NexlaのCEO兼共同創設者であるSaket Saurabh – インタビューシリーズ

Saket Saurabh、NexlaのCEO兼共同創設者は、データとインフラストラクチャに対する深い情熱を持つ起業家です。彼は、データを扱う人々にスケールと速度をもたらす、次世代の自動化されたデータエンジニアリングプラットフォームの開発を主導しています。

以前、Saurabhは、買収、IPO、そして数百万ドル規模のビジネスへの成長を達成した、成功したモバイルスタートアップを設立しました。また、Nvidia (NVDA ) 在籍中に、複数の革新的な製品と技術に貢献しました。

Nexlaは、データエンジニアリングの自動化を可能にし、データを利用可能な状態にします。これは、Nexsetsという独自のアプローチを通じて実現されます。Nexsetsは、データ製品であり、誰でも簡単にデータを統合、変換、配信、監視できるようにします。

あなたがNexlaを共同設立するきっかけとなったものは何ですか？また、データエンジニアリングでの経験は、会社のビジョンをどのように形作りましたか？

以前、Nexlaを設立する前に、私はNvidiaで、高度なスケーラビリティと高性能の技術をコンピューティングサイドで構築しました。その後、私は以前のスタートアップを買収とIPOの旅を経て、モバイル広告スペースで大規模なデータと機械学習を利用したビジネスを成長させました。1日あたり約300億レコードのデータを処理しました。

2015年、私の前の会社が上場した後、私は次の大きな挑戦を探していました。2つの背景から、データとコンピューティングの課題が収束し、業界がデータとAIによって推進される高度なアプリケーションに向かっていることは明らかでした。

当時、ジェネレーティブAI（GenAI）がどれほど急速に進化するかはわかりませんでしたが、機械学習とAIがデータを活用するための基盤となることは明らかでした。そこで、私は、データを活用するために必要なインフラストラクチャについて考えるようになりました。また、誰でも、エンジニアでなくても、データを日常の仕事で活用できるようにする方法について考えるようになりました。

これがNexlaのビジョンにつながりました。データエンジニアリングの背後にあるエンジニアリングを簡素化し、自動化することです。データエンジニアリングは、特に複雑または大規模なデータ問題を扱う場合、ほとんどの会社で独自のソリューションでした。目標は、データエンジニアだけでなく、より広いユーザー層がデータにアクセスし、活用できるようにすることでした。スケーラブルなデータシステムとアプリケーションを構築した経験が、このビジョンを推進する原動力となりました。

Nexsetsは、Nexlaのデータを誰でも利用できるようにする使命をどのように体現していますか？また、現代の企業にとって、この革新がどれほど重要であるかについて説明してください。

Nexsetsは、データの核心的な課題に取り組むことで、Nexlaの使命を体現しています。データの3V（ボリューム、速度、バラエティ）が長年の課題でした。業界はボリュームと速度の課題に対処するために一部の進歩を遂げましたが、データのバラエティは依然として大きな障壁でした。新しいシステムとアプリケーションの増加により、データ構造と形式の多様性が増大しました。

Nexlaのアプローチは、さまざまなソースからのデータを自動的にモデル化し、統一された、パッケージ化されたエンティティ、つまりデータ製品であるNexsetに接続することです。これにより、ユーザーは、さまざまなデータソースと構造の複雑さを理解する必要なく、データにアクセスし、活用できます。Nexsetは、データへのシンプルで直感的なインターフェースを提供するゲートウェイとして機能します。

これは、現代の企業にとって非常に重要です。データエンジニアだけでなく、より多くの人々がデータを日常の仕事で活用できるようにするからです。データのバラエティと複雑さを抽象化することで、Nexsetsは、ビジネスユーザー、分析者、その他のユーザーが、技術的な専門知識を必要とせずに、必要なデータと直接対話できるようにします。

また、ユーザーインターフェース、データの共同作業と管理方法、データの変換とワークフローの構築方法を、技術的に熟練していないデータ消費者にとっても使いやすくしました。データのバラエティと複雑さを抽象化することは、データへのアクセスを民主化し、より広いユーザー層が情報資産から価値を生み出すことを可能にするための鍵です。これは、データ駆動型の企業がデータ駆動型の洞察を組織全体で活用するために、重要な機能です。

