Jeremy Burton, CEO di Observe – Serie di interviste

Jeremy Burton, CEO di Observe, è un esperto di software aziendale con oltre 20 anni di esperienza di leadership in importanti aziende tecnologiche, tra cui Dell Technologies (DELL ), EMC, Oracle (ORCL ) e VERITAS. Ha guidato team globali nello sviluppo di prodotti, marketing e strategie di acquisizione, creando e scalando aziende nel settore dello storage, della sicurezza e del SaaS. Burton ha anche co-fondato la Oracle Technology Network, che è cresciuta fino a milioni di membri in tutto il mondo, e attualmente fa parte del consiglio di amministrazione di Snowflake e lavora come consulente per la squadra di Formula 1 della McLaren.

Observe, con sede a San Mateo, in California, è una piattaforma di osservabilità SaaS di nuova generazione che aiuta i team SRE, DevOps e di ingegneria a indagare e ottimizzare i sistemi distribuiti moderni. Costruita sull’infrastruttura di dati di Snowflake, unifica log, metriche e tracce in un unico set di dati ricco di contesto, consentendo ai team di accelerare la risposta agli incidenti, individuare le cause radice e migliorare l’affidabilità in ambienti cloud complessi.

Avete ricoperto ruoli di leadership in aziende globali come Dell, EMC e Oracle, e ora state guidando una startup con Observe. Cosa vi ha motivato a lasciare la stabilità e la scala per intraprendere la costruzione di qualcosa dal nulla?

Sono stato fortunato nella mia carriera a lavorare per alcuni leader incredibili, tra cui Larry Ellison e Michael Dell. Ho lavorato con loro 20 o 30 anni dopo il loro inizio, ma ciò che li rende notevoli è che erano lì fin dall’inizio. Hanno preso le decisioni iniziali sui prodotti, hanno stabilito le rotte di mercato e hanno definito una cultura per il successo a lungo termine. Il mio ruolo era quello di apportare miglioramenti incrementali su decenni di lavoro duro che avevano già svolto. Alla fine, ho raggiunto un punto nella mia carriera in cui volevo dimostrare a me stesso che potevo costruire un’azienda, portare un prodotto al mercato, stabilire un movimento di vendita e creare una cultura che potesse prosperare nel lungo termine.

Observe si sta posizionando come una nuova categoria di osservabilità, integrando log, analisi e monitoraggio in una piattaforma unificata. Come vedete questo approccio ridisegnare lo spazio rispetto ai giocatori legacy come Splunk e Datadog (DDOG )?

Il grande problema che affligge gli strumenti legacy è che non sono stati costruiti per la scala. Nei colloqui con i clienti, abbiamo visto più volte che Splunk e Datadog diventano proibitivi in termini di costo man mano che il volume di telemetria cresce, e questo è fondamentalmente un problema di come gli strumenti legacy sono stati progettati.

Observe differisce in quanto la nostra piattaforma è costruita su un’architettura di lago di dati in streaming che utilizza formati aperti come Apache Iceberg. Ciò significa che possiamo scindere il calcolo dall’archiviazione, scalare elasticamente e offrire osservabilità a una frazione del costo dei sistemi tradizionali. I competitor come Splunk si affidano ancora a architetture monolitiche che richiedono la pianificazione della capacità di picco, e anche gli strumenti più recenti come Datadog richiedono la tiering dei dati, la reidratazione e la reindicizzazione per mantenere i costi sotto controllo.

Ci concentriamo anche su un’esperienza di osservabilità unificata. Log, metriche, tracce e eventi vivono tutti in un unico posto, con un unico linguaggio di query e un Knowledge Graph che mappa automaticamente le relazioni tra servizi, utenti e incidenti. Questo contesto è ciò che rende più veloce la risoluzione dei problemi. Al contrario, Splunk e Datadog hanno backend separati per log, metriche e tracce, portando a un’analisi più lenta.

Infine, abbiamo investito molto nello sviluppo di un sistema di troubleshooting guidato dall’AI. Il nostro O11y AI SRE può accettare input in linguaggio naturale, generare ipotesi e guidare gli ingegneri nella risoluzione degli incidenti, non solo allertarli. E’ costruito per sfruttare il nostro Knowledge Graph, che fornisce il contesto necessario per una risoluzione precisa degli incidenti. Questo è un passo avanti rispetto alla rilevazione delle anomalie o all’allertamento che la maggior parte dei competitor offre oggi.

