Jay Mishra, Astera Softwaren COO – Haastattelusarja

Jay Mishra on Astera Softwaren operatiivinen johtaja (COO), nopeasti kasvava yritys, joka tarjoaa enterprise-valmiita data-ratkaisuja. He auttavat liiketoimintakäyttäjiä silttämään datasta oivallukseen käyttämällä helppokäyttöisiä, mutta suorituskykyisiä data-eristys-, data-laatu-, data-integrointi-, data-warehouse- ja sähköisen data-vaihto-ratkaisuja, joita käytetään sekä keskisuurten että Fortune 500 -yritysten parissa eri aloilla.

Mikä alun perin veti sinut tietojenkäsittelytieteeseen?

Olen aina ollut syvästi kiinnostunut matematiikasta, ja matkani tietojenkäsittelytieteeseen oli luonnollinen laajennus siitä. Yliopistotutkintoni oli matematiikassa ja tietojenkäsittelytieteessä, ja se oli looginen askel matematiikan maailmasta tietojenkäsittelytieteen valtakuntaan, joka kiinnosti minua. Erityisesti algoritmien ja edistyneiden algoritmisten prosessien monimutkaiset toimintatavat saivat minut kiinnostumaan, ja se johti minun erikoistumiseen algoritmeihin tietojenkäsittelytieteen jatko-opintoinani. Siitä lähtien yhteys tietojenkäsittelytieteeseen on ollut vahva, ja pyrin jatkuvasti pysyä kärryillä viimeisimmistä kehityksistä alalla.

Olet tällä hetkellä Astera Softwaren COO, voitko kertoa meille, mitä tehtäväsi sisältää päivittäin?

Asteran COOna roolini on monipuolinen, heijastellen yrityksemme dynaamista luonnetta. Olen ollut Asterassa sen perustamisesta lähtien, ja vastuualueeni on kattanut eri osa-alueita organisaatiostamme. Tähän kuuluu kaikki aina tuotteidemme kehittämisestä ja koodauksesta varmistamaan, että ominaisuudet ovat linjassa asiakkaiden kehittyvien tarpeiden kanssa. Työskentelen läheisesti asiakkaiden kanssa, ja yhdessä heidän kanssaan jalostamme ratkaisuja. Vastuualueeni ulottuu tuotteen kehittämisen ulkopuolelle myös myyntiin ja markkinointiin, jossa viemme tarjoamuksemme markkinoille.

Koska olemme kasvuvaiheessa, olen ottanut vastuulleni muita tehtäviä, kuten valvomista tuloksellisista tavoitteistamme ja strategista laajentamista uusille markkinoille tuoteportfoliota laajentamalla. Periaatteessa minulla on osuus lähes jokaisessa toimintamme osa-alueessa, varmistaen, että rakennamme poikkeuksellisia tuotteita, mutta myös viemme ne menestyksekkäästi markkinoille ja saavutamme liiketoimintatavoitteemme.

Mitä data-warehouse tarkoittaa niille, jotka eivät ole tuttuja tämän termille?

Data-warehouse on arkkitehtoninen malli, jota käytetään koko yrityksen datan konsolidoimiseen keskitettyyn varastoon, josta voidaan generoida erilaisia analyysejä, raportteja ja dashboard-eja, jotka esittävät oikean kuvan siitä, missä liiketoimintasi on ja myös ennustavat, miten liiketoimintasi tulee menemään tulevaisuudessa. Tämän kaiken hoitamiseksi tuot dataa tietyn tavoin ja arkkitehtuuri, jota kutsutaan data-warehouseksi, on suunniteltu siten, että raportointi, erityisesti aikajanan perusteella, on helppoa.

Termi on otettu todellisesta varastosta, jossa tuotteidesi ovat järjestettyjä hyllyillä. Mutta kun puhutaan datasta, tuot dataa eri lähteistä. Tuot dataa tuotannosta, verkkosivustoltasi, asiakkailtasi, myynti- ja markkinointiosastoltasi, talous- ja henkilöstöosastoltasi. Tuot kaiken datan yhteen ja se on sitä, mitä kutsutaan data-warehouseksi, ja se on suunniteltu siten, että raportointi, erityisesti aikajanan perusteella, on helppoa. Tämä on data-warehouse:n ydinidea.

Mitä ovat joitain tärkeitä trendejä data-warehousingissa tällä hetkellä?