データを「GenAI対応」にするために必要な条件は何ですか？また、Nexlaはこれらの要件をどのように効果的に対応していますか？

答えは、GenAIをどのように使用するかによって異なります。大多数の会社は、GenAIの検索強化生成（RAG）を実装しています。これには、データをベクトルデータベースにロードするための事前準備とエンコード、および大規模言語モデル（LLM）へのコンテキストとしての入力として使用するために検索を介してデータを取得することが必要です。したがって、データは、ベクトル検索とLLMの両方で動作するように準備する必要があります。

GenAIを使用する方法に関係なく、以下の要件があります：

• データ形式：GenAIのLLMは、データが特定の形式である場合に最もよく機能します。データは、モデルが簡単にインジェストして処理できるように構造化する必要があります。また、LLMがデータをより良く使用できるように「チャンク」する必要があります。
• 接続性：GenAIのLLMは、静的なデータセットに依存するのではなく、関連するデータソースに動的にアクセスする必要があります。これには、エンタープライズシステムとデータリポジトリへの継続的な接続が必要です。
• セキュリティとガバナンス：機密性の高いエンタープライズデータを使用する場合、堅牢なセキュリティとガバナンスコントロールを実装することが重要です。データへのアクセスと使用は、既存の組織のポリシーに準拠して、セキュアでなければなりません。また、LLMによって使用されるデータを管理して、データ漏洩を防ぐ必要があります。
• スケーラビリティ：GenAIのLLMは、データとコンピューティングの両方でリソースを大量に消費する可能性があります。したがって、基礎となるデータインフラストラクチャは、これらのモデルの要件を満たすためにスケールする必要があります。

Nexlaは、以下の方法で、GenAI対応データを作成するための要件を満たしています：

• 動的データアクセス：Nexlaのデータ統合プラットフォームは、100を超えるソースに接続するための単一の方法を提供し、さまざまな統合スタイルとデータ速度を使用し、オーケストレーションを使用して、GenAIのLLMが必要とする最新のデータを提供します。静的なデータセットに依存するのではなく、必要なときに必要なデータを提供します。
• データ準備：Nexlaは、各GenAIユースケースに最適化された形式でデータを抽出、変換、準備する機能を備えています。さらに、データのチャンキングと複数のエンコードモデルをサポートします。
• セルフサービスと共同作業：Nexlaを使用すると、データ消費者はデータに直接アクセスし、Nexsetsとフローを構築できます。また、市場を介して作業を共有および共同作業できます。これにより、生産性が向上し、データが正しい形式で提供されます。
• 自動生成：統合とGenAIは両方とも難しいです。Nexlaは、データ消費者による選択に基づいて、必要な手順の多くを自動生成します。AIとその他のテクノロジーを使用して、ユーザーが自分で作業を行えるようにします。
• ガバナンスとセキュリティ：Nexlaには、コラボレーションを含む、堅牢なセキュリティとガバナンスコントロールが組み込まれています。機密性の高いエンタープライズデータが、セキュアで準拠した方法でアクセスおよび使用されることを保証します。
• スケーラビリティ：Nexlaプラットフォームは、GenAIワークロードの要件を満たすために設計されており、必要なコンピューティングパワーとエラスティックスケールを提供します。

統合、セルフサービス、共同作業、自動生成、データガバナンスは、データ民主化を可能にするために組み込まれている必要があります。

さまざまなデータタイプとソースは、GenAIモデルの成功にどのように貢献していますか？また、Nexlaは統合プロセスを簡素化する役割を果たしていますか？

GenAIモデルの最良の洞察と関連性のある出力を生成するには、さまざまな種類の情報へのアクセスが必要です。そうでない場合、良い結果が得られないでしょう。これは、人間にも同じです。

GenAIモデルのトレーニングには、構造化されたデータベースから非構造化されたドキュメントまで、幅広いデータが必要です。さまざまなデータソース、たとえばニュース記事、財務報告書、顧客とのやり取りは、有価値なコンテキスト情報を提供し、これらのモデルが利用できます。さまざまなデータへの露出により、GenAIモデルの柔軟性と適応性が高まり、幅広いクエリとタスクに対処できるようになります。

