Saket Saurabh, PDG et co-fondateur de Nexla – Série d’entretiens

Saket Saurabh, PDG et co-fondateur de Nexla, est un entrepreneur passionné par les données et les infrastructures. Il dirige le développement d’une plateforme d’ingénierie de données de nouvelle génération, automatisée, conçue pour apporter de l’échelle et de la vitesse à ceux qui travaillent avec les données.

Auparavant, Saurabh a fondé une startup mobile réussie qui a atteint des jalons importants, notamment une acquisition, une introduction en bourse et une croissance en une entreprise multimillionnaire. Il a également contribué à plusieurs produits et technologies innovants lors de son séjour chez Nvidia.

Nexla permet l’automatisation de l’ingénierie des données afin que les données soient prêtes à l’emploi. Cela est réalisé grâce à une approche unique de Nexsets – des produits de données qui facilitent l’intégration, la transformation, la livraison et la surveillance des données.

Qu’est-ce qui vous a inspiré pour co-fonder Nexla, et comment vos expériences dans l’ingénierie des données ont-elles façonné votre vision pour l’entreprise ?

 Avant de fonder Nexla, j’ai commencé mon parcours dans l’ingénierie des données chez Nvidia en construisant des technologies haut de gamme et très évolutives du côté du calcul. Après cela, j’ai conduit ma précédente startup à travers un parcours d’acquisition et d’introduction en bourse dans l’espace de la publicité mobile, où de grandes quantités de données et d’apprentissage automatique faisaient partie intégrante de notre offre, traitant environ 300 milliards d’enregistrements de données chaque jour.

En regardant le paysage en 2015 après que mon entreprise précédente soit devenue publique, je cherchais le prochain grand défi qui m’excitait. Venant de ces deux backgrounds, il était très clair pour moi que les défis de données et de calcul convergeaient à mesure que l’industrie se dirigeait vers des applications plus avancées alimentées par les données et l’IA.

Alors que nous ne savions pas à l’époque que l’IA générative (GenAI) progresserait aussi rapidement, il était évident que l’apprentissage automatique et l’IA seraient la base pour tirer parti des données. Je me suis donc mis à réfléchir à ce qu’il fallait comme infrastructure pour que les gens puissent réussir à travailler avec les données, et comment nous pouvions rendre possible pour quiconque, et pas seulement les ingénieurs, de tirer parti des données dans leur vie professionnelle quotidienne.

Cela a conduit à la vision pour Nexla – simplifier et automatiser l’ingénierie derrière les données, car l’ingénierie des données était une solution très personnalisée au sein de la plupart des entreprises, en particulier lorsqu’il s’agissait de problèmes de données complexes ou à grande échelle. L’objectif était de rendre les données accessibles et abordables pour un plus large éventail d’utilisateurs, et pas seulement pour les ingénieurs de données. Mes expériences dans la construction de systèmes de données évolutifs et d’applications ont alimenté cette vision de démocratiser l’accès aux données grâce à l’automatisation et à la simplification.

Comment les Nexsets illustrent-ils la mission de Nexla pour rendre les données prêtes à l’emploi pour tous, et pourquoi cette innovation est-elle cruciale pour les entreprises modernes ?

Les Nexsets illustrent la mission de Nexla pour rendre les données prêtes à l’emploi pour tous en abordant le défi fondamental des données. Les 3V des données – volume, vitesse et variété – ont toujours été un problème persistant. L’industrie a fait quelques progrès pour relever les défis liés au volume et à la vitesse. Cependant, la variété des données est restée un obstacle important à mesure que la prolifération de nouveaux systèmes et applications a conduit à une diversité croissante des structures et des formats de données.

L’approche de Nexla consiste à modéliser et à connecter automatiquement les données de sources diverses en une entité cohérente et emballée, un produit de données que nous appelons un Nexset. Cela permet aux utilisateurs d’accéder et de travailler avec les données sans avoir à comprendre la complexité sous-jacente des différentes sources et structures de données. Un Nexset agit comme une passerelle, fournissant une interface simple et directe aux données.

Ceci est crucial pour les entreprises modernes car cela permet à plus de personnes, et pas seulement aux ingénieurs de données, de tirer parti des données dans leur travail quotidien. En abstrayant la variété et la complexité des données, les Nexsets rendent possible pour les utilisateurs métier, les analystes et d’autres personnes d’interagir directement avec les données dont ils ont besoin, sans nécessiter une expertise technique approfondie.