Data-warehousing on kehittynyt paljon viimeisten 20-25 vuoden aikana. Noin kymmenen vuotta sitten näimme automaattisen data-warehousingin syntymän, joka oli paradigmamuutos, joka kiihdytti datamallien ja data-warehousejen rakentamisprosessia. Viimeaikaisesti automaatio on noussut etualalle. Se kohdistuu data-warehousingin toistuvan luonteen, suorittaa prosessit tehokkaammin ja säästää aikaa ja resursseja.

Meidän tuotteemme, kuten Astera Data Warehouse Builder, esimerkiksi, tarjoaa holistisen lähestymistavan automaatioon data-warehousingissa. Se kattaa kaiken automaattisesta ETL (Extract, Transform, Load) -putkien ja data-mallien luomisesta automaattiseen datan lataamiseen rakenteisiin, kuten tähtirakenteisiin tai data-vaultteihin. Lisäksi se ylläpitää näitä rakenteita muutoksen havaitsemisen (Change Data Capture, CDC) mekanismien kautta. Tämä kattava automaatio on noussut tärkeäksi trendiksi data-warehousingin maisemassa.

Lisäksi viimeisin trendi on fuusio data-warehousingin ja tekoälyn (AI) välillä. Erityisesti generatiivinen AI on vienyt automaation uudelle tasolle. Se ei ainoastaan automatisoi tehtäviä, vaan myös auttaa käyttäjiä päätöksenteossa.

Data-warehousingin komponenttien, putkien ja päätöksentekopisteiden konfigurointi voidaan ohjata AI:lla, mikä tekee data-warehousingista voimakkaamman ja tehokkaamman kuin koskaan aiemmin. Perusidea on, että tämä on automaatio steroidien avulla, ja se muuttaa data-warehousingin maisemaa. Data-warehousingin ja AI:n leikkauskohta on trendi, jolla on valtava lupa tulevaisuudelle.

Mitä neljää periaatetta yritysten tulisi ottaa huomioon data-warehouse-kehityksessään?

1. Määrittele Selkeät Tavoitteet

On tärkeää aloittaa ymmärtämällä tarkalleen, mitä tarvitset data-warehousestasi. Vältä yleistä virhettä, jossa keräät liikaa dataa ilman selkeää tarkoitusta. Sen sijaan määrittele tarkat tavoitteet, joita haluat saavuttaa data-warehousellasi. Mitkä raportit ja oivallukset etsit? Keskittymällä tavoitteisiisi voit varmistaa, että tuot vain sellaisen datan, joka on relevanttia, eikä kerää suuria määriä tietoa ilman tarkoitusta. Ottaen huomioon tallennus- ja laskentakapasiteetin laskeneet kustannukset, on tärkeää käyttää näitä resursseja älykkäästi ja eettisesti.

2. Valitse Oikea Arkkitehtoninen Malli

Arkkitehtoniset mallit ovat erittäin tärkeitä. Ne päättävät, onko data-warehousing-ratkaisusi menestyksekäs vai ei. On erilaisia vaihtoehtoja, kuten Inmon-tyyppinen data-warehousing, Ralph Kimballin tähtirakenteet sekä uudempia malleja, kuten Data Vault ja yksi suuri taulu -lähestymistapa, jonka tukkivat columna-tietokantavalmistajat. Kaikki mallit eivät sovi jokaiseen skenaarioon.

Näemme usein yhdistelmän Data Vaultin ja Star Scheman, jossa Star Schema on Data Vaultin päällä. Mutta, kuten sanoin, jokaiselle vaatimukselle tai skenaariolle on olemassa eri vastaus. Suorita se asiantuntijoiden läpi, ja katso, mikä arkkitehtoninen malli on hyvä sopimus skenaariollesi.

3. Valitse Oikeat Työkalut

Ne ovat erittäin tärkeitä ja ne tekevät suuren eron sekä ajan että resurssien suhteen, jotka tarvitaan ratkaisun rakentamiseen ja ylläpitämiseen. Työkalut määrittävät ratkaisun laadun, joka määräytyy tuotteiden ominaisuuksien perusteella. Kiinnitä paljon huomiota tuotteiden ominaisuuksiin ja katso tuotteita, jotka voivat kattaa useimmat vaatimukset yhden valtion alla. On tiettyjä alueita, kuten ETL (Extract, Transform, Load), data-laatu, data-mallinnus, data-lataus ja data-julkaisu, jotka kaikki ovat merkittäviä. Jos yrität käyttää useita tuotteita näille alueille, se tulee olemaan vaikeaa. Katso tuotteita, jotka voidaan käyttää tekemään useimpia näistä eri osista.

