डॉ. स्टावरोस पापाडोपोलोस, संस्थापक और सीईओ, टाइलडीबी – साक्षात्कार श्रृंखला

टाइलडीबी एक आधुनिक डाटाबेस है जो सभी डाटा मोडेलिटी, कोड और गणना को एक ही उत्पाद में एकीकृत करता है।  टाइलडीबी मई 2017 में इसे एम.आई.टी. और इंटेल लैब्स से अलग कर दिया गया।

फरवरी 2017 में टाइलडीबी, इंक. की स्थापना से पहले, डॉ. स्टावरोस पापाडोपोलोस इंटेल पैरेलल कंप्यूटिंग लैब में वरिष्ठ शोध वैज्ञानिक थे, और तीन साल तक एमआईटी सीएसएआईएल में इंटेल साइंस एंड टेक्नोलॉजी सेंटर फॉर बिग डेटा के सदस्य थे। उन्होंने हांगकांग यूनिवर्सिटी ऑफ साइंस एंड टेक्नोलॉजी (HKUST) के कंप्यूटर साइंस एंड इंजीनियरिंग विभाग में विजिटिंग असिस्टेंट प्रोफेसर के रूप में भी लगभग दो साल बिताए। स्टावरोस ने प्रो. दिमित्रिस पापाडियास की देखरेख में HKUST में कंप्यूटर साइंस में अपनी पीएचडी की डिग्री प्राप्त की, और प्रो. यूफेई ताओ के साथ चाइनीज यूनिवर्सिटी ऑफ हांगकांग में पोस्टडॉक फेलो पद पर रहे।

आप पहले इंटेल पैरेलल कंप्यूटिंग लैब में वरिष्ठ अनुसंधान वैज्ञानिक थे, और तीन साल तक एमआईटी सीएसएआईएल में बिग डेटा के लिए इंटेल साइंस एंड टेक्नोलॉजी सेंटर (आईएसटीसी) के सदस्य थे। क्या आप अपने जीवन के इस दौर की कुछ खास बातें हमारे साथ साझा कर सकते हैं?

इंटेल लैब्स और एमआईटी में अपने कार्यकाल के दौरान, मुझे दो अलग-अलग वैज्ञानिक क्षेत्रों में दिग्गजों के साथ सहयोग करने का अनूठा अवसर मिला: उच्च-प्रदर्शन कंप्यूटिंग (इंटेल में) और डेटाबेस (एमआईटी में)। मैंने जो ज्ञान और विशेषज्ञता हासिल की, वह एक नए प्रकार की डेटाबेस प्रणाली बनाने के लिए मेरे दृष्टिकोण को आकार देने में महत्वपूर्ण बन गई, जिसे मैंने अंततः ISTC के भीतर एक शोध परियोजना के रूप में बनाया और टाइलडीबी बन गया।

क्या आप टाइलडीबी के पीछे के दृष्टिकोण को समझा सकते हैं तथा यह बता सकते हैं कि इसका उद्देश्य आधुनिक डेटाबेस परिदृश्य में क्रांति लाना है?

पिछले कुछ वर्षों में, मशीन लर्निंग और जनरेटिव AI अनुप्रयोगों में भारी वृद्धि हुई है जो संगठनों को बेहतर निर्णय लेने में मदद करते हैं। हर दिन, संगठन अपने डेटा में नए पैटर्न खोज रहे हैं, और फिर इस जानकारी का उपयोग प्रतिस्पर्धात्मक बढ़त हासिल करने के लिए कर रहे हैं। ये पैटर्न डेटा मोडैलिटी के लगातार बढ़ते स्पेक्ट्रम से उभरते हैं जिन्हें उपयोग में लाने के लिए उन्हें संग्रहित और प्रबंधित किया जाना चाहिए। पारंपरिक सारणीबद्ध डेटा से लेकर सोशल पोस्ट, ईमेल, इमेज, वीडियो और सेंसर डेटा जैसे अधिक जटिल डेटा स्रोतों तक, डेटा से अर्थ निकालने की क्षमता के लिए समग्र रूप से विश्लेषण की आवश्यकता होती है। जैसे-जैसे डेटा के प्रकार बढ़ते हैं, यह कार्य बहुत अधिक कठिन होता जा रहा है, जिसके लिए नए प्रकार के डेटाबेस की आवश्यकता होती है। यही कारण है कि TileDB बनाया गया था।

उन्नत विश्लेषण और मशीन लर्निंग क्षमताओं को विकसित करने से पहले संगठनों के लिए अपने डेटा बुनियादी ढांचे को प्राथमिकता देना क्यों महत्वपूर्ण है?

