Kris Beevers, toimitusjohtaja ja yhteisperustaja, Netbox Labs – Haastattelusarja

Kris Beevers, toimitusjohtaja ja yhteisperustaja, NetBox Labs on teknologia-yrityspäällikkö ja infrastruktuuriohjelmiston veteraani, jolla on yli kahden vuosikymmenen kokemus yritysten ja alustojen rakentamisesta, jotka keskittyvät verkottumiseen, pilvi-infrastruktuuriin ja automaatioon. Ennen NetBox Labsin johtamista Beevers perusti NS1:n vuonna 2013 ja toimi sen toimitusjohtajana lähes vuosikymmenen, rakentaen yrityksen merkittäväksi verkkoautomaation ja sovellusten liikenteenhallintateknologian tarjoajaksi ennen IBM:n hankintaa vuonna 2023. Osana tätä kauppaa NetBox Labs irrottautui NS1:stä itsenäiseksi yritykseksi IBM:n sijoittajana. Aikaisemmin urallaan Beevers työskenteli vanhemmissa insinööri- ja arkkitehtuuritehtävissä Internap Network Services ja Voxel, ja hän perusti myös SolidJoint Researchin.

NetBox Labs kehittää infrastruktuuri‑intelektiialustaa, jonka tarkoituksena on auttaa organisaatioita mallintamaan, operoimaan, automatisoimaan ja hallitsemaan yhä monimutkaisempia verkkoja ja IT‑infrastruktuuria. Yritys on NetBoxin kaupallinen ylläpitäjä, laajasti omaksuttu avoimen lähdekoodin verkko‑ ja infrastruktuurijärjestelmä, jota käyttää yli 10 000 organisaatiota. Sen alusta yhdistää infrastruktuurigraafin ja totuuden lähteen operatiiviseen älykkyyteen, automaatioon, AI‑avusteiseen orkestrointiin ja hallintakyvykkyyksiin, jotka mahdollistavat sekä insinööreille että AI‑agentteille turvallisen vuorovaikutuksen infrastruktuurin kanssa. NetBox Labs tukee pilvi‑, itsehallinnoituja yritys‑, hybrid‑ ja ilmatiivistettyjä käyttöönottoja sekä integroituu työkaluihin kuten Ansible, Terraform, Nornir ja jatkuvan integraation ja käyttöönoton (CI/CD) putkistoihin.

Perustit NS1:n vuonna 2013 ja vietit lähes vuosikymmenen yrityksen rakentamiseen ennen IBM:n ostamista, jonka jälkeen NetBox Labs nousi itsenäiseksi yritykseksi. Mitkä opit NS1:n rakentamisesta vaikuttivat siihen, miksi peristit NetBox Labsin, ja miten AI‑ajan infrastruktuuriongelma, jota yrität ratkaista, on muuttunut?

Yksi asia, jonka opin rakentaessani NS1:ta, on se, että infrastruktuuriongelmat harvoin pysyvät siististi eristettyinä. DNS oli meidän osamme pinossa, mutta asiakkaamme toimivat näissä uskomattoman monimutkaisissa ympäristöissä, joissa verkot, datakeskukset, sovellukset ja automaatio olivat kaikki riippuvaisia toisistaan. Mitä enemmän vietin aikaa näiden tiimien kanssa, sitä selvemmin kävi, että itse infrastruktuurin ymmärtäminen on paljon suurempi haaste.

Se oli suuri osa sitä, mikä houkutteli minut NetBoxiin. Oli jo olemassa tämä laajasti omaksuttu avoimen lähdekoodin projekti ja insinöörien yhteisö, joka käytti sitä mallintaakseen omaisuutensa, sen yhteydet ja sen odotetun ulkoasun. Näimme mahdollisuuden rakentaa tämän perustan päälle.

AI:n myötä suurin muutos on nopeus ja mittakaava. Infrastruktuuritiimeiltä pyydetään rakentamaan valtavia ympäristöjä uskomattoman nopeasti, samalla kun taustatekniikka kehittyy yhtä nopeasti. Samalla aloitamme automoimaan yhä enemmän infrastruktuurin toimintaa, mikä edustaa jännittävää tulevaisuutta. Kun AI:ta sovelletaan infrastruktuuriin, IT-tiimit huomaavat tarvitsevansa hyviä, reaaliaikaisia tietoja infrastruktuuristaan automatisointia varten, ja heidän on tiedettävä, miltä haluttu tila näyttää, jotta AI voi auttaa heitä havaitsemaan, milloin operatiivinen infrastruktuuri poikkeaa suunnitelmasta.