4. Tiimisi

Viimeinen, mutta ei vähäisimmin, tiimi, jonka kokoat data-warehouse-ratkaisun rakentamiseksi, on tärkein osa. Suosittelemme, että sinulla on joku, jolla on vahva tausta data-arkkitehtuurisissa malleissa. Tiimin koostumus on cross-funktionaalisia tiimejä, joissa on sekä liiketoimintakäyttäjiä että henkilöitä, joilla on jonkin verran ohjelmointitaustaa tai ainakin data-asiantuntemusta, ja läheinen yhteistyö data-huoltajien, datan vastuullisten ja liiketoiminnan välillä. Läheisen yhteistyön edistäminen näiden eri organisaatioiden osien välillä voivat luoda yhtenäisen ja tehokkaan tiimin, joka on vastuussa data-warehousing-ratkaisun rakentamisesta ja ylläpitämisestä.

Menestys data-warehousingissa riippuu näiden neljän periaatteen tasapainosta. Nämä periaatteet, kun noudatetaan tarkkaan, ovat osoittautuneet menestykseksi kokemuksissamme.

Miksi yrityksillä on tarve modernille data-pinoon?

Se riippuu siitä, miten määrittelemme “modernin”. Se muuttuu jatkuvasti, joskus vuoden, kuukauden ja jopa päivän mukaan. Meidän on tarkasteltava modernia työkalupakettia, joka on suunniteltu muuttuvan datamaailman tarpeisiin. Viime vuosina on ollut merkittäviä muutoksia datan luonteessa ja määrässä. Big Datassa tapahtuneet muutokset ovat muuttaneet datamaailmaa, ja dataa virtaa lähteistä, kuten e-commerce-sivustoista, tuotantotietokannoista ja liiketoiminnan eri osista.

Tiedon määrä on muuttunut sekä määrältään että luonteeltaan. Aikaisemmin data oli pääasiassa rakennettua, mutta nyt ei-rakennettu data on merkittävässä roolissa. Lisäksi datan generoimisen ja käytettävyyden nopeus on lisääntynyt. Näiden muutosten vuoksi meidän on jatkuvasti arvioitava ja sopeutettava työkalupakettiamme tehokkaasti vastaamaan näitä kehittyviä data-haasteita.

Moderni data-pino on suunniteltu käsittelemään kaikkia datan muotoja ja nopeutta, ja se on hyvin varusteltu sopeutumaan uusiin arkkitehtonisiin malleihin, jotka ovat kehittyneet viime vuosina. Siksi, jos haluat hyödyntää parhaalla tavalla dataasi, sinun on modernisoitava data-pinoasi. Se on ainoa tapa pysyä kärryillä uusien data-haasteiden kanssa.

Olemme nähneet, että yritykset usein pysyvät olemassa olevissa ratkaisuissa, jotka näyttävät toimivan. On tärkeää tunnistaa, että data itsessään on luonteeltaan dynaaminen. Se kehittyy jatkuvasti, tarjoaa uusia haasteita ja mahdollisuuksia. Olemassa olevat ratkaisut eivät välttämättä ole valmiita sopeutumaan näihin muutoksiin. Siksi yritysten on omaksuttava modernin data-pinoon käsite, jotta ne voivat hyödyntää datansa täysimääräisesti. Se ei ole kyse siitä, että mitä on rikkoa, mitä toimii, vaan siitä, että pysyt kärryillä ja reagoit datan muuttuvaan luonteeseen. Jatkuvasti arvioimalla ja integroimalla edistystä data-teknologiassa yritykset voivat pysyä kilpailukykyisinä ja tehdä perusteltuja päätöksiä yhä enemmän data-ohjatussa maailmassa.

Mitä ovat joitain nykyisiä data-hallinnan haasteita, joita nähdään alalla?

1. Data-nopeus ja -integrointi

Yksi suurimmista haasteista, joita kohtaamme tänään, on datan valtava määrä, joka virtaa eri sovelluksista. Jos otat tyypillisen IT-organisaation, he kohtaavat uusia sovelluksia jatkuvasti – kymmeniä, joskus jopa satoja joka vuosi, erityisesti keskisuurissa organisaatioissa.

Nyt kaikki nämä sovellukset generoivat dataa, ja tämä data sisältää arvokkaita oivalluksia. Ensimmäinen huolenaihe on kyky nopeasti integroida nämä uudet data-lähteet olemassa oleviin data-putkiin ja konsolidoida ne yhdenmukaiseen näkymään. Organisaatioiden kyky sopeutua ja sisällyttää nämä uudet data-virrat on suurin haaste, jonka näemme.