एआई को अपनाने के उत्साह के बीच एक महत्वपूर्ण और अक्सर नजरअंदाज की जाने वाली सच्चाई यह है कि किसी भी एआई पहल की सफलता अंतर्निहित डेटा अवसंरचना की गुणवत्ता और प्रदर्शन से अंतर्निहित रूप से जुड़ी हुई है।

समस्या यह है कि जटिल डेटा जिसे स्वाभाविक रूप से तालिकाओं के रूप में प्रस्तुत नहीं किया जाता है, उसे "असंरचित" माना जाता है, और आमतौर पर इसे या तो बेस्पोक डेटा प्रारूपों में फ्लैट फ़ाइलों के रूप में संग्रहीत किया जाता है, या अलग-अलग, उद्देश्य-निर्मित डेटाबेस द्वारा प्रबंधित किया जाता है। डेटा वैज्ञानिक डेटा को समेकित करने के लिए बहुत अधिक समय व्यतीत करते हैं। यह अनुमान लगाया गया है कि 80-90 प्रतिशत डेटा वैज्ञानिकों का लगभग 10% समय उनके डेटा को साफ करने और उसे मर्ज करने के लिए तैयार करने में व्यतीत होता है। इससे AI एल्गोरिदम को प्रशिक्षित करने और पूर्वानुमान लगाने की क्षमता हासिल करने में लगने वाला समय धीमा हो जाता है। इसके अलावा, इसका मतलब यह है कि डेटा वैज्ञानिकों का केवल 20-XNUMX प्रतिशत समय ही अंतर्दृष्टि बनाने में व्यतीत होता है।

जब संगठन मजबूत डेटाबेस अवसंरचना की कीमत पर एआई और एमएल अनुप्रयोगों पर अधिक ध्यान केंद्रित करते हैं तो उन्हें किन सामान्य नुकसानों का सामना करना पड़ता है?

संगठन चमकदार नई चीजों पर ध्यान केंद्रित करते हैं। डेटा इंफ्रास्ट्रक्चर के शीर्ष पर निर्मित बड़े भाषा मॉडल, वेक्टर डेटाबेस और जनरेटिव एआई ऐप वर्तमान उदाहरण हैं, जो अंतर्निहित डेटा इंफ्रास्ट्रक्चर को संबोधित करने की कीमत पर हैं जो विश्लेषणात्मक सफलता के लिए महत्वपूर्ण है. सरल शब्दों में कहें तो, यदि आपका संगठन ऐसा करता है, तो आपको अपने डेटा ढांचे को तैयार करने में अत्यधिक समय खर्च करना पड़ सकता है और जानकारी प्राप्त करने के अवसर में देरी हो सकती है या वे पूरी तरह से चूक सकते हैं।

क्या आप विस्तार से बता सकते हैं कि डेटाबेस को 'अनुकूलनीय' क्या बनाता है और आधुनिक डेटा विश्लेषण के लिए यह अनुकूलनशीलता क्यों आवश्यक है?

एक अनुकूली डेटाबेस वह होता है जो सभी डेटा को समायोजित करने के लिए आकार बदल सकता है - चाहे वह किसी भी प्रकार का हो - और उसे एकीकृत तरीके से एक साथ संग्रहीत कर सकता है। एक अनुकूली डेटाबेस डेटा में संरचना लाता है जिसे अन्यथा "असंरचित" माना जाता है। यह अनुमान लगाया गया है कि दुनिया का 80 प्रतिशत या उससे अधिक डेटा गैर-सारणीबद्ध या असंरचित है, और अधिकांश AI/ML मॉडल (LLM सहित) इस प्रकार के डेटा पर प्रशिक्षित होते हैं।

टाइलडीबी बहु-आयामी सरणियों में डेटा की संरचना करता है। पारंपरिक डेटाबेस की तुलना में यह प्रारूप प्रदर्शन और लागत-दक्षता को कैसे बेहतर बनाता है?