Joten NS1:n opetus pätee edelleen. Ennen kuin voit automatisoida infrastruktuurin tehokkaasti, sinun on ymmärrettävä se. AI tekee tästä oikean toteuttamisen entistä kiireellisemmäksi.

Viimeisen vuosikymmenen suurimman osan aikana pilvilaskenta mahdollisti kehittäjien ja infrastruktuuritiimien abstrahoida fyysinen laitteisto sovellustensa alla. Miksi AI kääntää tämän trendin ja pakottaa DevOpsin, Site Reliability Engineering (SRE) -tiimin ja verkkoinsinöörit jälleen pohtimaan virtaa, jäähdytystä, rackeja, kaapelointia ja fyysistä verkottumista?

Pilvi opetti monille meistä käsittelemään infrastruktuuria ikään kuin se olisi äärettömän rajaton. Pyysit laskentatehoa ja se ilmestyi. Sinun ei välttämättä tarvinnut välittää, missä palvelin sijaitsi, miten se oli virrannyt, miten se jäähdytettiin tai miten kaikki sen alla olevat fyysiset osat kokoontuivat.

AI‑infrastruktuuri ei oikeastaan salli sinun tehdä niin.

Kun rakennat näitä ympäristöjä, aloitat melko konkreettisilla kysymyksillä. Kuinka paljon maata minulla on? Kuinka paljon virtaa voin saada? Millaisia jäähdytysratkaisuja voin tukea? Sen jälkeen siirryt rackeihin, GPU‑palvelimiin, kytkimiin, kuituoptisiin kaapeleihin ja lopulta loogiseen kerrokseen, IP‑osoitteisiin, kokoonpanoihin ja ohjelmistoihin.

Nämä asiat riippuvat kaikki toisistaan. Et voi päättää, kuinka monta rackia otat käyttöön, ilman että ymmärrät virta‑ ja jäähdytys tiheyttä. Et voi ajatella GPU:ita erillään niistä verkosta, joka ne yhdistää.

Tämä pakottaa vuosia fyysisestä kerroksesta poissa olleet alat ottamaan sen jälleen huomioon. Abstraktio ei ole kadonnut, mutta sen alla olevat fyysiset rajoitteet ovat yhtäkkiä paljon merkityksellisempiä.

AI‑datakeskuksia käsitellään yhä enemmän gigawatti‑mittakaavassa. Mikä muuttuu perimmältään operatiivisesti, kun infrastruktuuri siirtyy perinteisistä yritys‑ tai pilviympäristöistä laitteistoihin, jotka on suunniteltu valtavien GPU‑klustereiden ympärille?

Gigawatti‑mittakaava on ehdottomasti astronominen. Vaikka mittakaava on ilmiselvästi erilainen, mielestäni mielenkiintoisempi ero on vaadittavan koordinoinnin määrä.

Ajattele, mitä täytyy tapahtua, jotta 300 megawatin datakeskus saadaan käyttöön. Tarvitset maata ja sähköä. Sitten sinun on suunniteltava tilo ja hankittava rackit, GPU-palvelimet, kytkimet, kuitu, sähköinfrastruktuuri ja jäähdytyslaitteet, usein täysin eri toimittajilta, joilla on täysin erilaiset tavat esittää tuotteensa. Kaikki nämä laitteet on saatava, vastaanotettava, asennettava rackeihin, kaapattava, konfiguroitava, testattava ja lopulta luovutettava koulutusta tai inferenssiä varten.

Ja maa liikkuu sinun alla samalla kun teet sitä. GPU-arkkitehtuurit muuttuvat. Verkot muuttuvat. Jäähdytystarpeet muuttuvat. Kuusi kuukautta myöhemmin saatavilla olevat komponentit eivät välttämättä ole samat kuin ne, joita suunnittelit tänään.

Pienet tehottomuudet kertyvät siis erittäin nopeasti. Vietin äskettäin aikaa yhden maailman suurimman kuituoptisten kaapelien valmistajan kanssa, ja he kertoivat minulle, että yksi heidän suurimmista liiketoimintaongelmistaan on palautukset, koska asiakkaat tilaavat väärän pituisia kaapeleita. Se kuulostaa lähes merkityksettömältä, kunnes tilaat satoja tuhansia kaapeleita.

