Saket Saurabh, Nexlan toimitusjohtaja ja perustaja – Haastattelusarja

Saket Saurabh, Nexlan toimitusjohtaja ja perustaja, on yrittäjä, jolla on syvä intohimo dataa ja infrastruktuuria kohtaan. Hän johtaa seuraavan sukupolven automaattisen data-insinööritieteellisen alustan kehittämistä, joka on suunniteltu tarjoamaan aste ja nopeus niille, jotka työskentelevät datan parissa.

Aikaisemmin Saurabh perusti menestyneen mobiiliyrittäjän, joka saavutti merkittäviä merkkipaaluja, mukaan lukien hankinnat, listautuminen ja kasvu useiden miljoonien dollarien liiketoiminnaksi. Hän myös osallistui useiden innovatiivisten tuotteiden ja teknologioiden kehittämiseen ollessaan Nvidialla.

Nexla mahdollistaa data-insinööritieteellisen automaation, jotta data on valmiina käytettäväksi. He saavuttavat tämän yksilöllisellä Nexset-lähestymistavalla – data-tuotteilla, jotka tekevät siitä helppoa kenenkään integroida, muuttaa, toimittaa ja valvoa dataa.

Mikä innoitti sinua perustamaan Nexla, ja miten kokemuksesi data-insinööritieteellisestä vaikuttivat visioosi yrityksestä?

 Ennen Nexlan perustamista aloitin data-insinööritieteellisen matkani Nvidialla kehittämällä erittäin skaalautuvia, korkean tason teknologiaa laskennan puolella. Sen jälkeen vein edellisen yritykseni hankinnan ja listautumisen matkalla mobiilimainonnan alalla, jossa suuret määrät dataa ja koneoppiminen olivat olennainen osa tarjoamamme, prosessoiden noin 300 miljardia tietuetta päivittäin.

Katsoessani maisemaa vuonna 2015 edellisen yritykseni jälkeen, etsin seuraavaa suurta haastetta, joka innosti minua. Tulevaisuudesta tuli selvä minulle, että data- ja laskennan haasteet supistuvat, kun teollisuus siirtyy enemmän edistyneisiin sovelluksiin, jotka perustuvat dataan ja tekoälyyn.

Vaikka emme silloin tiennyt, että generatiivinen tekoäly (GenAI) edistyisi nopeasti, oli selvää, että koneoppiminen ja tekoäly muodostaisivat perustan datan hyödyntämiseksi. Niinpä aloin pohtia, minkälainen infrastruktuuri on tarpeen, jotta ihmiset voivat onnistua datan parissa, ja miten voimme tehdä datan helposti käytettäväksi kaikille, ei vain insinööreille. Tämä johti Nexlan visioon – yksinkertaistaa ja automatisoida insinööritieteellinen tausta datasta, koska data-insinööritieteellinen oli erittäin räätälöity ratkaisu useimmissa yrityksissä, erityisesti monimutkaisten tai suurten dataprobleemien kanssa. Tavoitteena oli tehdä data helposti saatavissa ja lähestyttäväksi laajemmalle joukolle käyttäjiä, ei vain data-insinööreille. Kokemukseni skaalautuvien datajärjestelmien ja sovellusten rakentamisesta poltti tätä visiota, jossa tavoitteena oli demokratisoida pääsy dataan automaation ja yksinkertaistamisen kautta.

Miten Nexsetit edustavat Nexlan tehtävää tehdä data valmiiksi käytettäväksi kaikille, ja miksi tämä innovaatio on ratkaiseva modernille yrityksille?

Nexsetit edustavat Nexlan tehtävää tehdä data valmiiksi käytettäväksi kaikille, koska se vastaa datan perushaasteeseen. Datansäilytys, nopeus ja monimuotoisuus ovat olleet pysyvä ongelma. Teollisuus on tehnyt jonkinlaista edistystä haasteiden ratkaisemisessa, jotka liittyvät määrään ja nopeuteen. Monimuotoisuus on kuitenkin ollut merkittävä este, koska uusien järjestelmien ja sovellusten lisääntyminen on johtanut jatkuvasti kasvavaan datarakenteiden ja -muotojen monimuotoisuuteen.