Nexlaは、Nexsetsを使用してこれらのすべてのデータの多様性を抽象化し、ほとんどのソースに簡単にアクセスできるようにします。さらに、データを抽出、変換、オーケストレーション、ロードできるようにします。データ消費者は、データに集中し、GenAI対応データを作成することに集中できます。

2025年以降にデータエコシステムを形作るトレンドは何ですか？特に、GenAIの台頭により？

会社は、主にGenAIを使用して、アシスタントまたはコパイロットを構築して、人々が答えを見つけて、より良い決定を下すのを支援してきました。エージェント、つまり人々の関与なしにタスクを自動化するエージェントは、2025年以降に成長するトレンドです。エージェントは、コパイロットと同様に、データの流れを可能にする統合が必要です。ただし、データは1方向のみでなく、双方向に流れる必要があります。

2025年のもう1つの大きなトレンドは、AIシステムの複雑さの増大です。これらのシステムは、さまざまなソースからのコンポーネントを組み合わせて一貫したソリューションを作成することで、より洗練されます。これは、人間が日常のタスクを実行するためにさまざまなツールを使用するのと同様です。エンパワードされたAIシステムも、このアプローチに従います。ツールとコンポーネントのオーケストレーションは、大きな課題ですが、開発の重要な分野でもあります。

トレンドの観点から、パターンマッチングの単純なものから、実際の推論まで、ジェネレーティブAIが進化していることがわかります。技術的な進歩がこの分野で起こっています。ただし、これらの進歩が2025年に完全に商業的な価値に変換される可能性は低いです。ただし、これが私たちが向かっている方向です。

また、AIの推論に特化した加速テクノロジーの応用が増えています。特に、Nvidiaのような会社が先駆けています。従来、GPUはAIモデルのトレーニングに広く使用されてきましたが、ランタイム推論、つまりモデルが実際に使用されているとき、が重要性を増しています。推論の最適化、つまり効率性と影響力の向上が期待されています。

さらに、利用可能なトレーニングデータがほとんど使い果たされており、モデルへの追加データの導入によってさらに改善が見込めないことがわかりました。したがって、モデルが動作するときに、どのように機能するかを改善することに重点が置かれるようになりました。ランタイム時に新しい情報を活用してモデル結果を強化することが重要な焦点となります。

一部の技術が限界に達するにつれ、新しいアプローチが現れ、AIを採用する組織の適応性の重要性が強調されます。今日うまく機能するものは、6か月から1年以内に旧来のものになる可能性があります。したがって、AIパイプラインのコンポーネントやデータソースを追加または置き換える準備をしておく必要があります。変化に適応し、変化を受け入れることが、急速に進化するランドスケープに追随するための鍵です。

組織は、データシロを打破し、システム全体でデータフローを改善するために、どのような戦略を採用できますか？

まず、データシロが常に存在することを認識する必要があります。これは常にそうでした。多くの組織は、すべてのデータを1つの場所に集中させ、理想的なセットアップを作成し、重大な価値を解放しようとしますが、これはほとんどの場合、長期的で高価な多年間の取り組みとなり、特に大規模な企業の場合です。

したがって、現実は、データシロが存在し続けることです。そうしたとき、質問は、データシロとどのように効率的に働くか、というものになります。

大きな会社の例を考えてみましょう。大きな会社は、すべての人が世界中で一緒に働く1つのオフィスで運営されることはありません。代わりに、会社は本社と複数のオフィスに分かれています。目標は、オフィスを1つにまとめることではなく、オフィス間の共同作業を可能にすることです。そのため、生産性ツールのようなZoomやSlackに投資します。これらのツールは、異なる場所にある人々を接続し、シームレスなワークフローを可能にします。

同様に、データシロは、チーム、部門、その他の境界にまたがる断片化されたシステムです。目標は、これらを排除することではなく、シームレスに共同作業できるようにすることです。したがって、Nexsetsのようなテクノロジーに焦点を当てます。Nexsetsは、さまざまなデータソース全体で共通のインターフェースまたは抽象化レイヤーを提供し、データシロ間の相互運用性を容易にします。これにより、シロの否定的な影響を最小限に抑え、効率性が向上します。

本質的に、戦略は、シロを排除するのではなく、シロ間の共同作業を改善することに重点を置くべきです。多くの企業は、すべてのデータを1つの大きなデータレイクに統合しようとする間違いを犯します。しかし、正直に言えば、これはほとんどの場合、勝ち目がない戦いです。

