Dr. Stavros Papadopoulos, Pendiri dan CEO, TileDB – Seri Wawancara

TileDB adalah database modern yang mengintegrasikan semua modalitas data, kode, dan komputasi dalam satu produk. TileDB didirikan dari MIT dan Intel (INTC ) Labs pada Mei 2017.

Sebelum mendirikan TileDB, Inc. pada Februari 2017, Dr. Stavros Papadopoulos adalah Ilmuwan Penelitian Senior di Intel Parallel Computing Lab, dan anggota Intel Science and Technology Center untuk Big Data di MIT CSAIL selama tiga tahun. Ia juga menghabiskan sekitar dua tahun sebagai Asisten Profesor Tamu di Departemen Ilmu Komputer dan Teknik di Universitas Sains dan Teknologi Hong Kong (HKUST). Stavros menerima gelar PhD di Ilmu Komputer di HKUST di bawah bimbingan Prof. Dimitris Papadias, dan memegang posisi sebagai fellow postdoc di Universitas Tiongkok Hong Kong dengan Prof. Yufei Tao.

Anda sebelumnya adalah Ilmuwan Penelitian Senior di Intel Parallel Computing Lab, dan anggota Intel Science and Technology Center (ISTC) untuk Big Data di MIT CSAIL selama tiga tahun. Bisakah Anda berbagi dengan kami beberapa sorotan utama dari periode ini dalam hidup Anda?

Selama waktu saya di Intel Labs dan MIT, saya memiliki kesempatan unik untuk berkolaborasi dengan para ahli di dua sektor ilmiah yang berbeda: komputasi kinerja tinggi (di Intel) dan database (di MIT). Pengetahuan dan keahlian yang saya peroleh menjadi kunci dalam membentuk visi saya untuk menciptakan sistem database baru, yang saya akhirnya bangun sebagai proyek penelitian dalam ISTC dan kemudian dikembangkan menjadi apa yang menjadi TileDB.

Bisakah Anda menjelaskan visi di balik TileDB dan bagaimana itu bertujuan untuk merevolusi lanskap database modern?

Beberapa tahun terakhir, ada peningkatan besar dalam penggunaan machine learning dan Generative AI yang membantu organisasi membuat keputusan yang lebih baik. Setiap hari, organisasi menemukan pola baru dalam data mereka, dan kemudian menggunakan informasi ini untuk mencapai keunggulan kompetitif. Pola-pola ini muncul dari spektrum data modalitas yang terus berkembang yang harus disimpan dan dikelola untuk dapat dimanfaatkan. Dari data tabular tradisional hingga sumber data yang lebih kompleks seperti postingan sosial, email, gambar, video, dan data sensor, kemampuan untuk mendapatkan makna dari data memerlukan analisis agregat. Ketika jenis data meningkat, tugas ini menjadi semakin sulit, sehingga memerlukan database baru. Ini adalah alasan mengapa TileDB diciptakan.

Mengapa sangat penting bagi organisasi untuk memprioritaskan infrastruktur data mereka sebelum mengembangkan kemampuan analitik dan machine learning yang maju?

Di tengah-tengah antusiasme untuk mengadopsi AI, ada kebenaran kritis yang sering diabaikan – kesuksesan dari setiap inisiatif AI secara intrinsik terkait dengan kualitas dan kinerja infrastruktur data yang mendasarinya.

Masalahnya adalah data kompleks yang tidak secara alami direpresentasikan sebagai tabel dianggap sebagai “tidak terstruktur” dan biasanya disimpan sebagai file datar dalam format data khusus atau dikelola oleh database yang berbeda-beda dan dibangun khusus. Ilmuwan data menghabiskan sejumlah besar waktu untuk mengatur data agar dapat dikonsolidasikan. Diperkirakan bahwa 80-90 persen waktu ilmuwan data dihabiskan untuk membersihkan data mereka dan mempersiapkannya untuk penggabungan. Ini memperlambat waktu untuk melatih algoritma AI dan mencapai kemampuan prediktif. Selain itu, ini berarti bahwa hanya 10-20 persen waktu ilmuwan data dihabiskan untuk menciptakan wawasan.

Apa kesalahan umum yang dihadapi organisasi ketika mereka lebih fokus pada aplikasi AI dan ML daripada infrastruktur database yang kuat?