Nexlan lähestymistapa on automaattisesti mallintaa ja yhdistää dataa eri lähteistä yhdenmukaiseksi, paketoituksi entiteetiksi, jota kutsutaan Nexsetiksi. Tämä mahdollistaa käyttäjien pääsyn ja työskentelyn datan parissa ilman, että heidän tarvitsee ymmärtää datan eri lähteiden ja rakenteiden perustuvaa monimuotoisuutta. Nexset toimii porttina, joka tarjoaa yksinkertaisen, suoran käyttöliittymän dataan.

Tämä on ratkaisevaa modernille yrityksille, koska se mahdollistaa useammalle ihmiselle, ei vain data-insinööreille, hyödyntää dataa päivittäisessä työssään. Abstrahoiden datan monimuotoisuuden ja kompleksisuuden Nexsetit tekevät siitä mahdollista liiketoimintakäyttäjille, analyytikoille ja muille suoraan vuorovaikuttaa tarvittavan datan kanssa ilman, että heidän tarvitsee laajaa teknistä osaamista.

Myös teimme työtä, jotta integrointi olisi helppoa käyttää vähemmän teknisille datakäyttäjille – käyttöliittymästä ja siitä, miten ihmiset tekevät yhteistyötä ja hallinnoivat dataa, siitä, miten he rakentavat muunnoksia ja työvirtoja. Abstrahoiden datan monimuotoisuuden on avain demokratisoida pääsy dataan ja antaa laajemmalle joukolle käyttäjille mahdollisuus hyödyntää tietojaan.

Mikä tekee datan “GenAI-valmiiksi”, ja miten Nexla vastaa näihin vaatimuksiin tehokkaasti?

Vastaus riippuu osittain siitä, miten GenAI:ta käytetään. Useimmat yritykset toteuttavat GenAI-hakua ja luomista (RAG). Tämä vaatii ensin datan valmistelun ja koodaamisen ladatakseen vektorigalleriaan, ja sitten hakemista vektorigalleriasta lisätäksesi kontekstin syötteenä suurelle kielimallille (LLM), jota ei ole koulutettu tämän datan avulla. Joten dataa on valmisteltava tavalla, joka toimii sekä vektorigalleriassa että LLM:lle.

Riippumatta siitä, käytetäänkö RAG:ia, hakua ja hienosäätöä (RAFT) tai mallin koulutusta, on joitakin avainvaatimuksia:

• Dataformaatti: GenAI-kielimallit toimivat usein parhaiten datan kanssa, joka on tietyssä muodossa. Data on oltava rakenteista, jotta mallit voivat helposti nieltä ja prosessoida sen. Se on myös “paloiteltava” tavalla, joka auttaa LLM:ää käyttämään dataa paremmin.
• Yhdistettävyys: GenAI-kielimallien on pystyttävä dynaamisesti pääsemään asiaankuuluvien data-lähteiden ääreen, eikä riippua staattisista datajoukoista. Tämä vaatii jatkuvaa yhteyttä eri yritysjärjestelmiin ja data-arkistoihin.
• Tietoturva ja hallinto: Kun käytetään herkkää yritysdataa, on tärkeää, että on vahvat tietoturva- ja hallintomekanismit paikallaan. Datapääsy ja -käyttö on oltava turvallista ja yhdenmukaista olemassa olevien organisaatioiden käytäntöjen kanssa. On myös hallittava dataa, jota LLM:t käyttävät, jotta voidaan estää tietovuotoja.
• Skaalautuvuus: GenAI-kielimallit voivat olla data- ja laskennan intensiivisiä, joten datan perusinfrastruktuurin on oltava skaalautuva mallien vaatimusten mukaisesti.

Nexla vastaa näihin GenAI-valmiiksi datan vaatimuksiin useilla tavoilla:

• Dynaaminen datapääsy: Nexlan data-integrointialusta tarjoaa yhden tavan yhdistää satoihin lähteisiin ja käyttää eri integrointityylejä ja data-nopeutta sekä orkestraatiota, jotta GenAI-kielimallit saavat tarvitsemansa datan, kun he tarvitsevat sitä, eikä riipu staattisista datajoukoista.
• Datavalmistelu: Nexla on kykenevässä poistamaan, muuttamaan ja valmistelemaan dataa muodoissa, jotka on optimoitu kullekin GenAI-käyttötarkoitukselle, mukaan lukien sisäänrakennettu data-paloittelu ja tuki useille koodausmalleille.
• Itsepalvelu ja yhteistyö: Nexlan avulla datakäyttäjät voivat itse päästä käsiksi dataan ja rakentaa Nexseteja ja työvirtoja. He voivat myös tehdä yhteistyötä ja jakaa työtään markkinapaikalla, joka varmistaa, että data on oikeassa muodossa ja parantaa tuottavuutta uudelleenkäytön kautta.
• Automaattinen generointi: Integrointi ja GenAI ovat molemmat haasteellisia. Nexla generoi automaattisesti monia tarvittavia vaiheita käyttäjän valinnoista riippuen – käyttäen tekoälyä ja muita tekniikoita – jotta käyttäjät voivat tehdä työnsä itse.
• Hallinto ja tietoturva: Nexla sisältää vahvat tietoturva- ja hallintomekanismit ympäri, mukaan lukien yhteistyö, jotta voidaan varmistaa, että herkkä yritysdata on käytettävissä turvallisesti ja yhdenmukaisesti.
• Skaalautuvuus: Nexlan alusta on suunniteltu skaalautumaan GenAI-työkuormien vaatimusten mukaisesti, tarjoamalla tarvittavan laskennan tehon ja joustavan skaalautuvuuden.

Yhdistetty integrointi, itsepalvelu, yhteistyö, automaattinen generointi ja datapääsy ovat tarpeen, jotta data-demokratisointi on mahdollista.

Miten erilaiset datatyypit ja -lähteet vaikuttavat GenAI-mallien menestykseen, ja mikä on Nexlan rooli yksinkertaistamassa integrointiprosessia?

GenAI-mallit tarvitsevat pääsyä kaikenlaisiin tietoihin, jotta ne voivat tarjota parhaat näkymät ja luoda merkityksellisiä tuloksia. Jos et tarjoa tätä tietoa, et voi odottaa hyviä tuloksia. Se on sama kuin ihmisillä.

GenAI-mallit tarvitsevat koulutusta laajasta datavalikoimasta, rakenteellisista tietokannoista epästrukturoiduihin asiakirjoihin, jotta ne voivat luoda kattavan ymmärryksen maailmasta. Eri datalähteet, kuten uutisartikkelit, talousraportit ja asiakasvuorovaikutukset, tarjoavat arvokkaita kontekstuaalisia tietoja, joita nämä mallit voivat hyödyntää. Altistus monimuotoiselle dataan myös mahdollistaa GenAI-mallien kehittymisen joustavammaksi ja sopeutuvammaksi, mikä mahdollistaa laajemman kysymysten ja tehtävien käsittelyn.

Nexla abstrahoi datan monimuotoisuuden Nexsetien avulla ja tekee siitä helppoa päästä käsiin melkein mihin tahansa lähteeseen, ja sitten poistaa, muuttaa, orkestroi ja lataa dataa, jotta datakäyttäjät voivat keskittyä vain dataan ja sen tekemiseen GenAI-valmiiksi.

Mitä trendejä muotoilee data-ekosysteemiä vuonna 2025 ja sen jälkeen, erityisesti generatiivisen tekoälyn nousun myötä?

Yritykset ovat pääasiassa keskittyneet käyttämään GenAI:ta apuvälineiden tai avustajien luomiseen, jotka auttavat ihmisiä löytämään vastauksia ja tekemään parempia päätöksiä. Agenteille, jotka automatisoivat tehtäviä ilman, että ihmiset ovat mukana, on selvästi kasvava trendi, kun siirrytään vuoteen 2025. Agentit, kuten apuvälineet, tarvitsevat integraatiota, jotta data virtaa sujuvasti – ei vain yhteen suuntaan, vaan myös sallien tekoälyn toimia tämän datan perusteella.

Toinen tärkeä trendi vuodelle 2025 on tekoälyjärjestelmien kasvava monimutkaisuus. Nämä järjestelmät tulevat yhä monimutkaisemmiksi yhdistämällä eri lähteistä peräisin olevia komponentteja yhtenäiseksi ratkaisuksi. Se on samanlaista kuin miten ihmiset riippuvat eri työkaluista päivittäin tehtävien suorittamiseen. Tekoälyjärjestelmät seuraavat tätä lähestymistapaa orkeoiden useita työkaluja ja komponentteja. Tämä orkestraatio esittää merkittävän haasteen, mutta myös avainkehitysalueen.