In sintesi: siamo efficienti in termini di costo, siamo unificati e siamo aperti. Queste tre qualità sono ciò che i clienti ci dicono costantemente che ci distinguono dai giocatori legacy come Splunk e dai nuovi incumbent come Datadog.

Aver supervisionato operazioni da miliardi di dollari e ora guidare una startup, quali lezioni sull’efficienza, l’agilità o l’innovazione dalle grandi aziende si applicano – e quali no?

È controintuitivo, ma le aziende di successo fanno poche cose molto bene e capiscono ogni dettaglio. Quelle che falliscono fanno troppo e tutto degenera nella mediocrità.

In una startup, ci si concentra su una cosa alla volta e si è ossessionati da ogni dettaglio. Non c’è abbastanza finanziamento per fare di più. Di conseguenza, ciò che rende le startup così intense è che si può letteralmente fallire se non si risolvono le cose abbastanza in fretta. Quindi, si devono prendere decisioni più velocemente, rilasciare più velocemente, fallire più velocemente e imparare più velocemente. Inoltre, si deve fare tutto ciò con meno persone.

Tuttavia, l’aspetto più liberatorio di una startup è che non si ha un prodotto, un modello di business o una rotta di mercato stabiliti. Ciò significa che c’è la libertà di fare nuove ipotesi su tutte queste cose. Non è il caso di un’azienda grande. Ad esempio, non si può rompere il modello di business con un nuovo prodotto disruptivo. Anche se tecnicamente si potrebbe costruirlo, il CFO e Wall Street non permetterebbero di massimizzare il suo potenziale. È per questo che le startup vincono spesso, anche quando, in teoria, non dovrebbero avere alcuna possibilità.

Avete anche fatto parte del consiglio di amministrazione di Snowflake per quasi un decennio. Cosa avete imparato dal viaggio di Snowflake che informa la vostra strategia in Observe?

Snowflake ha attaccato un problema vecchio con una nuova architettura. Hanno costruito la loro tecnologia su un’idea semplice ma potente e hanno disruptato un mercato enorme bloccato da vendor legacy. Ci sono un paio di lezioni qui: giocare in mercati che sono enormi, e si può costruire un’azienda enorme. Inoltre, si deve avere un approccio radicalmente diverso dagli incumbent, in modo che il cliente possa vedere enormi benefici nel passaggio.

Il mercato di osservabilità che stiamo attaccando è enorme, 30 miliardi di dollari e in crescita. Abbiamo risolto il problema di osservabilità in un modo molto unico: utilizzando una fondazione di lago di dati, calcolo elastico e formati aperti. Ciò promette di fornire ai clienti un miglioramento dell’ordine di grandezza sia nella velocità di risoluzione dei problemi che nel costo complessivo.

Avete una vasta esperienza nello sviluppo di prodotti, marketing e grandi operazioni di M&A. Come influenza questo background la vostra strategia di crescita in Observe?

Nei primi giorni di una startup, è abbastanza semplice, si costruisce un grande prodotto e si tenta di venderlo. Questa è la strategia di crescita. Detto questo, la mia carriera è molto orientata verso il software aziendale e la risoluzione di problemi complessi per le grandi aziende, quindi non è sorprendente che Observe si concentri proprio su questo!

Sulla base della mia esperienza, credo che per costruire una grande azienda di osservabilità, si debba risolvere il problema per le più grandi aziende del mondo. Queste sono questioni di petabytes di dati, migliaia di utenti e migliaia di applicazioni. Ci sono molte aziende di osservabilità, ma poche possono vincere in quell’ambiente, sto assicurandomi che Observe possa farlo.

L’osservabilità è diventata critica man mano che le applicazioni distribuite moderne crescono in complessità. Dove vedete le più grandi sfide e opportunità per le aziende nei prossimi 3-5 anni?

La più grande sfida oggi è la scala. Kubernetes, microservizi e ora carichi di lavoro di intelligenza artificiale stanno producendo volumi di dati che sovraccaricano gli strumenti tradizionali. L’affidabilità di questi strumenti crolla man mano che il costo schizza verso l’alto e non è semplicemente sostenibile; è necessaria una nuova architettura.