Nous avons également travaillé pour rendre l’intégration facile à utiliser pour les consommateurs de données moins techniques – de l’interface utilisateur et de la façon dont les gens collaborent et gèrent les données à la façon dont ils construisent des transformations et des flux de travail. Abstraire la complexité de la variété des données est clé pour démocratiser l’accès aux données et permettre à un plus large éventail d’utilisateurs de tirer valeur de leurs actifs d’information. Ceci est une capacité critique pour les entreprises modernes qui cherchent à devenir plus axées sur les données et à tirer parti des connaissances alimentées par les données à travers l’organisation.

Qu’est-ce qui rend les données « prêtes pour l’IA générative », et comment Nexla répond-elle efficacement à ces exigences ?

La réponse dépend en partie de la façon dont vous utilisez l’IA générative. La majorité des entreprises mettent en œuvre l’IA générative de récupération et de génération (RAG). Cela nécessite de préparer et de coder les données pour les charger dans une base de données vectorielle, puis de récupérer les données via une recherche pour les ajouter à une invite en tant que contexte d’entrée pour un grand modèle de langage (LLM) qui n’a pas été formé à l’aide de ces données. Les données doivent donc être préparées de manière à fonctionner bien pour les recherches vectorielles et les LLM.

Quelle que soit la façon dont vous utilisez l’IA générative, il y a quelques exigences clés :

• Format de données : les LLM d’IA générative fonctionnent souvent mieux avec des données dans un format spécifique. Les données doivent être structurées de manière à ce que les modèles puissent facilement les ingérer et les traiter. Elles doivent également être « fragmentées » d’une manière qui aide les LLM à mieux utiliser les données.
• Connectivité : les LLM d’IA générative ont besoin de pouvoir accéder dynamiquement aux sources de données pertinentes, plutôt que de s’appuyer sur des ensembles de données statiques. Cela nécessite une connectivité continue aux différents systèmes d’entreprise et référentiels de données.
• Sécurité et gouvernance : lors de l’utilisation de données d’entreprise sensibles, il est essentiel d’avoir des contrôles de sécurité et de gouvernance robustes en place. L’accès et l’utilisation des données doivent être sécurisés et conformes aux politiques organisationnelles existantes. Vous devez également gouverner les données utilisées par les LLM pour aider à prévenir les violations de données.
• Évolutivité : les LLM d’IA générative peuvent être gourmands en données et en calcul, donc l’infrastructure de données sous-jacente doit être en mesure de suivre la demande de ces modèles.

Nexla répond à ces exigences pour rendre les données prêtes pour l’IA générative de plusieurs manières clés :

• Accès dynamique aux données : la plateforme d’intégration de données de Nexla fournit un moyen unique de se connecter à des centaines de sources et utilise divers styles d’intégration et de vitesse de données, ainsi que l’orchestration, pour fournir aux LLM d’IA générative les données les plus récentes dont ils ont besoin, lorsqu’ils en ont besoin, plutôt que de s’appuyer sur des ensembles de données statiques.
• Préparation des données : Nexla a la capacité d’extraire, de transformer et de préparer les données dans des formats optimisés pour chaque cas d’utilisation d’IA générative, y compris la fragmentation de données intégrée et la prise en charge de plusieurs modèles de codage.
• Service et collaboration en libre-service : avec Nexla, les consommateurs de données peuvent non seulement accéder aux données et construire des Nexsets et des flux. Ils peuvent collaborer et partager leur travail via un marché qui garantit que les données sont dans le bon format et améliore la productivité grâce à la réutilisation.
• Génération automatique : l’intégration et l’IA générative sont difficiles. Nexla génère automatiquement de nombreuses étapes nécessaires en fonction des choix effectués par le consommateur de données – en utilisant l’IA et d’autres techniques – afin que les utilisateurs puissent effectuer le travail par eux-mêmes.
• Gouvernance et sécurité : Nexla intègre des contrôles de sécurité et de gouvernance robustes tout au long, y compris la collaboration, pour garantir que les données d’entreprise sensibles sont accessibles et utilisées de manière sécurisée et conforme.
• Évolutivité : la plateforme Nexla est conçue pour suivre la demande des charges de travail d’IA générative, fournissant la puissance de calcul et l’évolutivité nécessaires.