Trendien kannalta näemme pyrkimyksen generatiivisen tekoälyn edistymiseen yksinkertaisesta mallintamisesta todelliseen päättelyyn. On paljon teknologista edistystä tapahtumassa tässä tilassa. Vaikka nämä edistysaskeleet eivät välttämättä kääntyisi täysin kaupalliseksi arvoksi vuonna 2025, ne edustavat suuntaa, johon olemme menossa.

Toinen avain trendi on kiihtyvä teknologian soveltaminen tekoälyn päättelyyn, erityisesti yhtiöiden kuten Nvidian kanssa. Perinteisesti GPU:ta on käytetty enimmäkseen tekoälymallien koulutukseen, mutta suoritusaika – piste, jossa malli on aktiivisesti käytössä – on tullut yhtä tärkeäksi. Voimme odottaa edistystä päättelytehon tehostamisessa, mikä tekee sen tehokkaammaksi ja vaikuttavammaksi.

Lisäksi on toteutunut, että saatavilla oleva koulutusdata on suurelta osin saavutettu. Tämä tarkoittaa, että mallien edelleen kehittäminen ei tule enää koulutusdatan lisäämisestä, vaan siitä, miten mallit toimivat päättelyssä. Suoritusaikana uuden tiedon hyödyntäminen parantaa mallin tuloksia on tullut kriittiseksi fokuksesi.

Vaikka jotkut teknologiat alkavat saavuttaa rajojaan, uudet lähestymistavat tulevat jatkuvasti esiin, korostaen järjestelmien sopeutumisen tärkeyden yrityksille, jotka omaksuvat tekoälyä. Mitä toimii hyvin tänään, voi tulla vanhanaikaiseksi kuuden kuukauden tai vuoden kuluessa, joten on valmis lisäämään tai korvaamaan data-lähteitä ja minkä tahansa tekoälyputkien osia. Joustavuus ja avoimuus muutoksille ovat olennaisia pysyäkseen kehittyvän maiseman tasolla.

Mitä strategioita organisaatiot voivat omaksua murtamaan data-siloja ja parantamaan data-virtausta järjestelmiensä ympärillä?

Ensinnäkin, ihmiset tarvitsevat hyväksyä, että data-silot aina ovat olemassa. Tämä on aina ollut tapauksena. Monet organisaatiot yrittävät keskittää kaiken datansa yhteen paikkaan, uskoen, että se luo ihanteellisen asetelman ja lukitsee merkittävän arvon, mutta se osoittautuu lähes mahdottomaksi. Se usein muuttuu pitkäksi, kalliiksi, usean vuoden kestäväksi yritykseksi, erityisesti suurille yrityksille.

Niinpä todellisuus on, että data-silot ovat täällä jäädäkseen. Kun hyväksymme sen, kysymys muuttuu: Miten voimme työskennellä data-silojen kanssa tehokkaammin?

Hyödyllinen vertaus on ajatella suuria yrityksiä. Kukaan suuri korporaatio ei toimi yhdestä toimistosta, jossa kaikki työskentelevät yhdessä maailmanlaajuisesti. Sen sijaan he jakautuvat päätoimistoon ja useisiin toimistoihin. Tavoitteena ei ole vastustaa tätä luonnollista jakoa, vaan varmistaa, että nämä toimistot voivat tehdä yhteistyötä tehokkaasti. Siksi investoimme tuottavuustyökaluihin, kuten Zoomiin tai Slackiin, yhdistääksemme ihmisiä ja mahdollistaaksemme sujuvat työvirrat sijaintien yli.

Vastaavasti data-silot ovat hajautuneita järjestelmiä, jotka aina tulevat olemaan olemassa joukkueiden, jaostojen tai muiden rajojen yli. Avainasia ei ole niiden poistaminen, vaan tekeminen niistä toimivista yhdessä. Voimme keskittyä teknologioihin, jotka helpottavat näiden yhteyksiä.

Esimerkiksi teknologiat, kuten Nexset, tarjoavat yhteisen käyttöliittymän tai abstraktion tason, joka toimii eri data-lähteissä. Toimimalla porttina data-siloihin ne yksinkertaistavat datan yhteentoimivuuden prosessia, joka on hajautunut eri siloihin. Tämä luo tehokkuutta ja vähentää silojen negatiivisia vaikutuksia.