Per peggiorare le cose, nei prossimi anni vedremo più codice scritto, assistito da strumenti di codifica AI, che in qualsiasi altro momento della storia. Quel codice non sarà perfetto e, a un certo punto, fallirà. L’area di crescita si trova nel chiedersi: come si fa a risolvere problemi di codice che nessuno ha scritto? E, o, mentre gli strumenti di generazione di codice possono esaminare il codice e correggere bug, possono veramente esaminare come l’applicazione si comporta in produzione e trovare il codice problematico? Questa è una enorme opportunità per i vendor di osservabilità nel futuro.

Molte squadre lottano con la sprawl di strumenti, utilizzando sistemi separati per log, metriche e tracce. Come Observe aiuta a semplificare quell’esperienza per i team di ingegneria e DevOps nella pratica?

Invece di gestire tre o quattro strumenti, Observe fornisce ai clienti una piattaforma unica da utilizzare. I log, le metriche, le tracce e gli allarmi di un’azienda vivono tutti nello stesso sistema e sono legati da un Knowledge Graph. Il Knowledge Graph fornisce il contesto che consente agli utenti di esplorare e pivotare senza problemi attraverso log, metriche e tracce per accelerare la risoluzione dei problemi. Ciò riduce la quantità di tempo che devono trascorrere saltando da una piattaforma all’altra, consentendo loro di scoprire un problema senza esportare dati o cambiare contesto.

Potete condividere un esempio concreto di come Observe abbia aiutato un cliente a risolvere un problema importante – qualcosa che sarebbe stato difficile o impossibile con gli strumenti di osservabilità tradizionali?

Capital One utilizza Observe per mostrare lo stato dei percorsi del cliente critici correlando e arricchendo i dati di telemetria con il contesto aziendale rilevante. Ingestano centinaia di terabyte di telemetria al giorno, inclusi log, metriche, tracce, registri di modifica, log di flusso VPC e dati di configurazione AWS. Observe fornisce a Capital One una piattaforma unificata per l’osservabilità end-to-end, in modo che gli sviluppatori e gli SRE possano eseguire la risposta agli incidenti e il debug interattivo.

Qual è il ruolo dell’apprendimento automatico o dell’intelligenza artificiale dietro le quinte in Observe, e come sta aiutando i clienti a scoprire informazioni più velocemente o a rilevare automaticamente i problemi?

L’apprendimento automatico ha una storia controversa nell’osservabilità perché gli ambienti aziendali sono intrinsecamente rumorosi e è molto difficile produrre un modello che non risulti in migliaia di anomalie. L’intelligenza artificiale generativa sarà molto più profonda.

Crediamo che l’AI cambierà il modo in cui gli ingegneri interagiscono con gli strumenti di osservabilità. In primo luogo, saranno in grado di parlare direttamente con i dati di osservabilità in linguaggio naturale mentre sono seduti nel loro IDE, la metà dei nostri utenti potrebbe non dover mai accedere o imparare Observe! In secondo luogo, gli agenti AI saranno presenti durante il “tempo di pace” per esaminare la telemetria e cercare potenziali problemi che potrebbero eventualmente portare a un incidente. Gli agenti AI non si stancano o si annoiano e possono eseguire lavori che gli esseri umani non sono in grado di fare. Infine, durante il “tempo di guerra”, gli agenti AI assisteranno gli ingegneri e gli SRE nel corso di azione che devono intraprendere per risolvere il problema.

Il vostro stile di leadership ispirato alla Formula 1 enfatizza la resistenza mentale e l’apprendimento dagli errori. Come ha plasmato questa prospettiva il vostro approccio alla costruzione di Observe e alla guida del team attraverso le sfide e i successi?

Il successo in F1 è alimentato dai dati per guidare le decisioni future, sia per il pilota che per la macchina. Alla fine della stagione, il 90% delle parti della macchina è stato sostituito e la macchina è 2 secondi più veloce in pista.

In Observe, dobbiamo avere la stessa mentalità per avere successo. Rilasciamo, misuriamo, ascoltiamo, adattiamo velocemente. Immagino che il 90% del nostro prodotto sia diverso oggi rispetto a due anni fa. Questo approccio richiede molta disciplina e molta umiltà, non è facile ascoltare notizie negative una dopo l’altra. Tuttavia, se si agisce su abbastanza notizie negative, si trasformano gradualmente in buone notizie e il tasso di crescita del fatturato aumenta. Non è magia, è logica!

Grazie per la grande intervista, i lettori che desiderano saperne di più possono visitare Observe.