2. Eri datamuodot

Toinen kriittinen haaste johtuu datan luonteesta, erityisesti ei-rakenteisen datan kasvavasta merkityksestä. On eri koulukunnat siitä, miten sitä käsitellään.

Organisaatioiden on päättävä, haluavatko he tallentaa tämän datan suoraan data-järviin myöhempää käyttöä varten vai muuttaa ja muuttaa sitä rakenteellisemmaksi muodoksi välittömäksi käytöksi. Haaste ei-rakenteisen datan käsittelyssä on edelleen olemassa, ja näemme, että jopa keskisuurten tai pienien yritysten on kehitettävä tehokkaita strategioita ei-rakenteisen datan käsittelyyn.

3. Data-julkaisu ja -jakelu

Vaikka data-integrointi ja -konsolidointi ovat tärkeitä, datan jakamiskyky on yhtä tärkeää. Organisaatioiden on oltava mekanismeja datan julkaisemiseksi ja jakamiseksi sisäisille osastoille, kolmansille osapuolille, kumppaneille ja muille sidosryhmille. Tämä haaste ulottuu datan saatavuuden tarjoamisen ulkopuolelle; se koskee myös datan turvallisuuden, yksityisyyden ja sääntöjen noudattamisen varmistamista. Koska data-jakaminen on välttämätöntä liiketoiminnan kaikissa koissa, teknologiat ja tuotteet tässä alassa kehittyvät nopeasti vastaamaan kysyntää.

Mitä ovat joitain tapoja, joilla Astera on integroinut tekoälyä asiakkaiden työnkulkuun?

Katsoimme tekoälyn leikkaavan data-hallinnan kanssa kahdella eri tavalla.

1. Parantamalla käytettävyyttä generatiivisella tekoälyllä

Meidän sitoutumisemme käytettävyyteen on kulmakivi tuotekehitysfilosofiassamme. Viimeisen 12-13 vuoden aikana olemme rakentaneet vahvan maineen suunnittelemalla tuotteita, joilla on lyhyt oppimiskäyrä, mikä tekee niistä helposti käytettävissä olevia jopa ei-teknisille käyttäjille. Vain vähäisen koulutuksen jälkeen käyttäjät voivat käyttää tuotteitamme tehokkaasti ja suorittaa merkittäviä tehtäviä datallaan.

Generatiivisen tekoälyn myötä Astera on vienyt käytettävyyden seuraavalle tasolle. Olemme hyödyntäneet generatiivista tekoälyä luomaan käyttöliittymän, joka sallii asiakkaiden vuorovaikuttaa tuotteiden kanssa luonnollisen kielen komennoilla. Tämä tekoälyohjattu käyttöliittymä yksinkertaa konfiguraatiotehtäviä, tekee niistä enemmän intuitiivisia ja tehokkaita käyttäjille.

Lisäksi olemme integroineet tekoälyvoimaisen automaation käsittelyyn tehtäviä, jotka aiemmin vaativat useita tunteja manuaalista työtä, erityisesti data-hallintatuotteiden konfiguroinnissa. Suurin kustannusfaktori data-hallintaratkaisun rakentamisessa ei ollut ainoastaan tuotteen ostaminen, vaan aika ja ponnistelut, jotka kuluivat sen konfigurointiin. Olemme yrittäneet ratkaista tämän ongelman tekoälyllä.

Esimerkiksi Astera ReportMiner -tuotteemme yksinkertaa datan poistamisen ei-rakenteisista asiakirjoista sallimalla käyttäjien luoda poistamissääntöjä. Tekoäly voi nyt generoida alkuperäisen mallin muutamassa sekunnissa, tehtävä, joka aiemmin vaati tyypillisesti 2-3 tuntia. Ensimmäinen versio tekoälyllä generoidusta mallista ei välttämättä ole täydellinen, mutta se kattaa noin 90% työstä, jolloin käyttäjät voivat tehdä nopeita sovituksia ja suorittaa tehtävän muutamassa minuutissa, ei tunteina.

Teevämme vastaavaa työtä koko data-pinossamme, jossa saamme merkittävän lisäyksen käytettävyydestä tekoälyn avulla.