現代のデータプラットフォームは、速度とスケーラビリティなどの課題に対処する方法は何ですか？また、Nexlaはこれらの問題に対処する点で何が異なりますか？

私の見解では、現代のデータスタック内の多くのツールは、使いやすさと開発の迅速さに重点を置いて設計されました。これは、ツールをよりアクセスしやすくすることから生まれました。たとえば、マーケティングアナリストが、マーケティングプラットフォームから直接データを視覚化ツールに移動できるようにしました。

スケーラビリティについて話すとき、多くの人は、データのボリュームをスケールすることを考えています。しかし、スケーラビリティの実際の課題は、2つの要因から生じます。1つは、データを扱う必要がある人の数の増加です。もう1つは、組織が管理する必要があるシステムとデータの種類の増加です。

現代のツールは、高度に特殊化しており、スケーラビリティの課題の小さな部分だけを解決しています。したがって、組織は、各問題を解決するために複数のツールを使用することになります。これにより、新しい課題が生じます。ツールの過負荷と非効率性です。

Nexlaは、使いやすさと柔軟性のバランスを取ることでこの問題に対処します。1つの側面では、テンプレートやユーザーフレンドリーなインターフェースなどのシンプルさを提供します。他の側面では、開発者がプラットフォームを継続的に強化できる、開発者向けの機能を提供します。開発者は、新しい機能をシステムに追加できますが、これらの強化は、非技術者のユーザーにとって、シンプルなボタンとクリックとして残ります。

Nexlaが真正面から対処するのは、使いやすさと、組織が必要とするエンタープライズグレードの機能の幅のバランスです。プラットフォームは、これらの2つの世界をシームレスに接続し、チームが効率的に作業できるようにしますが、パワーと柔軟性を妥協することはありません。

Nexlaの主な強みの1つは、抽象化されたアーキテクチャです。たとえば、ユーザーはデータパイプラインを視覚的に設計できますが、パイプラインが実行される方法は、高度に適応可能です。ユーザーの要件（ソース、宛先、データがリアルタイムであるかどうかなど）に応じて、プラットフォームはパイプラインを6つの異なるエンジンのいずれかに自動的にマッピングします。これにより、ユーザーがこれらの複雑さを手動で管理する必要はありません。

プラットフォームは、疎結合です。つまり、ソースシステムと宛先システムは切り離されています。これにより、ユーザーは既存のソースに新しい宛先を追加したり、既存の宛先に新しいソースを追加したり、システム間の双方向統合を有効にしたりできます。

重要なのは、Nexlaがパイプラインの設計を抽象化し、ユーザーがバッチデータ、ストリーミングデータ、リアルタイムデータを扱うことができるようにすることです。プラットフォームは自動的にこれらの要件に適応し、ユーザーがデータの形式や速度に関係なく、データで作業できるようにします。これは、プログラミング言語の特定の詳細ではなく、デザインの考慮事項です。

これはすべて、Nexlaがデータの消費者を念頭に置いて構築されたことを示しています。多くの従来のツールは、データを生成する人やシステムを管理する人を対象として設計されていましたが、Nexlaは、データにアクセスする人を対象として設計されています。データにアクセスする人には、データのソースに関係なく、シンプルで直感的なインターフェースが必要です。消費者のニーズを優先することで、データへのアクセスを簡素化しながら、さまざまなユースケースをサポートするために必要な柔軟性を維持するプラットフォームを設計できました。

Nexlaの顧客にとって、ノーコードとローコード機能は、データエンジニアリングをどのように変革しましたか？

ノーコードとローコード機能は、データエンジニアリングプロセスを、ユーザーにとって真正な共同作業の体験に変えました。たとえば、DoorDashのアカウント運用チームは、以前、データに関する要件をエンジニアリングチームに提供し、エンジニアリングチームがソリューションを構築する必要がありました。これは、時間のかかる反復プロセスでした。

今では、ノーコードとローコードツールを使用すると、日常業務チームは、タスクを直接処理できます。エンジニアリングチームは、同じローコードプラットフォームを使用して、新しい機能と機能を迅速に追加できます。運用チームは、これらの機能を遅れずに使用できます。

