανότητες μέσω της ίδιας πλατφόρμας low-code, επιτρέποντας άμεσες ενημερώσεις. Η ομάδα λειτουργιών μπορεί στη συνέχεια να χρησιμοποιήσει αυτές τις λειτουργίες χωρίς καθυστερήσεις.

Αυτή η μετάβαση έχει μετατρέψει τη διαδικασία σε μια συνεργατική προσπάθεια αντί για μια δημιουργική σφραγίδα, οδηγώντας σε σημαντική экономία χρόνου. Οι πελάτες έχουν αναφέρει ότι εργασίες που προηγουμένως χρειάζονταν δύο έως τρεις μήνες μπορούν τώρα να ολοκληρωθούν σε λιγότερο από δύο εβδομάδες – μια βελτίωση 5x έως 10x στην ταχύτητα.

Πώς εξελίσσεται ο ρόλος της μηχανικής δεδομένων, ιδιαίτερα με την αυξανόμενη υιοθέτηση της AI;

Η μηχανική δεδομένων εξελίσσεται ταχύτατα, οδηγούμενη από την αυτοματοποίηση και τις προόδους όπως η GenAI. Πολλά аспектια του πεδίου, όπως η γεννήτρια κώδικα και η δημιουργία συνδετών, γίνονται πιο γρήγορες και αποτελεσματικές. Για παράδειγμα, με τη GenAI, ο ρυθμός με τον οποίο μπορούν να δημιουργηθούν, να δοκιμαστούν και να αναπτυχθούν συνδέτες έχει βελτιωθεί δραματικά. Αλλά αυτή η πρόοδος επίσης εισάγει νέες προκλήσεις, συμπεριλαμβανομένης της αυξανόμενης phứcικότητας, των προβλημάτων ασφαλείας και της ανάγκης για ρωστή κυβερνοποίηση.

Μια επείγουσα ανησυχία είναι η πιθανότητα κακοποίησης των εταιρικών δεδομένων. Οι επιχειρήσεις ανησυχούν για την πιθανότητα να χρησιμοποιηθούν τα δεδομένα τους για να εκπαιδεύσουν μοντέλα AI και να χάσουν το ανταγωνιστικό τους πλεονέκτημα ή να υποστούν μια διαρροή δεδομένων. Η αυξανόμενη πολυπλοκότητα των συστημάτων και ο τεράστιος όγκος δεδομένων απαιτούν από τις ομάδες μηχανικής δεδομένων να υιοθετήσουν μια ευρύτερη προοπτική, εστιάζοντας σε υπερ-συστημικές προκλήσεις όπως η ασφάλεια, η κυβερνοποίηση και η διασφάλιση της ακεραιότητας των δεδομένων. Αυτές οι προκλήσεις δεν μπορούν να λυθούν απλώς με την AI.

Ενώ η γεννητική AI μπορεί να αυτοματοποιήσει χαμηλού επιπέδου εργασίες, ο ρόλος της μηχανικής δεδομένων μετατοπίζεται προς την ορχήστρα του ευρύτερου οικοσυστήματος. Οι μηχανικοί δεδομένων τώρα ενεργούν περισσότερο σαν διευθυντές, διαχειριζόμενοι πολλά διασυνδεμένα компонента και διαδικασίες, όπως τη ρύθμιση φραγμών για να αποτρέψουν λάθη ή μη εξουσιοδοτημένη πρόσβαση, διασφαλίζοντας τη συμμόρφωση με πρότυπα κυβερνοποίησης και παρακολουθώντας τον τρόπο με τον οποίο τα AI-γεννημένα αποτελέσματα χρησιμοποιούνται σε επιχειρηματικές αποφάσεις.

Λάθη και λάθη σε αυτά τα συστήματα μπορούν να είναι δαπανηρά. Για παράδειγμα, τα συστήματα AI μπορεί να τραβήξουν παλιά πολιτική πληροφορία, οδηγώντας σε λάθος απαντήσεις, όπως η υπόσχεση επιστροφής χρημάτων σε πελάτη όταν δεν επιτρέπεται. Αυτού του είδους τα ζητήματα απαιτούν αυστηρή εποπτεία και καλά ορισμένες διαδικασίες για να πιάσουν και να αντιμετωπίσουν αυτά τα λάθη πριν επηρεάσουν την επιχείρηση.