Tässä mittakaavassa infrastruktuuritoiminnot muuttuvat valtavaksi logistiikka- ja rajoitteiden täyttämisongelmaksi. Yritykset, jotka tekevät tämän hyvin, ovat ne, jotka osaavat pitää tarkat suunnittelutiedot mukana koko hankintaprosessin, käyttöönoton ja operoinnin ajan.

Olet sanonut, että käytännössä ei ole vakiintunutta ohjeistusta tai talenttiputkea tällaiseen mittakaavaan infrastruktuurin operointiin. Mitkä taidot ovat tällä hetkellä vaikeimpia löytää, ja missä odotat suurimpien osaajapulausten syntyvän, kun AI-infrastruktuuri laajenee?

Maailmassa on luultavasti vain muutama sata ihmistä, jotka todella osaavat rakentaa tällaista infrastruktuuria tällä nopeudella ja mittakaavalla. Ja suurin osa heistä on melko kiireisiä toteuttaen sitä.

Tämä on osa sitä, mikä tekee tästä hetkestä epätavallisen. Ei ole olemassa kypsää tietopohjaa, jonka voisit vain opiskella. Näitä tekevät ihmiset oppivat toisiltaan ja selviävät asioista reaaliajassa. Ja koska teknologia muuttuu niin nopeasti, jotkut näistä opeista vanhenevat melko nopeasti.

Mielestäni puute on siis suurempi kuin mikään yksittäinen tehtävänimike. Tarvitsemme ihmisiä, jotka ymmärtävät verkottumisen, laskennan ja automaation, mutta yhä enemmän myös fyysisen ympäristön, jossa nämä järjestelmät toimivat. Sähkö, jäähdytys, tilasuunnittelu, toimitusketju ja kenttätoiminnot tulevat osaksi samaa keskustelua.

Ihmiset, jotka voivat ylittää jotkut näistä rajoista, ovat uskomattoman arvokkaita. Mutta en usko, että olemme vielä määritelleet, miltä kaikki nämä roolit näyttävät. Osaajamalli rakennetaan samanaikaisesti infrastruktuurin kanssa.

Kun ohjelmiston, verkkojen, tilojen, energian ja datakeskusinsinöörin välinen raja alkaa hämärtyä, millaisia uusia teknisiä rooleja tai hybriditaitoja odotat syntyvän?

En usko, että tiedämme vielä miltä kaikki nämä roolit tulevat näyttämään. Tiedämme kuitenkin, että tätä infrastruktuuria rakentavien ihmisten on ajateltava paljon laajemmasta ongelmakokonaisuudesta kuin aiemmin.

Et ajattele pelkästään laskentaa tai verkkoja erillään. Sähkö, jäähdytys, fyysinen suunnittelu, toimitusketju, verkot ja automaatio on kaikki yhdistettävä, jotta nämä ympäristöt saadaan käyttöön ja pidetään toiminnassa.

Uskon edelleen, että tarvitsemme ihmisiä, joilla on syvä asiantuntemus kustakin näistä alueista. Mutta yhä enemmän heidän on myös ymmärrettävä, miten heidän alueensa päätökset vaikuttavat koko infrastruktuuriin. Ja koska suuri osa tästä työstä on suoritettava nopeammin, automaatiokyvyn merkitys kasvaa näissäkin disiplineissä.

AI-agentit alkavat diagnosoida ongelmia, luoda konfiguraatioita ja automatisoida osia infrastruktuuritoiminnoista. Mitkä vastuut uskot AI:n realistisesti ottavan pois infrastruktuuri-insinööreiltä, ja mitkä tulevat entistä riippuvaisemmiksi syvästä ihmisen asiantuntemuksesta?

Uskon, että suuri osa työstä, jossa syötteet, haluttu lopputulos ja rajat ovat selkeät, hoidetaan yhä enemmän AI:n toimesta. Konfiguraatioiden luominen on ilmeinen esimerkki. Samoin yleisten ongelmien diagnosointi, tarkistaminen, vastaako infrastruktuuri suunniteltua mallia, tai lopulta tiettyjen ongelmien korjaaminen, kun on riittävästi varmuutta siitä, mitä meni pieleen ja mikä on turvallinen vastaus.

Ihmiset tulevat tärkeämmiksi silloin, kun vastaus ei ole itsestäänselvä.

Infrastruktuuri epäonnistuu omituisilla tavoilla. Kuitu katkeaa. Laite alkaa käyttäytyä eri tavalla kuin suunnitelman mukaan sen pitäisi. Muutoksella on odottamaton vaikutus jossain muualla ympäristössä. AI voi auttaa insinööriä ymmärtämään nämä tilanteet paljon nopeammin, mutta silti tarvitaan ihmisiä, jotka ymmärtävät järjestelmän riittävän syvällisesti päättääkseen, mitä seuraavaksi tapahtuu.