Itse asiassa strategiana tulisi olla silojen välinen yhteistyön parantaminen eikä niiden vastustamista. Monet yritykset tekevät virheen yrittäessään konsolidoida kaiken data-lakeen. Mutta rehellisesti sanottuna se on lähes voitettavissa oleva taistelu.

Miten modernit data-alustat käsittävät haasteita, kuten nopeus ja skaalautuvuus, ja mitä erottaa Nexlan näistä ongelmista?

Näen, että monia työkaluja modernissa data-pinossa suunniteltiin alun perin helppokäyttöisyyden ja kehityksen nopeuden vuoksi, mikä johtui työkalujen tekemisestä helpommin saatavilla – mahdollistaen markkinointianalyytikoiden siirtää dataa suoraan markkinointialustasta visualisointityökaluun, esimerkiksi. Näiden työkalujen evoluutio usein käsitti pistekohtaisia ratkaisujen kehittämisen, tai työkaluja, jotka on suunniteltu ratkaisemaan tiettyjä, kapeasti määriteltyjä ongelmia.

Kun puhumme skaalautuvuudesta, ihmiset usein ajattelevat skaalautuvuutta suurempien datamäärien käsittelyssä. Mutta skaalautuvuuden todellinen haaste tulee kahdesta pääasiallisesta tekijästä: Kasvavasta määrästä ihmisiä, jotka tarvitsevat työskennellä datan parissa, ja kasvavasta monimuotoisuudesta järjestelmissä ja datatyypeissä, joita organisaatioiden on hallittava.

Modernit työkalut, ollessaan erittäin erikoistuneita, ratkaisevat usein vain pienen osan näistä haasteista. Tämän seurauksena organisaatiot päätyvät käyttämään useita työkaluja, joista kunkin ratkaisee yhden ongelman, mikä lopulta luo omat haasteensa, kuten työkalun ylikuormittumisen ja tehokkuuden puute.

Nexla ratkaisee tämän ongelman löytämällä tasapainon helppokäyttöisyyden ja joustavuuden välillä. Toisaalta tarjoamme yksinkertaisuutta ominaisuuksilla, kuten mallipohjaisilla ja käyttäjäystävällisillä käyttöliittymillä. Toisaalta tarjoamme joustavuutta ja kehittäjien kannalta ystävällisiä ominaisuuksia, jotka sallivat tiimien jatkuvasti parantaa alustaa. Kehittäjät voivat lisätä uusia ominaisuuksia järjestelmään, mutta nämä parannukset säilyvät käyttäjäystävällisinä nappeina ja klikkauksina ei-teknisille käyttäjille. Tämä lähestymistapa välttää liian erikoistuneiden työkalujen ansan ja tarjoaa laajan valikoiman yritysten luokan toimintoja.

Se, mikä erottaa Nexlan, on sen kyky yhdistää helppokäyttöisyyden skaalautuvuuden ja laajuuden vaatimusten kanssa, jotka yritykset tarvitsevat. Meidän alustamme yhdistää nämä kaksi maailmaa saumattomasti, mahdollistaen tiimien työskentelyn tehokkaasti ilman, että heidän on uhrattava voimaa tai joustavuutta.

Nexlan yksi päävahvuuksista on sen abstrakti arkkitehtuuri. Esimerkiksi, kun käyttäjät suunnittelevat data-pipelinea visuaalisesti, tapa, jolla putki suoritetaan, on erittäin sopeutuva. Riippuen käyttäjän vaatimusten mukaan – kuten lähde, kohde tai tarvitaanko dataa reaaliajassa – alusta kartoittaa putken automaattisesti yhteen kuudesta eri moottorista. Tämä takaa optimaalisen suorituskyvyn ilman, että käyttäjien on hallittava näitä monimuotoisuuksia manuaalisesti.

Alusta on myös loskaisti, mikä tarkoittaa, että lähdejärjestelmät ja kohdejärjestelmät ovat erillisiä. Tämä mahdollistaa käyttäjille helposti lisätä enemmän kohteita olemassa oleviin lähteisiin, lisätä enemmän lähteitä olemassa oleviin kohteisiin ja mahdollistaa kaksisuuntaiset integraatiot järjestelmien välillä.