L’intégration convergente, le libre-service et la collaboration, la génération automatique et la gouvernance des données doivent être construits ensemble pour rendre possible la démocratisation des données.

Comment les types et les sources de données diversifiés contribuent-ils au succès des modèles d’IA générative, et quel rôle Nexla joue-t-il dans la simplification du processus d’intégration ?

Les modèles d’IA générative ont besoin d’accéder à toutes sortes d’informations pour fournir les meilleures connaissances et générer des sorties pertinentes. Si vous ne fournissez pas ces informations, vous ne devez pas vous attendre à de bons résultats. C’est la même chose pour les personnes.

Les modèles d’IA générative doivent être formés sur une large gamme de données, des bases de données structurées aux documents non structurés, pour construire une compréhension complète du monde. Les différentes sources de données, telles que les articles de presse, les rapports financiers et les interactions avec les clients, fournissent des informations contextuelles précieuses que ces modèles peuvent exploiter. L’exposition à des données diversifiées permet également aux modèles d’IA générative de devenir plus flexibles et adaptables, leur permettant de gérer une plus large gamme de requêtes et de tâches.

Nexla abstrait la variété de toutes ces données avec les Nexsets et facilite l’accès à presque toute source, puis extrait, transforme, orchestre et charge les données afin que les consommateurs de données puissent se concentrer sur les données et les rendre prêtes pour l’IA générative.

Quels sont les tendances qui façonnent l’écosystème des données en 2025 et au-delà, en particulier avec l’essor de l’IA générative ?

Les entreprises se sont principalement concentrées sur l’utilisation de l’IA générative pour construire des assistants ou des copilotes pour aider les gens à trouver des réponses et à prendre de meilleures décisions. L’IA agente, les agents qui automatisent les tâches sans que les personnes soient impliquées, est définitivement une tendance croissante à mesure que nous nous dirigeons vers 2025. Les agents, comme les copilotes, ont besoin d’une intégration pour garantir que les données s’écoulent sans heurts – pas seulement dans une direction mais aussi en permettant à l’IA d’agir sur ces données.

Une autre tendance majeure pour 2025 est la complexité croissante des systèmes d’IA. Ces systèmes deviennent plus sophistiqués en combinant des composants provenant de différentes sources pour créer des solutions cohérentes. C’est similaire à la façon dont les humains s’appuient sur divers outils tout au long de la journée pour accomplir des tâches. Les systèmes d’IA dotés de capacités seront suivis de cette approche, en orchestrant plusieurs outils et composants. Cette orchestration présente un défi important mais également un domaine clé de développement.

En termes de tendances, nous voyons une poussée vers l’IA générative qui progresse au-delà du simple suivi de modèles pour atteindre une véritable prise de décision. Il y a beaucoup de progrès technologiques qui se produisent dans cet espace. Même si ces progrès ne se traduisent peut-être pas entièrement en valeur commerciale en 2025, ils représentent la direction dans laquelle nous nous dirigeons.

Une autre tendance clé est l’application accrue des technologies accélérées pour l’inférence d’IA, en particulier avec des entreprises comme Nvidia. Traditionnellement, les GPU ont été fortement utilisés pour la formation de modèles d’IA, mais l’inférence à l’exécution – le point où le modèle est activement utilisé – devient également très importante. Nous pouvons nous attendre à des progrès dans l’optimisation de l’inférence, la rendant plus efficace et plus impactante.

En outre, il y a une prise de conscience que les données de formation disponibles ont été largement maximisées. Cela signifie que les améliorations futures des modèles ne proviendront pas de l’ajout de plus de données lors de la formation, mais de la façon dont les modèles fonctionnent lors de l’inférence. Lors de l’exécution, l’utilisation de nouvelles informations pour améliorer les résultats des modèles devient un objectif clé.

Alors que certaines technologies commencent à atteindre leurs limites, de nouvelles approches continueront d’émerger, mettant en évidence l’importance de l’agilité pour les organisations qui adoptent l’IA. Ce qui fonctionne bien aujourd’hui pourrait devenir obsolète dans six mois ou un an, il est donc essentiel de rester adaptable et ouvert aux changements pour suivre le paysage en constante évolution.