Mielestäni se on mielenkiintoinen muutos. Insinöörit viettävät todennäköisesti vähemmän aikaa toistuvien konfiguraatioiden ja vianmäärityksen parissa ja enemmän aikaa tarkoituksen määrittämiseen, järjestelmien suunnitteluun, automaation rajojen asettamiseen ja aitojen uusien ongelmien käsittelemiseen. Kaikki tämä työ täydentyy AI:n avulla, mutta sitä ohjaavat ihmiset.

Se tekee asiantuntemuksesta arvokkaampaa, ei vähemmän. Insinööri, joka todella ymmärtää, miksi infrastruktuuri toimii niin kuin se tekee, on uskomattoman tärkeä, kun automaatio ei tarjoa itsestäänselkeää vastausta.

NetBox Labs on väittänyt, että infrastruktuuria hallitsevat AI-järjestelmät tarvitsevat auktoriteettisen mallin laitteista, yhteyksistä, riippuvuuksista ja muista fyysisistä ja loogisista suhteista. Miksi tämäntyyppinen infrastruktuurikonteksti on niin tärkeä siirryttäessä AI-avustajista, jotka antavat suosituksia, toimijoihin, jotka voivat itse toteuttaa toimenpiteitä?

Suuri ero on se, että kun toimija voi toimia, virheellisyydellä on todellisia seurauksia.

Infrastruktuuritoimija tarvitsee enemmän kuin hetkellisen kuvan siitä, mitä laite tekee juuri nyt. Sen on ymmärrettävä ympäristö sen ympärillä: mitä on olemassa, miten asiat on kytketty, mitä on äskettäin muuttunut ja, mikä tärkeintä, miltä infrastruktuurin tulisi näyttää.

Otetaan esimerkiksi yhteysongelman vianmääritys. Ei riitä tietää, että laite on tavoittamaton. Halutaan, että toimija pystyy jäljittämään kaapelireitin, ymmärtämään laitteen ympärillä olevat riippuvuudet, tarkastelemaan äskettäisiä muutoksia ja määrittämään, mitä muuta voisi olla vaikutuksen alaisena, ennen kuin se ehdottaa seuraavaa toimenpidettä.

Tämä on todellakin perusta, johon olemme NetBox Labsissa vuosia rakentaneet, tarjoten tiimeille tarkan mallin sekä fyysisestä että loogisesta infrastruktuurista, sekä tarkoituksen siitä, miten sen tulisi toimia.

Mutta pelkkä data ei riitä. On myös päätettävä, mihin toimija saa toimia itsenäisesti, mikä vaatii henkilön hyväksynnän, ja miten jokainen toimenpide seurataan ja vahvistetaan.

Infrastruktuuri ei ole kuin koodi, jossa huono muutos voidaan aina puhtaasti peruuttaa. Huono muutos voi kaataa toiminnan. Siksi siirtyessämme AI:sta, joka kertoo insinöörille mitä se ajattelee, AI:hin, joka voi itse tehdä työn, sekä konteksti että hallinta nousevat paljon tärkeämmiksi.

Sinun viimeaikainen CIO‑artikkeli, “Miksi minä, toimitusjohtaja, rakennan henkilökohtaisesti AI‑strategiaamme,” väitit, että AI on liian tärkeä yritysjohtajille, jotta se voitaisiin pelkästään delegoida, ja kerroit henkilökohtaisesti prototypoivasi AI‑työkaluilla. Miten käytännönläheinen työ näiden järjestelmien kanssa on muuttanut ajatteluasi siitä, mitä AI voi realistisesti automatisoida infrastruktuuritoiminnoissa?

Käytännönläheisyys tekee sinusta paljon vähemmän kiinnostuneen teoreettisesta keskustelusta.

Olen käyttänyt paljon aikaa näiden työkalujen kanssa rakentamiseen, nykyään enimmäkseen prototypointiin tai jopa kokonaisiin tuotteisiin Claude Coden avulla. Opit melko nopeasti, että vaikuttavan demon näkemisen ja luotettavan, hyödyllistä työtä tekevämmän asian rakentamisen välillä on valtava ero.

Saat myös käsityksen siitä, mihin teknologia on menossa paljon nopeammin kuin mitä kirjallisuudesta voi oppia. Asiat, jotka kuusi kuukautta sitten koen vaikeiksi automatisoida, voivat yhtäkkiä olla melko suoraviivaisia. Samalla näet erittäin selvästi, missä konteksti, harkinta ja rakenne edelleen puuttuvat.

