Ջեյ Միշրա, Astera Software-ի գլխավոր տնօրեն – հարցազրույցների շարք

Ջեյ Միշրան գլխավոր գործառնական տնօրենն է (COO): Astera Software, ձեռնարկությունների համար պատրաստ տվյալների լուծումների արագ աճող մատակարար: Դրանք օգնում են բիզնես օգտատերերին կամրջել տվյալների միջև պատկերացումների բացը օգտատերերի համար հարմար, բայց բարձր արդյունավետությամբ տվյալների արդյունահանման, տվյալների որակի, տվյալների ինտեգրման, տվյալների պահեստավորման և էլեկտրոնային տվյալների փոխանակման լուծումներով, որոնք օգտագործվում են ինչպես միջին, այնպես էլ Fortune 500 ընկերությունների կողմից: մի շարք ոլորտներում:

Ի՞նչը ձեզ սկզբում գրավեց համակարգչային գիտության մեջ:

Ես միշտ մաթեմատիկայի հանդեպ խորը կիրք եմ ունեցել, և համակարգչային գիտության իմ ճանապարհորդությունը դրա բնական ընդլայնումն էր: Իմ բակալավրիատը եղել է մաթեմատիկա և համակարգչային գիտություն, և մաթեմատիկայի աշխարհից դեպի համակարգչային գիտության ոլորտ տրամաբանական առաջընթացն էր, որ գրավեց ինձ: Հատկապես իմ ուշադրությունը գրավեց ալգորիթմների բարդ աշխատանքը և առաջադեմ ալգորիթմական գործընթացները, որոնք ինձ ստիպեցին մասնագիտանալ ալգորիթմների ոլորտում համակարգչային գիտության մագիստրոսի ընթացքում: Այդ ժամանակից ի վեր իմ կապը համակարգչային գիտության հետ ամուր է մնացել, և ես անընդհատ ձգտում եմ մնալ ոլորտի վերջին զարգացումներին:

Դուք ներկայումս Astera-ի գլխավոր տնօրենն եք, կարո՞ղ եք կիսվել մեզ հետ, թե ինչ է ենթադրում ձեր ամենօրյա դերը:

Որպես Astera-ի գլխավոր տնօրեն՝ իմ դերը բազմակողմանի է՝ արտացոլելով մեր ընկերության դինամիկ բնույթը: Ես եղել եմ «Աստերա»-ում իր հիմնադրման օրվանից, և իմ պարտականությունները ընդգրկել են կազմակերպության տարբեր ոլորտներ: Սա ներառում է ամեն ինչ՝ սկսած մեր արտադրանքի զարգացմանն ու կոդավորմանը ակտիվորեն նպաստելուց մինչև երաշխավորել, որ մեր հնարավորությունները համապատասխանում են մեր հաճախորդների զարգացող կարիքներին: Ես սերտորեն համագործակցում եմ մեր հաճախորդների հետ՝ համագործակցելով նրանց հետ՝ կատարելագործելու մեր լուծումները: Իմ դերը դուրս է գալիս միայն արտադրանքի մշակումից՝ ներառելով վաճառքը և մարքեթինգը, որտեղ մենք շուկա ենք հանում մեր առաջարկները:

Քանի որ մենք աճի փուլում ենք, ես ստանձնել եմ լրացուցիչ պարտականություններ, այդ թվում՝ վերահսկել մեր եկամուտների նպատակները և ռազմավարական ընդլայնել մեր արտադրանքի պորտֆելը նոր շուկաներ հասնելու համար: Ըստ էության, ես ձեռք եմ բերում մեր գործունեության գրեթե բոլոր ասպեկտները՝ ապահովելով, որ մենք ոչ միայն կառուցենք բացառիկ ապրանքներ, այլև հաջողությամբ դրանք շուկա բերենք և հասնենք մեր բիզնես նպատակներին:

Ընթերցողների համար, ովքեր ծանոթ չեն այս տերմինին, ի՞նչ է տվյալների պահեստավորումը:

Տվյալների պահեստավորումը ճարտարապետական ​​օրինաչափություն է, որն օգտագործվում է ձեր ձեռնարկության բոլոր տվյալները կենտրոնացված պահոցում համախմբելու համար, որը կծառայի որպես հիմք, որտեղից կարող եք ստեղծել տարբեր տեսակի վերլուծություններ, հաշվետվություններ և վահանակներ, որոնք ներկայացնելու են ձեր բիզնեսի իրական պատկերը: է և նաև կանխատեսում է, թե ինչպես է բիզնեսը պատրաստվում անել ապագայում: Այդ ամենին սպասարկելու համար դուք որոշակի ձևով հավաքում եք ձեր տվյալները, և այդ ճարտարապետությունը կոչվում է տվյալների պահեստ:

Տերմինը իրականում վերցված է իրական կյանքի պահեստից, որտեղ ձեր ապրանքները պահվում են կազմակերպված դարակներում: Բայց երբ դուք գալիս եք տվյալների աշխարհ, դուք բերում եք ձեր տվյալները տարբեր աղբյուրներից: Դուք բերում եք ձեր տվյալները արտադրությունից, ձեր կայքից, ձեր հաճախորդներից, վաճառքից և մարքեթինգից, ֆինանսներից և մարդկային ռեսուրսների բաժնից: Դուք հավաքում եք բոլոր տվյալները, բերում դրանք մեկ տեղում, և դա այն է, ինչ կոչվելու է տվյալների պահեստ և նախագծված է որոշակի ձևով, որպեսզի հաշվետվությունը, հատկապես ժամանակացույցի հիման վրա, հեշտ լինի: Դա տվյալների պահեստի հիմնական նպատակն է:

Որո՞նք են այսօր տվյալների պահեստավորման հիմնական միտումներից մի քանիսը:

Տվյալների պահեստավորումը բավականին զարգացել է վերջին 20-25 տարիների ընթացքում: Մոտ մեկ տասնամյակ առաջ մենք ականատես եղանք տվյալների ավտոմատացված պահեստավորման առաջացմանը՝ պարադիգմի փոփոխություն, որն արագացրեց տվյալների մոդելների և տվյալների պահեստների կառուցման գործընթացը: Վերջերս ավտոմատացումը կենտրոնական տեղ է գրավել: Այն անդրադառնում է տվյալների պահեստավորման առաջադրանքների կրկնվող բնույթին, գործընթացների պարզեցմանը` ժամանակ և ռեսուրսներ խնայելու համար:

Մեր արտադրանքը, Astera Data Warehouse BuilderՕրինակ, առաջարկում է տվյալների պահեստավորման ավտոմատացման ամբողջական մոտեցում: Այն ընդգրկում է ամեն ինչ՝ սկսած ETL-ի (Քաղվածք, փոխակերպում, բեռնում) խողովակաշարերի ավտոմատացումից և տվյալների մոդելավորումից մինչև տվյալների ավտոմատ բեռնում այնպիսի կառուցվածքներում, ինչպիսիք են աստղային սխեմաները կամ տվյալների պահոցները: Ավելին, այն արդյունավետ կերպով պահպանում է այս կառույցները Change Data Capture (CDC) մեխանիզմների միջոցով: Այս համապարփակ ավտոմատացումը հայտնվել է որպես տվյալների պահեստավորման լանդշաֆտի հիմնական միտում:

Ավելին, ամենավերջին միտումը տվյալների պահեստավորման և արհեստական ​​ինտելեկտի (AI) միջև միաձուլումն է: Մասնավորապես, գեներատիվ AI-ն ավտոմատացումը նոր բարձունքների է հասցրել: Այն ոչ միայն ավտոմատացնում է առաջադրանքները, այլև օգնում է օգտատերերին որոշումներ կայացնելիս:

Տվյալների պահեստավորման բաղադրիչների, խողովակաշարերի և որոշումների կետերի կազմաձևումը կարող է առաջնորդվել AI-ով` դարձնելով տվյալների պահեստավորումն ավելի հզոր և արդյունավետ, քան երբևէ: Ըստ էության, սա ավտոմատացում է ստերոիդների վրա և փոխակերպում է տվյալների պահեստավորման լանդշաֆտը: AI-ի և տվյալների պահեստավորման խաչմերուկը միտում է, որը հսկայական խոստումներ է տալիս ապագայի համար:

Որո՞նք են չորս հիմնարար սկզբունքները, որոնք ձեռնարկությունները պետք է հաշվի առնեն իրենց տվյալների պահեստի զարգացման համար:

1. Հստակ նպատակների սահմանում

Կարևոր է սկսել՝ հստակ հասկանալով, թե ինչ է ձեզ անհրաժեշտ ձեր տվյալների պահեստից: Խուսափեք առանց հստակ նպատակի չափից ավելի տվյալներ հավաքելու ընդհանուր որոգայթից: Փոխարենը, նշեք կոնկրետ նպատակները, որոնք ցանկանում եք հասնել ձեր տվյալների պահեստի հետ: Ի՞նչ զեկույցներ և պատկերացումներ եք փնտրում: Կենտրոնանալով ձեր նպատակների վրա՝ դուք կարող եք ապահովել, որ մուտքագրեք միայն համապատասխան տվյալներ, այլ ոչ թե անխտիր կուտակեք հսկայական քանակությամբ տեղեկատվություն: Հաշվի առնելով պահեստավորման և հաշվողական հզորության նվազող ծախսերը, կարևոր է օգտագործել այդ ռեսուրսները խելամտորեն և էթիկորեն:

2. Ճարտարապետական ​​ճիշտ նախշի ընտրություն

Ճարտարապետական ​​նախշերը շատ կարևոր են։ Նրանք որոշում են՝ արդյոք ձեր տվյալների պահեստավորման լուծումը հաջողակ կլինի, թե ոչ: Կան տարբեր տարբերակներ՝ սկսած Ինմոնի ոճով տվյալների պահեստավորումից մինչև Ռալֆ Քիմբալի աստղային սխեմաները, ինչպես նաև ավելի նոր օրինաչափություններ, ինչպիսիք են Data Vault-ը և մեկ մեծ սեղանի մոտեցումը, որը պաշտպանում են columna տվյալների բազայի վաճառողները: Ոչ բոլոր նախշերը հարմար կլինեն յուրաքանչյուր սցենարի համար:

Մենք հիմնականում տեսնում ենք աստղային սխեմայի համակցություն, որը նստած է տվյալների պահոցի վերևում: Այսպիսով, Data Vault-ի և Star Schema-ի համադրությունը դեռևս ամենաշատ օգտագործվող օրինակն է: Բայց, ինչպես ասացի, յուրաքանչյուր պահանջի կամ սցենարի համար տարբեր պատասխաններ կլինեն: Այսպիսով, անցկացրեք այն փորձագետների միջոցով, տեսեք, թե որ ճարտարապետական ​​օրինակն է լավ համապատասխանում ձեր սցենարին:

3. Ընտրելով ճիշտ գործիքներ

Դրանք շատ կարևոր են և կրկին մեծ տարբերություն են տալիս լուծում ստեղծելու համար անհրաժեշտ ժամանակի և աղբյուրների, ինչպես նաև ձեր լուծման ճշգրտության և որակի վրա, որը որոշվում է այն ապրանքներով, որոնք դուք պատրաստվում եք օգտագործել ձեր ստեղծման համար: տվյալների պահեստ և պահպանել այն: Մեծ ուշադրություն դարձրեք արտադրանքի հնարավորություններին և նայեք այն ապրանքներին, որոնք ի վիճակի են մեկ հովանու ներքո առավելագույն պահանջներ ներկայացնել: Կան որոշակի ոլորտներ, ինչպիսիք են ETL (Քաղվածք, փոխակերպում, բեռնում), տվյալների որակը, տվյալների մոդելավորումը, տվյալների բեռնումը և տվյալների հրապարակումը, բոլորը կարևոր դեր են խաղում: Եթե ​​փորձեք օգտագործել բազմաթիվ ապրանքներ այս ոլորտներից յուրաքանչյուրի համար, դժվար կլինի: Այսպիսով, նայեք այն ապրանքներին, որոնք կարող են օգտագործվել տարբեր բաղադրիչների մեծ մասը, եթե ոչ բոլորը:

4. Ձեր թիմը

Վերջին, բայց ոչ պակաս, մարդկանց թիմը, որը դուք հավաքում եք ձեր տվյալների պահեստի լուծումը ստեղծելու համար, ամենակարևոր մասն է: Մենք խորհուրդ ենք տալիս ունենալ մեկին, ով ունի տվյալների ճարտարապետական ​​օրինաչափությունների ուժեղ նախադրյալներ: Թիմի կազմի առումով խաչաձև ֆունկցիոնալ թիմերը դրա համար լավագույն միջոցն են, որտեղ դուք ունեք բիզնես օգտագործողների և ծրագրավորման որոշակի նախապատմություն ունեցող մարդկանց կամ առնվազն տվյալների փորձագիտություն և սերտ համագործակցություն ձեր տվյալների պահառուների, մարդկանց միջև, նրանք պատասխանատու են տվյալների և, իհարկե, բիզնեսի համար: Խթանելով սերտ համագործակցությունը ձեր կազմակերպության այս տարբեր կողմերի միջև՝ դուք կարող եք ստեղծել համախմբված և արդյունավետ թիմ, որը պատասխանատու է ձեր տվյալների պահեստավորման լուծումը ստեղծելու և պահպանելու համար:

Տվյալների պահեստավորման հաջողությունը կախված է այս չորս սկզբունքների միջև հավասարակշռության հասնելուց: Այս սկզբունքները, երբ ուշադիր հետևում են, ապացուցել են, որ հաջողության բաղադրատոմս են մեր փորձառության մեջ:

Ինչու՞ են ընկերություններին անհրաժեշտ տվյալների ժամանակակից փաթեթ:

Դա կախված է նրանից, թե ինչպես ենք մենք սահմանում "ժամանակակից" և դա անընդհատ փոխվում է, երբեմն ըստ տարվա, ամսվա և նույնիսկ օրվա: Մենք պետք է հաշվի առնենք ժամանակակից գործիքների հավաքածուներ, որոնք նախագծված են՝ հաշվի առնելով տվյալների փոփոխվող լանդշաֆտը: Վերջին մի քանի տարիների ընթացքում զգալի տեղաշարժեր են տեղի ունեցել տվյալների բնույթի և ծավալի մեջ: Big Data-ի աճը փոխակերպել է տվյալների լանդշաֆտը, երբ տվյալները հոսում են այնպիսի աղբյուրներից, ինչպիսիք են էլեկտրոնային առևտրի կայքերը, արտադրության տվյալների բազաները և ձեր բիզնեսի տարբեր մասերը: Այս տվյալները փոխվում են ոչ միայն ծավալով, այլև իրենց բնույթով։

Նախկինում տվյալները հիմնականում կառուցվածքային էին, իսկ այժմ չկառուցված տվյալները էական դեր են խաղում: Բացի այդ, ավելացել է արագությունը, որով տվյալները ստեղծվում և հասանելի են դառնում օգտագործման համար: Հաշվի առնելով տվյալների այս փոփոխությունները՝ մենք պետք է շարունակաբար գնահատենք և հարմարեցնենք մեր գործիքների հավաքածուն՝ արդյունավետորեն լուծելու այս զարգացող տվյալների մարտահրավերները:

Ժամանակակից տվյալների կույտը նախագծված է կառուցվածքների և տվյալների արագության բոլոր տատանումները կարգավորելու համար, և այն լավ հագեցած է՝ հարմարվելու վերջին մի քանի տարիների ընթացքում ձևավորված ճարտարապետական ​​ձևավորվող օրինաչափություններին: Հետևաբար, եթե ցանկանում եք լավագույնս օգտագործել ձեր տվյալները, դուք պետք է նայեք ձեր տվյալների փաթեթի արդիականացմանը: Դա միակ միջոցն է՝ հետ չմնալ տվյալների նոր մարտահրավերներին:

Մենք տեսանք, որ ընկերությունները հավատարիմ են մնում գոյություն ունեցող լուծումներին, որոնք կարծես թե աշխատում են: Չափազանց կարևոր է գիտակցել, որ տվյալներն ինքնին իրենց բնույթով դինամիկ են: Այն անընդհատ զարգանում է՝ ներկայացնելով նոր մարտահրավերներ և հնարավորություններ: Գոյություն ունեցող լուծումները չեն կարող հարմարվել այս փոփոխություններին: Հետևաբար, իրենց տվյալների ամբողջ ներուժն օգտագործելու համար ընկերությունները պետք է ընդունեն իրենց տվյալների փաթեթի արդիականացման հայեցակարգը: Խոսքը կոտրելու մասին չէ, ինչն աշխատում է. դա արագաշարժ մնալու և տվյալների զարգացող բնույթին արձագանքելու մասին է: Տվյալների տեխնոլոգիայի առաջընթացը շարունակաբար գնահատելով և ինտեգրելով՝ բիզնեսները կարող են մնալ մրցունակ և տեղեկացված որոշումներ կայացնել ավելի ու ավելի շատ տվյալների վրա հիմնված աշխարհում:

Որո՞նք են տվյալների կառավարման ներկայիս մարտահրավերները, որոնք նկատվում են արդյունաբերության մեջ:

1. Տվյալների արագություն և ինտեգրում

Այսօր մեր առջև ծառացած մեծ մարտահրավերներից մեկը տարբեր հավելվածներից ստացվող տվյալների մեծ ծավալն է: Եթե ​​դուք վերցնում եք որևէ տիպիկ ՏՏ կազմակերպություն, նրանք առնչվում են անընդհատ հայտնվող նոր հավելվածների հետ՝ ամեն տարի տասնյակ, երբեմն նույնիսկ հարյուրավոր, հատկապես միջին չափի կազմակերպություններում:

Այժմ այս բոլոր հավելվածները ստեղծում են տվյալներ, և այդ տվյալները արժեքավոր պատկերացումներ են պարունակում: Այստեղ առաջնային մտահոգությունը տվյալների այս նոր աղբյուրներն արագորեն ինտեգրելու հնարավորությունն է առկա տվյալների խողովակաշարերի մեջ և դրանք համախմբելու միասնական տեսակետի մեջ: Այն արագությունը, որով կազմակերպությունները կարող են հարմարվել և ներառել տվյալների այս նոր հոսքերը, ամենամեծ մարտահրավերն է, որը մենք տեսնում ենք:

2. Տվյալների տարբեր ձևաչափեր

Մեկ այլ կարևոր մարտահրավեր է բխում հենց տվյալների բնույթից, մասնավորապես՝ չկառուցված տվյալների աճող տարածվածությունից: Չկառուցված տվյալների դեպքում, իհարկե, կան մտքերի տարբեր դպրոցներ, թե ինչպես վարվել դրանց հետ:

Կազմակերպությունները պետք է որոշեն՝ արդյոք այս տվյալները պահե՞լ անմիջապես տվյալների լճերում՝ հետագա օգտագործման համար, թե՞ հանել և վերափոխել դրանք ավելի կառուցվածքային ձևաչափի՝ անմիջական սպառման համար: Չկառուցված տվյալների հետ աշխատելու մարտահրավերը մնում է, և մենք տեսնում ենք, որ նույնիսկ միջին կամ փոքր ընկերությունները ենթարկվում են դրանց ազդեցությանը: Այսպիսով, չկառուցված տվյալների մշակման արդյունավետ ռազմավարություններ մշակելը կարևոր է:

3. Տվյալների հրապարակում և փոխանակում

Թեև տվյալների ինտեգրումն ու համախմբումը կարևոր նշանակություն ունեն, նույնքան կարևոր է տվյալների արդյունավետ փոխանակման ունակությունը: Կազմակերպություններին անհրաժեշտ են մեխանիզմներ՝ տվյալների հրապարակման և բաշխման ներքին բաժիններին, երրորդ կողմի մատակարարներին, գործընկերներին և այլ շահագրգիռ կողմերին: Այս մարտահրավերը տարածվում է միայն տվյալների հասանելիությունից դուրս. այն ներառում է տվյալների անվտանգության, գաղտնիության և կանոնակարգերի համապատասխանության ապահովում: Քանի որ տվյալների փոխանակումը դառնում է անհրաժեշտություն բոլոր չափերի ձեռնարկությունների համար, այս տարածքում տեխնոլոգիաներն ու արտադրանքները արագորեն զարգանում են՝ բավարարելու պահանջարկը:

Որո՞նք են Astera-ն AI-ն ինտեգրված հաճախորդների աշխատանքային հոսքի մեջ:

Մենք դիտարկում ենք AI-ն, որը հատվում է տվյալների կառավարման հետ երկու տարբեր ձևերով:

1. Օգտագործելիության բարձրացում Generative AI-ի միջոցով

Օգտագործելիության մեր խորը նվիրվածությունը մեր արտադրանքի զարգացման փիլիսոփայության հիմնաքարն է: Վերջին 12-ից 13 տարիների ընթացքում մենք մեծ համբավ ենք ձեռք բերել կարճ ուսուցման կորով արտադրանք նախագծելու համար՝ դրանք հասանելի դարձնելով նույնիսկ ոչ տեխնիկական օգտատերերի համար: Ընդամենը համեստ ուսուցման դեպքում անհատները կարող են արդյունավետորեն օգտագործել մեր արտադրանքը՝ իրենց տվյալների հետ բովանդակալից առաջադրանքներ կատարելու համար:

Գեներատիվ AI-ի ներդրմամբ Astera-ն օգտագործելիությունը բարձրացրել է հաջորդ մակարդակ: Մենք օգտագործեցինք գեներատիվ AI-ն՝ օգտատիրոջ միջերես ստեղծելու համար, որը թույլ է տալիս հաճախորդներին շփվել արտադրանքի հետ՝ օգտագործելով բնական լեզվի հրամանները: AI-ի վրա հիմնված այս ինտերֆեյսը պարզեցնում է կազմաձևման առաջադրանքները՝ դարձնելով այն ավելի ինտուիտիվ և արդյունավետ օգտագործողների համար:

Ավելին, Astera-ն ունի ինտեգրված ավտոմատացում, որն աշխատում է արհեստական ​​ինտելեկտի միջոցով՝ լուծելու այնպիսի առաջադրանքներ, որոնք նախկինում պահանջում էին մի քանի ժամ ձեռքով աշխատանք, հատկապես տվյալների կառավարման արտադրանքների կազմաձևման մեջ: Տվյալների կառավարման լուծում ստեղծելու ծախսերի ամենամեծ գործոնը ոչ միայն ապրանք գնելն էր, այլ այն կարգավորելու վրա ծախսված ժամանակն ու ջանքերը: Մենք փորձել ենք դա լուծել AI-ի միջոցով: Այս մոտեցումը զգալիորեն նվազեցնում է արտադրանքի կազմաձևման վրա ավանդաբար ծախսվող ժամանակը և ռեսուրսները:

Որպես օրինակ՝ Astera-ի արտադրանքը. ReportMiner, պարզեցնում է տվյալների արդյունահանումը չկառուցված փաստաթղթերից՝ թույլ տալով օգտվողներին ստեղծել արդյունահանման ձևանմուշներ՝ հիմնված կանոնների վրա: AI-ն այժմ կարող է ստեղծել սկզբնական ձևանմուշը մի քանի վայրկյանում, մի խնդիր, որը նախկինում տիպիկ օգտագործողի համար տևում էր երկու-երեք ժամ: AI-ի կողմից ստեղծված ձևանմուշի առաջին կտրվածքը կարող է կատարյալ չլինել, բայց այն կատարում է աշխատանքային ծանրաբեռնվածության մոտավորապես 90%-ը, ինչը թույլ է տալիս օգտվողներին արագ ճշգրտումներ կատարել և կատարել առաջադրանքը ժամերի փոխարեն րոպեների ընթացքում: Այս մոտեցումը ընդամենը մեկ օրինակ է այն բանի, թե ինչպես է Astera-ն օգտագործում AI-ն՝ իր արտադրանքի ողջ ընթացքում օգտագործելիությունը բարձրացնելու համար:

Մենք նմանատիպ բաներ ենք անում մեր տվյալների ամբողջ փաթեթում, որտեղ արհեստական ​​ինտելեկտի միջոցով զգալի օգտակարություն ենք ձեռք բերում:

2. AI-ի ֆունկցիոնալությունը որպես գործիքակազմ

Astera-ն առաջարկում է տվյալների միասնական փաթեթ, որն ընդգրկում է տվյալների կառավարման տարբեր ասպեկտներ, ներառյալ մուտքը, փոխակերպումը, տվյալների որակը, տվյալների պահեստավորումը, API-ները և տվյալների հրապարակումը: Ընկերությունը գիտակցում է AI ֆունկցիոնալությունը որպես բազմակողմանի գործիքակազմ ապահովելու կարևորությունը իր օգտատերերի համար: Այս գործիքների հավաքածուի շրջանակներում Astera-ի հաճախորդները կարող են մուտք գործել AI տվյալների գիտության ողջ սպեկտրում՝ սկսած մեքենայական ուսուցման մոդելների կառուցումից և տեղակայումից մինչև ML Ops (Մեքենաների ուսուցման գործառնություններ) կառավարում: Astera-ն նաև աջակցում է բաց կոդով մոդելների, ներառյալ խոշոր լեզվական մոդելների (LLM) օգտագործումը և հեշտացնում է ճշգրտումը հատուկ օգտագործման դեպքերի համար:

Այս ավելի լայն AI ֆունկցիոնալությունը հնարավորություն է տալիս Astera-ի օգտատերերին օգտագործել AI-ն տվյալների հետ կապված տարբեր խնդիրների համար, ներառյալ մեքենայական ուսուցման մոդելների տեղակայումը, ML Ops-ի ներդրումը և բաց կոդով մոդելների ճշգրտումը: Բացի այդ, Astera-ն շարունակաբար աշխատում է ընդլայնելու իր AI-ի աջակցությունը՝ ընդգրկելով այնպիսի ոլորտներ, ինչպիսիք են վեկտորային տվյալների բազաները, նմանությունների որոնումները, ներկառուցումները և այլն:

Որո՞նք են խոշոր ընկերությունների համար AI և ML մոդելները տվյալների կառավարման մեջ օգտագործելու լավագույն փորձերից մի քանիսը:

1. Մնացեք AI և ML զարգացումների առաջնագծում

Լեզուների խոշոր մոդելների ոլորտը արագորեն զարգանում է: Մրցակցային առավելություններ ձեռք բերելու համար խոշոր ընկերությունները պետք է տեղեկացված լինեն վերջին առաջընթացների մասին: Astera-ն, օրինակ, գեներատիվ AI-ի վաղ ընդունողն էր՝ օգտագործելով OpenAI-ի և LAMA-ի նման մոդելներ: Զարգացող տեխնոլոգիաների շարունակական մոնիտորինգը երաշխավորում է, որ դուք լավ պատրաստված եք դրանք արդյունավետ օգտագործելու համար:

2. Փորձեր մի քանի մոդելների և կոնֆիգուրացիաների հետ

Օգտագործելով LLMS-ի ճշգրտումը՝ մենք կարողացանք տեղակայել փոքր չափսեր, օրինակ՝ 8-ից 13 միլիարդ պարամետրային մոդելներ, և դրանք տեղակայել տեղում: Դա մի բան է, որն իսկապես լավ է աշխատել մեզ մոտ, և այն, ինչ մենք խորհուրդ ենք տալիս, այն է, որ պարզապես մեկը մյուսի դեմ օգտագործելու փոխարեն, փորձեք տարբեր հիմնական մոդելներ և տարբեր կոնֆիգուրացիաներ և տեսեք, թե որն է ձեզ համար:

Լեզուների խոշոր մոդելները գալիս են տարբեր համերով, որոնցից յուրաքանչյուրն ունի իր յուրահատուկ հնարավորությունները: Ստեղծեք կոնֆիգուրացիա, որը թույլ է տալիս Ձեզ ընտրել ընտրանքների լայն տեսականիից՝ արտացոլելով այն, ինչ անում են մշակողները և տվյալների գիտնականները իրենց տվյալների գիտության ճամփորդություններում:

Օգտատերերին հզորացնելու համար մենք ստեղծել ենք կազմաձևման համակարգ, որն առաջարկում է ընտրանքների լայն տեսականի, որը նման է այն բանին, ինչի հետ հանդիպում են մշակողները և տվյալների գիտնականները, երբ աշխատում են բաց կոդով գրադարանների հետ տվյալների վրա հիմնված իրենց ջանքերում: Մեր նպատակն է եղել անխափան կերպով ինտեգրել այս տարբերակները մեր արտադրանքի մեջ՝ հեշտացնելով դինամիկ և հարմարվող փորձը օգտվողների համար:

3. Առաջնահերթություն տալ տեղական տեղակայմանը API-ների նկատմամբ

Տվյալների վրա հիմնված արտադրանքների հետ գործ ունենալիս առաջնային է ձգձգումների նվազեցումը: AI և ML մոդելների հասանելիության համար բացառապես API-ների վրա հիմնվելը կարող է անընդունելի ուշացումներ առաջացնել, հատկապես մեծ ծավալի տվյալների հետ աշխատելիս: Ցանկալի է առաջնահերթություն տալ տեղում տեղակայված մանրակրկիտ կարգավորվող մոդելների տեղադրմանը, որոնք նվիրված են ձեր կոնկրետ սցենարին: Այս մոտեցումը կարող է զգալիորեն բարելավել արձագանքման ժամանակները և ընդհանուր կատարումը:

Ինչո՞ւ է Astera-ն գերազանց լուծում, քան մրցակցային հարթակները:

• Astera-ի լուծումներն ունեն առանց ծածկագրի, ինտուիտիվ, վիզուալ ինտերֆեյս, ինչպես նաև ուժեղացված օգտագործելիություն, որն ապահովված է AI-ով, ինչը հեշտացնում է տվյալների բարդ գործընթացների կատարումը բոլոր օգտատերերի համար՝ անկախ նրանց տեխնիկական հնարավորություններից:
• Մեր տվյալների փաթեթի ավտոմատացման առանձնահատկությունները կրճատում են կրկնվող ձեռքով առաջադրանքները և խնայում ժամանակն ու զարգացման ռեսուրսները:
• Մեր միասնական հարթակը կարող է օգնել օգտատերերին իրականացնել տվյալների ծայրից ծայր գործընթացներ՝ առանց լուծումներ փոխելու: Սա վերացնում է ուսման ծախսերը և կառավարում է բազմաթիվ, սղոցված համակարգեր:

Շնորհակալություն հիանալի հարցազրույցի համար, այն ընթերցողները, ովքեր ցանկանում են ավելին իմանալ, պետք է այցելեն Astera Software.