Quelles stratégies les organisations peuvent-elles adopter pour briser les silos de données et améliorer le flux de données à travers leurs systèmes ?

Tout d’abord, les gens doivent accepter que les silos de données existeront toujours. Cela a toujours été le cas. De nombreuses organisations tentent de centraliser toutes leurs données en un seul endroit, croyant que cela créera un environnement idéal et débloquera une valeur significative, mais cela s’avère presque impossible. Cela se transforme souvent en un effort long, coûteux et pluriannuel, en particulier pour les grandes entreprises.

Donc, la réalité est que les silos de données sont là pour rester. Une fois que nous l’acceptons, la question devient : Comment pouvons-nous travailler avec les silos de données de manière plus efficace ?

Une analogie utile est de penser à de grandes entreprises. Aucune grande société ne fonctionne à partir d’un seul bureau où tout le monde travaille ensemble à l’échelle mondiale. Au lieu de cela, ils se divisent en sièges sociaux et en plusieurs bureaux. L’objectif n’est pas de résister à cette division naturelle mais de garantir que ces bureaux puissent collaborer efficacement. C’est pourquoi nous investissons dans des outils de productivité comme Zoom ou Slack pour relier les gens et permettre des flux de travail sans heurts entre les emplacements.

De même, les silos de données sont des systèmes fragmentés qui existeront toujours à travers les équipes, les divisions ou d’autres frontières. La clé n’est pas de les éliminer mais de les faire fonctionner ensemble de manière fluide. En reconnaissant cela, nous pouvons nous concentrer sur les technologies qui facilitent ces connexions.

Par exemple, des technologies comme les Nexsets fournissent une couche d’abstraction ou une interface commune qui fonctionne sur diverses sources de données. En agissant comme une passerelle vers les silos de données, elles simplifient le processus d’interopérabilité avec les données réparties sur différents silos. Cela crée des efficacités et minimise les impacts négatifs des silos.

En essence, la stratégie devrait consister à améliorer la collaboration entre les silos plutôt que de tenter de les combattre. De nombreuses entreprises font l’erreur de tenter de consolider tout dans un grand lac de données. Mais, pour être honnête, c’est une bataille presque impossible à gagner.

Comment les plateformes de données modernes gèrent-elles les défis tels que la vitesse et l’évolutivité, et qu’est-ce qui distingue Nexla dans la résolution de ces problèmes ?

À mon avis, de nombreux outils au sein de la pile de données moderne ont été initialement conçus avec un accent sur la facilité d’utilisation et la rapidité de développement, ce qui est venu de la rendre plus accessible – permettant aux analystes marketing de déplacer leurs données d’une plateforme marketing directement vers un outil de visualisation, par exemple. L’évolution de ces outils a souvent impliqué le développement de solutions ponctuelles, ou d’outils conçus pour résoudre des problèmes spécifiques et étroitement définis.

Lorsque nous parlons d’évolutivité, les gens pensent souvent à l’évolutivité en termes de gestion de plus grands volumes de données. Mais le véritable défi de l’évolutivité vient de deux facteurs principaux : le nombre croissant de personnes qui ont besoin de travailler avec les données et la variété croissante des systèmes et des types de données que les organisations doivent gérer.

Les outils modernes, étant hautement spécialisés, tendent à résoudre uniquement un sous-ensemble de ces défis. Par conséquent, les organisations finissent par utiliser de multiples outils, chacun résolvant un problème unique, ce qui crée à son tour ses propres défis, tels que la surcharge d’outils et l’inefficacité.

Nexla aborde ce problème en équilibrant soigneusement la facilité d’utilisation et la flexibilité. D’une part, nous offrons de la simplicité grâce à des fonctionnalités telles que des modèles et des interfaces utilisateur conviviales. D’autre part, nous proposons des capacités flexibles et des fonctionnalités conviviales pour les développeurs qui permettent aux équipes d’améliorer en permanence la plateforme. Les développeurs peuvent ajouter de nouvelles fonctionnalités au système, mais ces améliorations restent accessibles sous forme de boutons et de clics simples pour les utilisateurs non techniques. Cette approche évite le piège d’outils trop spécialisés tout en fournissant une large gamme de fonctionnalités de niveau entreprise.