Tämä on vaikuttanut siihen, miten ajattelen infrastruktuuritoimintoja. Olen erittäin optimistinen siitä, kuinka paljon operatiivista työtä voimme automatisoida, mutta mielestäni puhdas autonomia on vielä kaukana päämääränä.

Kysymys, joka minua kiinnostaa, on paljon perusluonteisempi. Auttaako tämä meitä hallitsemaan infrastruktuuria nopeammin, luotettavammin tai tehokkaammin? Jos kyllä, hienoa. Jos ei, sillä ei ole merkitystä, kuinka kehittynyttä AI sen takana on.

Kun AI‑datakeskukset yhä enemmän rajoittuvat sähkön saatavuuden ja jäähdytysvaatimusten vuoksi, voisiko infrastruktuuri‑insinöörit siirtyä pääasiassa laskentaresurssien hallinnasta aktiivisesti koordinoimaan työkuormia energian ja fyysisen kapasiteetin kanssa?

Kyllä, ja alamme jo nähdä sen. Meillä on sisäisesti käytössä oleva ilmaus “turbines in the parking lot”, joka syntyi todellisesta keskustelusta yhden hyperskaalaista AI‑infrastruktuuria rakentavan tiimin kanssa. He ottivat infrastruktuurin käyttöön niin nopeasti, että verkko ei pysynyt perässä, joten he kirjaimellisesti ostivat turbiineja ja asettivat ne pysäköintialueelle saadakseen riittävästi virtaa nopeasti.

Tämä on se ympäristö, jossa nämä tiimit toimivat. Kun energia on yksi ensisijaisista rajoitteistasi, sinun on oltava paljon älykkäämpi siinä, miten käytät saatavilla olevaa. Kysyntä‑sivun reagointi, jossa operaattorit aktiivisesti koordinoivat AI‑työkuormia reagoiden sähköverkon muutoksiin, on jo käynnissä ja siitä tulee yhä tärkeämpi kyky tiimeille, jotka hallinnoivat energiatehokasta infrastruktuuria.

Kaikilla työkuormilla ei ole samat vaatimukset. Viiveherkkä inferenssi saattaa tarvita jatkuvaa online‑tilaa, kun taas osa koulutus‑tai erätyökuormista voidaan siirtää tai keskeyttää, kun energia on rajoitettua. Uskon, että yhä useammin näemme infrastruktuuritiimien hallitsevan laskentaa, energiaa ja fyysistä kapasiteettia osana samaa operatiivista ongelmaa.

Kun katsomme tulevaisuutta, uskotko, että suurin pullonkaula AI:n skaalauksessa on lopulta GPU:t ja mallien kehitys, vai paljon laajempi haaste riittävän energian, fyysisen infrastruktuurin, verkkokapasiteetin, automaation ja osaavien insinöörien löytäminen kaiken niiden takana olevan toiminnan hallitsemiseksi?

En usko, että olisi vain yksi pullonkaula.

AI‑infrastruktuurin rakentaminen tällä hetkellä markkinoiden haluaman nopeuden ja mittakaavan mukaan on perimmiltään rajoitteiden täyttämisongelma. Missä tahansa hetkessä jokin tekijä on ensisijainen rajoite.

Hetken aikaa kaikki puhuivat GPU:ista. Virta on ilmiselvästi valtava pullonkaula nyt. Mutta se voi olla myös verkkolaitteisto, jäähdytys, maa, kuitu, hankinnat, rakentaminen tai yksinkertaisesti riittävän monta ihmistä, jotka osaavat koota kaiken tämän yhteen.

Kun ratkaiset yhden rajoituksen, toinen käy näkyvämmäksi. Näin käy, kun kysyntä on paljon suurempi kuin tarjonta.

En siis panostaisi yhteen pysyvään pullonkaulaan. Mielestäni tärkeämpi kyky on pystyä sopeutumaan, kun rajoitus siirtyy.

Siksi en myöskään usko, että kukaan omistaa tällä hetkellä lopullista oppaan AI-infrastruktuurille. Sen rakentavat ihmiset selvittävät tätä samalla kun ne skaalaavat, ja he tekevät molempia uskomattoman nopeasti.

Kiitos erinomaisesta haastattelusta, lukijat, jotka haluavat oppia lisää, kannattaa käydä osoitteessa NetBox Labs.