Organisasi cenderung fokus pada hal-hal baru yang mengkilap. Model Bahasa Besar, database vektor, dan aplikasi AI generatif yang dibangun di atas infrastruktur data adalah contoh saat ini, dengan mengorbankan infrastruktur data yang mendasarinya yang sangat penting untuk kesuksesan analitik. Secara sederhana, jika organisasi Anda melakukan ini, Anda mungkin akan menghabiskan sejumlah besar waktu untuk menyatukan infrastruktur data Anda dan menunda atau bahkan melewatkan kesempatan untuk memperoleh wawasan.

Bisakah Anda menjelaskan apa yang membuat database ‘adaptif’ dan mengapa adaptivitas ini sangat penting untuk analitik data modern?

Database adaptif adalah database yang dapat berubah bentuk untuk mengakomodasi semua data – terlepas dari modalitasnya – dan menyimpannya bersama dalam cara yang seragam. Database adaptif membawa struktur ke data yang lainnya dianggap “tidak terstruktur”. Diperkirakan bahwa 80 persen atau lebih dari data dunia adalah non-tabular, atau tidak terstruktur, dan sebagian besar model AI/ML (termasuk LLM) dilatih pada jenis data ini.

TileDB mengatur data dalam array multi-dimensi. Bagaimana format ini meningkatkan kinerja dan efisiensi biaya dibandingkan dengan database tradisional?

Kekuatan dasar database array multi-dimensi adalah bahwa itu dapat berubah bentuk untuk mengakomodasi hampir semua modalitas data dan aplikasi. Sebagai contoh, vektor adalah array satu dimensi. Dengan membawa struktur ke data “tidak terstruktur” ini, Anda dapat mengonsolidasikan infrastruktur data, mengurangi biaya secara signifikan, menghilangkan silo, meningkatkan produktivitas, dan meningkatkan keamanan. Lebih jauh, ketika infrastruktur komputasi dikombinasikan dengan infrastruktur manajemen data, Anda dapat mengekstrak nilai instan dari data Anda.

Apa beberapa contoh kasus yang paling menonjol di mana TileDB secara signifikan meningkatkan kinerja manajemen dan analitik data?

Kasus penggunaan TileDB pertama adalah penyimpanan, manajemen, dan analisis data genomik yang sangat besar, yang sangat sulit dan mahal untuk dimodelkan dan disimpan dalam database tabular tradisional. Kami mengamati peningkatan kinerja yang luar biasa (sekitar 100x lebih cepat dalam banyak kasus daripada database lain dan solusi khusus). Namun, model array multi-dimensi kami adalah universal dan dapat menangkap modalitas data lainnya dengan efisien. Sebagai contoh, TileDB sangat baik dalam menangani pemrosesan gambar biomedis, pemrosesan gambar satelit, transkriptomika sel tunggal, dan data awan titik seperti LiDAR dan SONAR.

TileDB menawarkan alat sumber terbuka untuk interoperabilitas. Bagaimana pendekatan sumber terbuka ini menguntungkan komunitas ilmiah dan ilmu data?

Kami adalah pendukung besar sumber terbuka di TileDB. Perpustakaan inti dan spesifikasi format data adalah sumber terbuka. Selain itu, penawaran kami di bidang ilmu hayat, yang dibangun di atas perpustakaan array inti, juga sumber terbuka. Ini termasuk TileDB-SOMA, paket untuk manajemen data sel tunggal yang efisien dan scalable, yang dibangun dalam kolaborasi dengan Yayasan Chan Zuckerberg dan memungkinkan CELLxGENE Discover Census—dataset sel tunggal terbesar yang sepenuhnya dikurasi di dunia. Ini juga sumber terbuka dan digunakan oleh lembaga akademis dan perusahaan farmasi besar di seluruh dunia.

Apa yang Anda lihat sebagai tren masa depan dalam manajemen data?

Ketika data menjadi lebih kaya, aplikasi AI menjadi lebih pintar. Model Bahasa Besar menjadi semakin kuat, menggunakan banyak modalitas data, dan integrasi model-model ini dengan dataset yang beragam membuka frontier baru dalam AI yang dikenal sebagai AI multimodal.

Secara praktis, AI multimodal berarti bahwa pengguna tidak terbatas pada satu input dan satu output jenis dan dapat memicu model dengan hampir semua input untuk menghasilkan hampir semua jenis konten. Kami melihat TileDB sebagai database ideal untuk mendukung AI multimodal, dibangun untuk mendukung jenis data baru dan berbeda yang mungkin muncul.

Terima kasih atas ulasan yang bagus, pembaca yang ingin mempelajari lebih lanjut harus mengunjungi TileDB.