Olen tärkeää, että Nexla abstrahoi putkien suunnittelun, jotta käyttäjät voivat käsitellä eri tyyppisiä dataa, kuten erä- ja reaaliaikadataa, ilman, että heidän on muutettava työvirtojaan tai suunnitteluaan. Alusta sopeutuu automaattisesti näihin tarpeisiin, tehdessään siitä helpomman käyttäjille työskennellä datan kanssa missä tahansa muodossa tai nopeudessa. Tämä on enemmän tarkoitushakuisen suunnittelun kuin ohjelmointikielen erityisyyden ansiota, varmistaen saumattoman käyttökokemuksen.

Kaikki tämä osoittaa, että rakensimme Nexlan lopullisen datakäyttäjän tarpeita ajatellen. Monet perinteiset työkalut on suunniteltu dataa tuottaville tai järjestelmiä hallinnoiville, mutta keskitymme datakäyttäjien tarpeisiin, jotka haluavat yhdenmukaiset, suorat käyttöliittymät dataan, riippumatta sen lähteestä. Priorisoidessamme kuluttajan kokemusta, pystyimme suunnittelemaan alustan, joka yksinkertaistaa datan pääsyn ja ylläpitää joustavuutta, jota on tarvita eri käyttötarkoituksiin.

Voitko jakaa esimerkkejä siitä, miten ei-koodi- ja matalan koodin ominaisuudet ovat muuttaneet data-insinööritieteellisen asiakkaiden keskuudessa?

Ei-koodi- ja matalan koodin ominaisuudet ovat muuttaneet data-insinööritieteellisen prosessin todella yhteistyölliseksi kokemukseksi käyttäjille. Esimerkiksi aiemmin DoorDashin tilinhoitotiimi, joka hallinnoi dataa myyjille, tarvitsi antaa vaatimuksia insinööritiimille. Insinöörit rakentaisivat sitten ratkaisuja, johtaen iteratiiviseen takaisin- ja eteenpäin -prosessiin, joka vei paljon aikaa.

Nyt ei-koodi- ja matalan koodin työkalujen ansiosta dynamiikka on muuttunut. Päivittäin toimiva tiimi voi käyttää matalan koodin liittymää suorittamaan tehtäviä suoraan. Insinööritiimi voi nopeasti lisätä uusia ominaisuuksia ja kykyjä saman matalan koodin alustan kautta, mahdollistaen välittömän päivityksen. Päivittäin toimiva tiimi voi sitten käyttää näitä ominaisuuksia viiveettä.

Tämä siirtymä on muuttanut prosessin yhteistyölliseksi ponnistukseksi eikä luovasta pullonkaulasta, johtuen merkittävistä ajan säästöistä. Asiakkaat ovat ilmoittaneet, että tehtävät, jotka aiemmin kestivät kaksi tai kolme kuukautta, voidaan nyt suorittaa alle kahdessa viikossa – 5-10-kertaisen nopeuden parannus.

Miten data-insinööritieteellinen rooli kehittyy, erityisesti kasvavan tekoälyn omaksumisen myötä?

Data-insinööritieteellinen on kehittymässä nopeasti, ajamana automaation ja edistysten, kuten GenAI:n, kautta. Monet alan osa-alueet, kuten koodin generointi ja liittymän luominen, tulevat nopeammaksi ja tehokkaammaksi. Esimerkiksi GenAI:n avulla liittymien generointi, testaus ja käyttöönotto on parantunut merkittävästi. Mutta tämä edistys myös esittää uusia haasteita, kuten lisääntynyt monimuotoisuus, tietoturvaongelmat ja tarve vahvoille hallintomekanismeille.

Yksi painava huolenaihe on yritysten omistaman datan mahdollinen väärinkäyttö. Yritykset huolehtivat siitä, että heidän omistamansa dataa ei käytetä tahattomasti kouluttamaan tekoälymallia ja menettävätkö kilpailukykyään tai kokevatko tietovuodon, kun data vuotaa muille.

Tekoälyjärjestelmien kasvava monimuotoisuus ja datan valtava määrä edellyttävät data-insinööritiimien omaksumista laajempaa järjestelmänäkökulmaa, keskittyen ylempiin järjestelmäongelmiin, kuten tietoturvaan, hallintoon ja varmistaen datan eheyyden. Nämä haasteet eivät voi yksinkertaisesti ratkaista tekoälyllä.