2. Tekoälytoiminnallisuus työkalupakkauksena

Astera tarjoaa yhtenäisen data-pinon, joka kattaa eri data-hallinnan osa-alueita, kuten datan imuroinnin, muunnoksen, data-laadun, data-warehousingin, API:t ja data-julkaisun. Yritys tunnustaa tekoälytoiminnallisuuden tarjoamisen asiakkailleen monipuolisena työkalupakkauksena. Tässä työkalupakkauksessa Astera asiakkaat voivat käyttää tekoälyä data-tieteellisen spektrin yli, alkaen koneoppimismallien rakentamisesta ja käyttöönotosta ML-Opsiin (Machine Learning Operations). Astera tukee myös avoimen lähdekoodin mallien, kuten suurten kielen mallien (LLM), käyttöä ja niiden hienosäätöä tiettyihin käyttötarkoituksiin. Tämä laaja tekoälytuki mahdollistaa Astera-asiakkaiden hyödyntämisen tekoälyä erilaisiin data-liittyviin tehtäviin, kuten koneoppimismallien käyttöönottoon, ML-Opsin toteuttamiseen ja avoimen lähdekoodin mallien hienosäätöön. Lisäksi Astera jatkaa tekoälytuen laajentamista, kattaen alueita kuten vektorigraafiset tietokannat, samankaltaisuuden haut ja upottamiset, ja paljon muuta.

Mitä ovat parhaat käytännöt hyödyntää tekoälyä ja koneoppimismalleja data-hallinnassa suurten yritysten kanssa?

1. Pysy ajan tasalla tekoälyn ja koneoppimisen kehityksistä

Tekoälyn ala, erityisesti suuret kielen mallit, kehittyy nopeasti. Jotta suuret yritykset voivat saavuttaa kilpailuetua, heidän on pysyttävä perillä viimeisimmistä edistysaskeleista. Esimerkiksi Astera oli varhainen hyödyntäjä generatiivista tekoälyä, käyttäen malleja kuten OpenAI ja LAMA. Jatkuvasti seuraamalla kehittyviä teknologioita varmistat, että olet valmis hyödyntämään niitä tehokkaasti.

2. Kokeile eri malleja ja konfiguraatioita

Käyttämällä suurten kielen mallien hienosäätöä, pystyimme käyttöönottoon pieniä malleja, kuten 8-13 miljardin parametrin malleja, ja käyttöönottoon paikallisesti. Se on toiminut hyvin meille, ja suosittelemme, että kokeilet eri perusmalleja ja konfiguraatioita, ja katso, mikä toimii parhaiten sinulle.

Suurten kielen mallit tulevat eri muodoissa, kullakin omilla ominaisuuksillaan. Luo konfiguraatio, joka antaa valita laajan valikoiman vaihtoehtoja, samalla tavalla kuin kehittäjät ja data-tieteilijät tekevät data-tieteellisissä matkoissaan. Tavoitteemme on sulauttaa nämä vaihtoehdot saumattomasti tuotteisiimme, tarjoten dynaamisen ja sopeutuvan kokemuksen käyttäjille.

3. Priorisoi paikallista käyttöönottoa API:n sijaan

Kun on kyse data-keskeisistä tuotteista, viiveiden vähentäminen on olennaista. Riippuvaisuus ainoastaan API:sta tekoälyn ja koneoppimismallien käyttöön voi aiheuttaa hyväksymättömiä viiveitä, erityisesti suurten datamäärien käsittelyssä. On suositeltavaa priorisoida hienosäätöjen käyttöönottoa paikallisesti, omistettuna tiettyyn skenaarioon. Tämä lähestymistapa voi parantaa vastausaikaa ja yleistä suorituskykyä merkittävästi.

Miksi Astera on parempi ratkaisu kuin kilpailevat alustat?

• Asteran ratkaisut tarjoavat koodittoman, intuitiivisen, visuaalisen käyttöliittymän sekä parannetun käytettävyyden, jota tehostaa tekoäly, mikä tekee siitä helpon suorittaa monimutkaisia data-prosesseja kaikille käyttäjille, riippumatta heidän teknisistä taidoistaan.
• Automaatio-ominaisuudet meidän data-pinossamme vähentävät toistuvia manuaalisia tehtäviä ja säästävät aikaa ja kehitysresursseja.
• Meidän yhtenäinen alusta auttaa käyttäjiä suorittamaan loppupäähän data-prosesseja ilman siirtymistä eri ratkaisuihin. Tämä poistaa kustannukset, jotka liittyvät useiden erillisten, eristettyjen järjestelmien oppimiseen ja hallintaan.

Kiitos haastattelusta, lukijat, jotka haluavat oppia lisää, voivat vierailla Asteran verkkosivuilla.