Ce qui distingue vraiment Nexla, c’est sa capacité à combiner la facilité d’utilisation avec l’évolutivité et la largeur de gamme requises par les organisations. Notre plateforme relie ces deux mondes de manière fluide, permettant aux équipes de travailler efficacement sans compromettre la puissance ou la flexibilité.

L’une des principales forces de Nexla réside dans son architecture abstraite. Par exemple, tandis que les utilisateurs peuvent concevoir visuellement un pipeline de données, la façon dont ce pipeline s’exécute est très adaptable. Selon les besoins de l’utilisateur – tels que la source, la destination ou si les données doivent être en temps réel – la plateforme mappe automatiquement le pipeline à l’un des six moteurs différents. Cela garantit des performances optimales sans nécessiter que les utilisateurs gèrent ces complexités manuellement.

La plateforme est également déconnectée, ce qui signifie que les systèmes source et les systèmes de destination sont déconnectés. Cela permet aux utilisateurs d’ajouter facilement plus de destinations à des sources existantes, d’ajouter plus de sources à des destinations existantes et d’activer des intégrations bidirectionnelles entre les systèmes.

Il est important de noter que Nexla abstrait la conception des pipelines de telle sorte que les utilisateurs puissent gérer les données par lots, les données en continu et les données en temps réel sans modifier leurs flux de travail ou leurs conceptions. La plateforme s’adapte automatiquement à ces besoins, rendant ainsi plus facile pour les utilisateurs de travailler avec les données sous n’importe quel format ou vitesse. Cela relève plus d’une conception réfléchie que de spécificités de langage de programmation, garantissant une expérience fluide.

Tout ceci montre que nous avons conçu Nexla en gardant à l’esprit le consommateur final de données. De nombreux outils traditionnels ont été conçus pour ceux qui produisent des données ou gèrent des systèmes, mais nous nous concentrons sur les besoins des consommateurs de données qui veulent des interfaces cohérentes et directes pour accéder aux données, quelle que soit leur source. En donnant la priorité à l’expérience du consommateur, nous avons pu concevoir une plateforme qui simplifie l’accès aux données tout en maintenant la flexibilité nécessaire pour prendre en charge divers cas d’utilisation.

Pouvez-vous partager des exemples de la façon dont les fonctionnalités sans code et à faible code ont transformé l’ingénierie des données pour vos clients ?

Les fonctionnalités sans code et à faible code ont transformé le processus d’ingénierie des données en une expérience véritablement collaborative pour les utilisateurs. Par exemple, dans le passé, l’équipe des opérations de compte de DoorDash, qui gère les données pour les marchands, devait fournir des exigences à l’équipe d’ingénierie. Les ingénieurs construisaient ensuite des solutions, ce qui conduisait à un processus itératif de va-et-vient qui consommait beaucoup de temps.

Aujourd’hui, avec les outils sans code et à faible code, cette dynamique a changé. L’équipe des opérations quotidiennes peut utiliser une interface à faible code pour gérer ses tâches directement. Pendant ce temps, l’équipe d’ingénierie peut rapidement ajouter de nouvelles fonctionnalités et capacités via la même plateforme à faible code, permettant des mises à jour immédiates. L’équipe des opérations peut alors utiliser ces fonctionnalités sans retard.

Ce changement a transformé le processus en une collaboration plutôt qu’un goulet d’étranglement créatif, aboutissant à des économies de temps significatives. Les clients ont rapporté que les tâches qui prenaient auparavant deux à trois mois peuvent maintenant être accomplies en moins de deux semaines – une amélioration de 5 à 10 fois dans la rapidité.

Comment le rôle de l’ingénierie des données évolue-t-il, en particulier avec l’adoption croissante de l’IA ?

L’ingénierie des données évolue rapidement, poussée par l’automatisation et les progrès tels que l’IA générative. De nombreux aspects du domaine, tels que la génération de code et la création de connecteurs, deviennent plus rapides et plus efficaces. Par exemple, avec l’IA générative, le rythme auquel les connecteurs peuvent être générés, testés et déployés a considérablement amélioré. Mais ce progrès introduit également de nouveaux défis, notamment une complexité accrue, des préoccupations en matière de sécurité et le besoin d’une gouvernance robuste.