このシフトにより、プロセスはボトルネックではなく、共同作業の体験になりました。顧客は、以前は2〜3ヶ月かかっていたタスクが、2週間以内に完了することを報告しています。速度が5〜10倍向上しました。

データエンジニアリングの役割は、特にAIの採用が増えるにつれて、どのように進化していますか？

データエンジニアリングは、自動化とGenAIの進歩によって急速に進化しています。コード生成やコネクタ作成などの多くの側面が、より迅速で効率的なものになりました。GenAIにより、コネクタの生成、テスト、デプロイの速度が大幅に向上しました。しかし、この進歩は、新しい課題も引き起こしています。複雑さ、セキュリティの懸念、ガバナンスの必要性が増しています。

懸念事項の1つは、企業データの不正使用の可能性です。企業は、独自のデータがAIモデルをトレーニングするために使用され、競争上の優位性を失ったり、データ漏洩により他者に漏洩したりするのではないかと心配しています。システムとデータの複雑さの増大により、データエンジニアリングチームは、セキュリティ、ガバナンス、データの完全性を確保するための包括的なシステム問題に焦点を当てる必要があります。これらの課題は、AIだけでは解決できません。

ジェネレーティブAIは、下位レベルのタスクを自動化できますが、データエンジニアリングの役割は、より広範なエコシステムのオーケストレーションに移行しています。データエンジニアは、コンデュクターのように、複数の相互接続されたコンポーネントとプロセスを管理します。エラーを防ぎ、未承認のアクセスを防止するためのセーフガードを設定し、ガバナンス基準の遵守を確保し、AIによって生成された出力がビジネス上の意思決定でどのように使用されるかを監視します。

これらのシステムでのエラーとミスは、高価なものになる可能性があります。AIシステムは、許可されていないものを顧客に返金するなど、古いポリシー情報を取得して、不正確な回答を生成する可能性があります。これらの問題を捕捉してビジネスに影響を与える前に修正するには、厳格な監視とプロセスが必要です。

データエンジニアリングチームのもう1つの重要な責任は、ユーザーの人口統計の変化に適応することです。AIツールは、分析者や技術的に熟練したユーザーに限定されていましたが、現在は、データの有効性を疑う専門知識がなくても、エッジのユーザー、たとえば、顧客サポートエージェントによって使用されています。このようなユーザーが増えるにつれて、データエンジニアリングチームは、データの正確性と信頼性を確保する責任が増大します。

データエンジニアリングの分野が進化するにつれて、Nexlaから新しい機能や進歩が期待できますか？

私たちは、データエンジニアリングが進化するにつれて、さまざまな進歩と新しい機能に取り組んでいます。1つは、データの多様性に対処するためのAI駆動のソリューションです。データエンジニアリングの主要な課題の1つは、さまざまなソースからのデータの多様性を管理することです。AIを利用してこのプロセスを簡素化することを目指しています。たとえば、数百の異なる販売業者からのデータを受け取った場合、システムは自動的にそれを標準的な構造にマッピングできます。今日、このプロセスは、人間の介入を必要としますが、NexlaのAI駆動型の機能は、人間の労力を最小限に抑え、効率性を高めることを目指しています。

また、次の世代のデータワークフローをサポートするためのコネクタ技術の進歩に取り組んでいます。エージェントの簡単な生成を可能にする機能を備えたコネクタは、新しいシステムへのシームレスな接続と、システム内での特定のアクションの実行を可能にします。これは、GenAIユーザーの増加と、さまざまなプラットフォームとの相互作用の簡素化に特に焦点を当てています。

3つ目は、モニタリングと品質保証の改善に取り組んでいます。データを使用するユーザーが増えるにつれて、モニタリングとデータ品質の確保の重要性が高まっています。システムモニタリングと品質保証のための堅牢なツールを提供することを目指しています。データが信頼性が高く、活用可能なままであり、使用量が増えても、スケールするようにします。

最後に、Nexlaは、コア機能の一部をオープンソース化するための措置を講じています。考え方は、テクノロジーをより広いコミュニティと共有することで、より多くの人々が高度なデータエンジニアリングツールとソリューションを活用できるようにすることです。これは、革新とコラボレーションを分野内で促進するという私たちの取り組みを反映しています。

素晴らしい回答、ご興味がある読者はNexlaを訪問してください。