Dr. Stavros Papadopoulos, Fondatore e Amministratore Delegato, TileDB – Serie di Interviste

TileDB è il database moderno che integra tutte le modalità di dati, codice e calcolo in un unico prodotto. TileDB è stato creato a partire da MIT e Intel (INTC ) Labs nel maggio 2017.

Prima di fondare TileDB, Inc. nel febbraio 2017, il Dr. Stavros Papadopoulos era un Senior Research Scientist presso il Laboratorio di Calcolo Parallelo di Intel e un membro del Centro di Scienza e Tecnologia di Intel per i Big Data presso MIT CSAIL per tre anni. Ha anche trascorso circa due anni come Visiting Assistant Professor presso il Dipartimento di Informatica e Ingegneria dell’Università di Scienza e Tecnologia di Hong Kong (HKUST). Stavros ha ricevuto il dottorato in Informatica presso l’HKUST sotto la supervisione del Prof. Dimitris Papadias e ha ricoperto una posizione di postdoc presso l’Università Cinese di Hong Kong con il Prof. Yufei Tao.

Lei è stato in precedenza il Senior Research Scientist presso il Laboratorio di Calcolo Parallelo di Intel e un membro del Centro di Scienza e Tecnologia di Intel (ISTC) per i Big Data presso MIT CSAIL per tre anni. Può condividere con noi alcuni punti salienti di questo periodo della sua vita?

Durante il mio tempo presso i laboratori di Intel e MIT, ho avuto l’opportunità unica di collaborare con personalità di spicco in due settori scientifici diversi: calcolo ad alte prestazioni (presso Intel) e database (presso MIT). Le conoscenze e le competenze che ho acquisito sono state fondamentali per plasmare la mia visione di creare un nuovo tipo di sistema di database, che ho poi costruito come progetto di ricerca all’interno dell’ISTC e che è stato poi sviluppato in TileDB.

Può spiegare la visione dietro TileDB e come intende rivoluzionare il panorama dei database moderni?

Negli ultimi anni, c’è stato un enorme aumento nell’adozione di applicazioni di apprendimento automatico e Intelligenza Artificiale generativa che aiutano le organizzazioni a prendere decisioni migliori. Ogni giorno, le organizzazioni scoprono nuovi modelli nei loro dati e utilizzano queste informazioni per ottenere un vantaggio competitivo. Questi modelli emergono da uno spettro sempre crescente di modalità di dati che devono essere ospitati e gestiti per essere sfruttati. Dai dati tabulari tradizionali a fonti di dati più complesse come post sui social, email, immagini, video e dati dei sensori, la capacità di derivare significato dai dati richiede un’analisi aggregata. Man mano che aumentano i tipi di dati, questo compito sta diventando sempre più arduo, richiedendo un nuovo tipo di database. È proprio per questo che TileDB è stato creato.

Perché è fondamentale per le organizzazioni dare priorità alla loro infrastruttura di dati prima di sviluppare capacità di analisi avanzate e apprendimento automatico?

In mezzo all’entusiasmo per l’adozione dell’Intelligenza Artificiale, c’è una verità critica e spesso trascurata: il successo di qualsiasi iniziativa di Intelligenza Artificiale è intrinsecamente legato alla qualità e alle prestazioni dell’infrastruttura di dati sottostante.

Il problema è che i dati complessi che non sono naturalmente rappresentati come tabelle sono considerati “non strutturati” e sono solitamente archiviati come file piatti in formati di dati personalizzati o gestiti da database diversi e specifici. I data scientist spendono enormi quantità di tempo per consolidare i dati. Si stima che l’80-90 percento del tempo dei data scientist sia speso per pulire i dati e prepararli per il merging. Ciò rallenta il tempo necessario per addestrare gli algoritmi di apprendimento automatico e raggiungere capacità predittive. Inoltre, ciò significa che solo il 10-20 percento del tempo dei data scientist è speso per creare insight.

Quali sono le insidie comuni che le organizzazioni affrontano quando si concentrano di più sulle applicazioni di Intelligenza Artificiale e apprendimento automatico a scapito di un’infrastruttura di database robusta?