L’une des préoccupations les plus pressantes est la possibilité d’une mauvaise utilisation des données d’entreprise. Les entreprises s’inquiètent de voir leurs données propriétaires utilisées involontairement pour former des modèles d’IA et perdre leur avantage concurrentiel ou subir une violation de données à mesure que les données sont divulguées à d’autres. La complexité croissante des systèmes et le volume massif de données nécessitent que les équipes d’ingénierie des données adoptent une perspective plus large, se concentrant sur les problèmes système plus larges tels que la sécurité, la gouvernance et la garantie de l’intégrité des données. Ces défis ne peuvent pas être résolus simplement par l’IA.

Alors que l’IA générative peut automatiser les tâches de niveau inférieur, le rôle de l’ingénierie des données se déplace vers l’orchestration de l’écosystème plus large. Les ingénieurs de données agissent désormais plus comme des chefs d’orchestre, gérant de nombreux composants et processus interconnectés, tels que la mise en place de gardes-fous pour prévenir les erreurs ou les accès non autorisés, en veillant à ce que les sorties générées par l’IA soient utilisées dans les décisions commerciales.

Les erreurs et les erreurs dans ces systèmes peuvent être coûteuses. Par exemple, les systèmes d’IA peuvent extraire des informations de politique obsolètes, conduisant à des réponses incorrectes, telles que promettre un remboursement à un client lorsqu’il n’est pas autorisé. Ce type de problèmes nécessite une surveillance rigoureuse et des processus bien définis pour détecter et résoudre ces erreurs avant qu’elles n’aient un impact sur l’entreprise.

Une autre responsabilité clé pour les équipes d’ingénierie des données est de s’adapter au changement de la démographie des utilisateurs. Les outils d’IA ne sont plus limités aux analystes ou aux utilisateurs techniques qui peuvent remettre en question la validité des rapports et des données. Ces outils sont maintenant utilisés par des individus aux extrémités de l’organisation, tels que les agents de support client, qui peuvent ne pas avoir l’expertise pour contester les sorties incorrectes. Cette démocratisation plus large de la technologie augmente la responsabilité des équipes d’ingénierie des données pour garantir l’exactitude et la fiabilité des données.

Quelles nouvelles fonctionnalités ou progrès peuvent être attendus de Nexla à mesure que le domaine de l’ingénierie des données continue de croître ?

Nous nous concentrons sur plusieurs progrès pour répondre aux défis et aux opportunités émergents à mesure que l’ingénierie des données continue d’évoluer. L’un de ces progrès est des solutions basées sur l’IA pour résoudre la variété des données. L’un des principaux défis de l’ingénierie des données est de gérer la variété des données provenant de sources diverses, nous utilisons donc l’IA pour rationaliser ce processus. Par exemple, lors de la réception de données de centaines de marchands différents, le système peut automatiquement les mapper dans une structure standard. Aujourd’hui, ce processus nécessite souvent une contribution humaine significative, mais les capacités basées sur l’IA de Nexla visent à minimiser l’effort manuel et à améliorer l’efficacité.

Nous avançons également dans notre technologie de connecteurs pour prendre en charge la prochaine génération de flux de travail de données, notamment la capacité de générer facilement de nouveaux agents. Ces agents permettent des connexions sans heurts à de nouveaux systèmes et permettent aux utilisateurs d’effectuer des actions spécifiques au sein de ces systèmes. Cela est particulièrement destiné aux besoins croissants des utilisateurs d’IA générative et facilite l’intégration et l’interaction avec une variété de plateformes.

Troisièmement, nous continuons d’innover en matière de surveillance et d’assurance qualité améliorées. À mesure que davantage d’utilisateurs consomment des données à travers divers systèmes, l’importance de la surveillance et de la garantie de la qualité des données a considérablement augmenté. Notre objectif est de fournir des outils solides pour la surveillance du système et l’assurance qualité afin que les données restent fiables et exploitables même à mesure que l’utilisation augmente.

Enfin, Nexla prend également des mesures pour ouvrir certaines de ses capacités de base. L’idée est que, en partageant notre technologie avec la communauté plus large, nous pouvons permettre à plus de personnes de profiter des outils et des solutions d’ingénierie des données avancés, ce qui reflète en fin de compte notre engagement à favoriser l’innovation et la collaboration dans le domaine.

Merci pour ces excellentes réponses, les lecteurs qui souhaitent en savoir plus peuvent visiter Nexla.