Vaikka generatiivinen tekoäly voi automatisoida alempien tason tehtäviä, data-insinööritieteellinen rooli on siirtymässä koko ekosysteemin orkestraatioon. Data-insinöörit toimivat nyt enemmän kuin johtajina, hallinnoimalla useita toisiinsa liittyviä komponentteja ja prosesseja, kuten virheiden estämistä, virheiden havaitsemista ja varmistamista, että tekoälymallien tuottamat tulokset käytetään liiketoimintapäätöksissä oikein.

Virheet ja virhetyypit näissä järjestelmissä voivat olla kalliita. Esimerkiksi tekoälyjärjestelmät voivat hakea vanhentunutta tietoa, johtuen virheellisistä vastauksista, kuten luvatessa asiakkaalle hyvitystä, vaikka se ei ole sallittua. Nämä ongelmat vaativat tiukkaa valvontaa ja hyvin määriteltyjä prosesseja virheiden ja epäkohtien havaitsemiseksi ennen kuin ne vaikuttavat liiketoimintaan.

Toinen tärkeä vastuu data-insinööritiimillä on sopeutua käyttäjien demografisen muutoksen. Tekoälytyökalut eivät ole enää rajoitettu vain analyytikoille tai teknisille käyttäjille, jotka voivat kyseenalaistaa raporttien ja datan validiteetin. Nämä työkalut ovat nyt käytössä laajemmin, kuten asiakastukihenkilöillä, jotka eivät välttämättä ole asiantuntijoita kyseenalaistamaan virheellisiä tuloksia. Tämä laajempi teknologian demokratisointi lisää data-insinööritiimien vastuuta varmistaakseen datan täsmällisyyden ja luotettavuuden.

Mitä uusia ominaisuuksia tai edistystä voidaan odottaa Nexlalta, kun data-insinööritieteellinen ala jatkaa kasvamistaan?

Me keskitymme useisiin edistykseen ratkaisemaan nousseita haasteita ja mahdollisuuksia, kun data-insinööritieteellinen jatkaa kehittymistään. Yksi näistä on tekoälypohjaiset ratkaisut datan monimuotoisuuden käsittelyyn. Yksi data-insinööritieteellisen suurimmista haasteista on datan monimuotoisuuden hallinta eri lähteistä, joten me hyödynnämme tekoälyä tätä prosessia sujuvoittamaan. Esimerkiksi, kun vastaanotamme dataa sadoista eri myyjiltä, järjestelmä voi automaattisesti kartoittaa sen yhdenmukaiseen rakenteeseen. Tämä prosessi vaatii tällä hetkellä merkittävää ihmisten panostusta, mutta Nexlan tekoälypohjaiset kyvyt tavoittelevat minimoida manuaalisen vaivannäön ja parantaa tehokkuutta.

Me myös kehittämme eteenpäin yhdistämisteknologiaamme tukemaan seuraavan sukupolven data-työvirtoja, mukaan lukien helpon agenttien luomisen. Nämä agentit mahdollistavat vaivattoman yhteyden uusiin järjestelmiin ja sallivat käyttäjien suorittaa tiettyjä toimintoja näissä järjestelmissä. Tämä on erityisesti suunnattu kasvavien GenAI-käyttäjien tarpeisiin ja tekee siitä helpompaa integroida ja vuorovaikuttaa monien alustojen kanssa.

Kolmanneksi jatkamme innovointia parantamaan seurantaa ja laadunvarmistusta. Kun yhä useammat käyttäjät hyödyntävät dataa eri järjestelmissä, datan laadun seurannan ja varmistamisen tärkeys on kasvanut merkittävästi. Tavoitteemme on tarjota vahvat työkalut järjestelmien seurantaan ja laadunvarmistukseen, jotta data pysyy luotettavana ja toimivana, kun käyttö skaalautuu.

Lopulta Nexla on myös avaamassa joitain keskeisiä kykyjämme avoimella lähdekoodilla. Ajatus on, että jakamalla teknologiamme laajemmalle yhteisölle voimme antaa enemmän ihmisiä hyödyntämään edistyneitä data-insinööritieteellisiä työkaluja ja ratkaisuja, mikä lopulta heijastaa sitoutumistamme innovaation ja yhteistyön edistämiseen alan sisällä.

Kiitos loistavista vastauksista, lukijat, jotka haluavat oppia enemmän, kannattaa vierailla Nexlassa.