बहुआयामी सरणी डेटाबेस की आधारभूत ताकत यह है कि यह व्यावहारिक रूप से किसी भी डेटा मोडैलिटी और एप्लिकेशन को समायोजित करने के लिए रूपांतरित हो सकता है। उदाहरण के लिए, एक वेक्टर, बस एक आयामी सरणी है। इस "असंरचित" डेटा में संरचना लाकर, आप अपने डेटा इंफ्रास्ट्रक्चर को समेकित कर सकते हैं, लागतों को काफी कम कर सकते हैं, साइलो को खत्म कर सकते हैं, उत्पादकता बढ़ा सकते हैं और सुरक्षा बढ़ा सकते हैं। एक कदम आगे बढ़ते हुए, जब कंप्यूट इंफ्रास्ट्रक्चर को डेटा प्रबंधन इंफ्रास्ट्रक्चर के साथ जोड़ा जाता है, तो आप अपने डेटा से तुरंत मूल्य निकाल सकते हैं।

कुछ उल्लेखनीय उपयोग मामले क्या हैं जहां टाइलडीबी ने डेटा प्रबंधन और विश्लेषण प्रदर्शन में महत्वपूर्ण सुधार किया है?

टाइलडीबी का पहला उपयोग मामला विशाल जीनोमिक डेटा का भंडारण, प्रबंधन और विश्लेषण था, जिसे पारंपरिक, सारणीबद्ध डेटाबेस में मॉडल और स्टोर करना बहुत मुश्किल और महंगा है। हमने अभूतपूर्व प्रदर्शन लाभ (अन्य डेटाबेस और बेस्पोक समाधानों की तुलना में कई मामलों में 100 गुना तेज़) देखा। हालाँकि, हमारा बहुआयामी सरणी मॉडल सार्वभौमिक है और अन्य डेटा तौर-तरीकों को भी कुशलता से कैप्चर कर सकता है। उदाहरण के लिए, टाइलडीबी बायोमेडिकल इमेजिंग, सैटेलाइट इमेजिंग, सिंगल-सेल ट्रांसक्रिप्टोमिक्स और LiDAR और SONAR जैसे पॉइंट क्लाउड डेटा को संभालने में उत्कृष्ट है।

टाइलडीबी इंटरऑपरेबिलिटी के लिए ओपन-सोर्स टूल प्रदान करता है। ओपन सोर्स दृष्टिकोण वैज्ञानिक और डेटा विज्ञान समुदायों को कैसे लाभ पहुंचाता है?

हम टाइलडीबी में ओपन सोर्स के बड़े समर्थक हैं। कोर लाइब्रेरी और डेटा फ़ॉर्मेट विनिर्देश दोनों ही ओपन सोर्स हैं। इसके अलावा, कोर एरे लाइब्रेरी के शीर्ष पर निर्मित हमारी लाइफ़ साइंस पेशकशें भी ओपन सोर्स हैं। इसमें टाइलडीबी-सोमा शामिल है, जो कुशल और स्केलेबल सिंगल-सेल डेटा प्रबंधन के लिए एक पैकेज है, जिसे चैन ज़करबर्ग फ़ाउंडेशन के सहयोग से बनाया गया था और यह सेलएक्सजीन डिस्कवर सेंसस को शक्ति प्रदान करता है - जो दुनिया का सबसे बड़ा पूरी तरह से क्यूरेटेड सिंगल-सेल डेटासेट है। यह भी ओपन सोर्स है और इसका उपयोग दुनिया भर के शैक्षणिक संस्थानों और प्रमुख दवा कंपनियों द्वारा किया जाता है।

डेटा प्रबंधन में भविष्य के रुझान क्या हैं?

जैसे-जैसे डेटा समृद्ध होता जाता है, एआई अनुप्रयोग अधिक स्मार्ट होते जाते हैं। बड़े भाषा मॉडल अधिक से अधिक शक्तिशाली होते जा रहे हैं, कई डेटा मोडैलिटी का लाभ उठा रहे हैं, और इन एलएलएम को विविध डेटा सेटों के साथ एकीकृत करने से एआई में एक नया क्षेत्र खुल रहा है जिसे मल्टीमॉडल एआई के रूप में जाना जाता है।

व्यावहारिक रूप से, मल्टीमॉडल एआई का मतलब है कि उपयोगकर्ता एक इनपुट और एक आउटपुट प्रकार तक सीमित नहीं हैं और वस्तुतः किसी भी इनपुट के साथ मॉडल को वस्तुतः उत्पन्न करने के लिए संकेत दे सकते हैं कोई सामग्री प्रकार। हम टाइलडीबी को मल्टीमॉडल एआई का समर्थन करने के लिए आदर्श डेटाबेस के रूप में देखते हैं, जो किसी भी नए और विभिन्न प्रकार के डेटा का समर्थन करने के लिए बनाया गया है।

बेहतरीन समीक्षा के लिए धन्यवाद, जो पाठक अधिक जानना चाहते हैं उन्हें अवश्य आना चाहिए टाइलडीबी.