Le organizzazioni tendono a concentrarsi su cose nuove e brillanti. I Modelli di Linguaggio Grande, i database vettoriali e le applicazioni di Intelligenza Artificiale generativa costruite su un’infrastruttura di dati sono esempi attuali, a scapito dell’addressing dell’infrastruttura di dati sottostante, che è cruciale per il successo analitico. In pratica, se la vostra organizzazione fa questo, potreste spendere un tempo enorme per assemblare la vostra infrastruttura di dati e ritardare o perdere completamente le opportunità di ottenere insight.

Può spiegare cosa rende un database “adattivo” e perché questa adattabilità è essenziale per l’analisi dei dati moderna?

Un database adattivo è uno che può cambiare forma per accogliere tutti i dati, indipendentemente dalla loro modalità, e archiviarli insieme in modo unificato. Un database adattivo porta struttura ai dati che altrimenti sarebbero considerati “non strutturati”. Si stima che l’80 percento o più dei dati del mondo siano non tabulari, o non strutturati, e che la maggior parte dei modelli di Intelligenza Artificiale e apprendimento automatico (inclusi i Modelli di Linguaggio Grande) siano addestrati su questo tipo di dati.

TileDB struttura i dati in array multidimensionali. Come questo formato migliora le prestazioni e l’efficienza dei costi rispetto ai database tradizionali?

La forza fondamentale di un database di array multidimensionali è che può cambiare forma per accogliere praticamente qualsiasi modalità di dati e applicazione. Un vettore, ad esempio, è semplicemente un array unidimensionale. Portando struttura a questi dati “non strutturati”, potete consolidare la vostra infrastruttura di dati, ridurre significativamente i costi, eliminare i silos, aumentare la produttività e migliorare la sicurezza. Andando oltre, quando l’infrastruttura di calcolo è accoppiata con l’infrastruttura di gestione dei dati, potete estrarre valore immediato dai vostri dati.

Quali sono alcuni casi di utilizzo notevoli in cui TileDB ha migliorato significativamente la gestione dei dati e le prestazioni analitiche?

Il primo caso di utilizzo di TileDB è stato l’archiviazione, la gestione e l’analisi di enormi dati genomici, che è molto difficile e costoso da modellare e archiviare in un database tabulare tradizionale. Abbiamo osservato guadagni di prestazioni fenomenali (nell’ordine di 100 volte più veloce in molti casi rispetto ad altri database e soluzioni personalizzate). Tuttavia, il nostro modello di array multidimensionale è universale e può catturare efficientemente altre modalità di dati. Ad esempio, TileDB è eccellente nel gestire l’imaging biomedico, l’imaging satellitare, la trascrittomica a singola cellula e i dati di punto cloud come LiDAR e SONAR.

TileDB offre strumenti open source per l’interoperabilità. Come un approccio open source beneficia le comunità scientifiche e di data science?

Siamo grandi sostenitori dell’open source presso TileDB. La libreria core e la specifica del formato dei dati sono entrambe open source. Inoltre, le nostre offerte nel settore delle scienze della vita, costruite sulle librerie di array core, sono anch’esse open source. Ciò include TileDB-SOMA, un pacchetto per la gestione efficiente e scalabile dei dati a singola cellula, che è stato costruito in collaborazione con la Fondazione Chan Zuckerberg e alimenta il CELLxGENE Discover Census, il più grande set di dati a singola cellula completamente curato al mondo. Anche questo è open source e viene utilizzato da istituzioni accademiche e grandi aziende farmaceutiche in tutto il mondo.

Cosa vede come tendenze future nella gestione dei dati?

Man mano che i dati diventano più ricchi, le applicazioni di Intelligenza Artificiale diventano più intelligenti. I Modelli di Linguaggio Grande stanno diventando sempre più potenti, sfruttando molteplici modalità di dati, e l’integrazione di questi modelli con set di dati diversi sta aprendo una nuova frontiera nell’Intelligenza Artificiale nota come Intelligenza Artificiale multimodale.

Praticamente parlando, l’Intelligenza Artificiale multimodale significa che gli utenti non sono limitati a un solo input e un solo output e possono promuovere un modello con virtualmente qualsiasi input per generare virtualmente qualsiasi tipo di contenuto. Noi vediamo TileDB come il database ideale per supportare l’Intelligenza Artificiale multimodale, costruito per supportare qualsiasi nuovo e diverso tipo di dati che possa emergere.

Grazie per la grande recensione, i lettori che desiderano saperne di più possono visitare TileDB.