Μια άλλη κρίσιμη ευθύνη για τις ομάδες μηχανικής δεδομένων είναι να προσαρμοστούν στη μετατόπιση της δημογραφίας των χρηστών. Τα εργαλεία AI δεν είναι πλέον περιορισμένα σε αναλυτές ή τεχνικούς χρήστες που μπορούν να αμφισβητήσουν την εγκυρότητα των αναφορών και των δεδομένων. Αυτά τα εργαλεία τώρα χρησιμοποιούνται από άτομα στα άκρα της οργάνωσης, όπως οι πράκτορες υποστήριξης πελατών, οι οποίοι μπορεί να μην έχουν την εμπειρία για να αμφισβητήσουν λάθος εξόδους. Αυτή η ευρύτερη δημοκρατικοποίηση της τεχνολογίας αυξάνει την ευθύνη των ομάδων μηχανικής δεδομένων για να διασφαλίσουν την ακρίβεια και την αξιοπιστία των δεδομένων.

Ποια νέα χαρακτηριστικά ή προόδους μπορεί να περιμένουμε από την Nexla καθώς το πεδίο της μηχανικής δεδομένων συνεχίζει να εξελίσσεται;

Εστιάζουμε σε πολλές προόδους για να αντιμετωπίσουμε τις αναδυόμενες προκλήσεις και ευκαιρίες καθώς η μηχανική δεδομένων εξελίσσεται. Μια από αυτές είναι η AI-ωδηγμένη λύση για να αντιμετωπίσουμε την ποικιλία των δεδομένων. Μια από τις μεγάλες προκλήσεις στη μηχανική δεδομένων είναι η διαχείριση της ποικιλίας των δεδομένων από διαφορετικές πηγές, οπότε χρησιμοποιούμε την AI για να απλοποιήσουμε αυτήν τη διαδικασία. Για παράδειγμα, όταν λαμβάνουμε δεδομένα από εκατοντάδες διαφορετικούς εμπόρους, το σύστημα μπορεί να χαρτογραφήσει αυτόματα τα δεδομένα σε μια τυποποιημένη δομή. Σήμερα, αυτή η διαδικασία συχνά απαιτεί σημαντική ανθρώπινη εισαγωγή, αλλά οι AI-ωδηγμένες ικανότητες της Nexla στοχεύουν να ελαχιστοποιήσουν την ручную εργασία και να βελτιώσουν την αποτελεσματικότητα.

Επίσης, εργαζόμαστε για να προχωρήσουμε την τεχνολογία συνδετών για να υποστηρίξουμε την επόμενη γενιά των ροών εργασίας δεδομένων, συμπεριλαμβανομένης της ικανότητας να δημιουργήσουμε εύκολα νέους πράκτορες. Αυτοί οι πράκτορες επιτρέπουν αβίαστες συνδέσεις σε νέα συστήματα και να εκτελέσουν συγκεκριμένες ενέργειες μέσα σε αυτά τα συστήματα. Αυτό είναι ιδιαίτερα προσανατολισμένο στις αυξανόμενες ανάγκες των χρηστών GenAI και την κάνουν εύκολη την ενοποίηση και την αλληλεπίδραση με διάφορα πλαίσια.

Τρίτον, συνεχίζουμε να καινοτομούμε στην βελτίωση της παρακολούθησης και της ποιότητας. Καθώς περισσότεροι χρήστες καταναλώνουν δεδομένα σε διάφορα συστήματα, η σημασία της παρακολούθησης και της διασφάλισης της ποιότητας των δεδομένων έχει αυξηθεί σημαντικά. Ο στόχος μας είναι να παρέχουμε ρωστές εργαλεία για την παρακολούθηση του συστήματος και την ποιότητα για να διασφαλίσουμε ότι τα δεδομένα παραμένουν αξιόπιστα και λειτουργικά ακόμη και όταν η χρήση κλιμακώνεται.

Τέλος, η Nexla λαμβάνει βήματα για να ανοίξει κάποιες από τις βασικές ικανότητές της. Η σκέψη είναι ότι μοιράζοντας την τεχνολογία μας με την ευρύτερη κοινότητα, μπορούμε να ενδυναμώσουμε περισσότερους ανθρώπους να αξιοποιήσουν προηγμένα εργαλεία και λύσεις μηχανικής δεδομένων, που αντανακλώνει την δέσμευσή μας για την προώθηση της καινοτομίας και της συνεργασίας στο πεδίο.

Ευχαριστούμε για τις υπέροχες απαντήσεις, οι αναγνώστες που επιθυμούν να μάθουν περισσότερα πρέπει να επισκεφθούν την Nexla.