Amit Sharma, CData의 CEO 및 창립자 – 인터뷰 시리즈

Amit Sharma, CData Software의 CEO 및 창립자는 기술 집행자로서 CData를 초기 스타트업 단계에서 글로벌 데이터 연결 및 통합의 선도적인 기업으로 이끌어 왔습니다. Infosys와 Elixar의 소프트웨어 엔지니어, /n Software의 기술 아키텍트, 그리고 나중에 CData의 CTO를 역임하면서 그는 엔터프라이즈 데이터 액세스 및 인프라에 대한 깊은 전문 지식을 구축했습니다. 2014년 CEO가 된 이후, 그는 조직이 시스템 전체에서 데이터에 연결하고 통합하고 활용하는 방식을 단순화하는 CData의 임무를 이끌어 왔습니다. 이는 회사를 현대적인 데이터 이동의 기초적인 계층으로 пози션하게 하여 데이터를 연결하고 통합하고 사용하는 방식을革新하였습니다.

CData Software는 데이터 액세스 및 연결 솔루션의 선도적인 제공업체입니다. 자체 서비스 데이터 제품과 연결 플랫폼은 수백 개의 널리 사용되는 온프레미스 및 클라우드 애플리케이션에 대한 실시간 데이터에 대한 보편적인 액세스를 제공합니다. 전 세계 수백만 명의 사용자가 고급 분석, 클라우드 채택 가속, 더 연결된 데이터 주도 조직 구축을 지원하기 위해 CData에 의존합니다. 모든 사용자에게 소비 가능하고 모든 애플리케이션 내에서 액세스 가능하며 모든 규모의 기업에 대해 확장 가능하도록 설계된 CData는 데이터에 액세스하고 사용하는 방식을 재정의하고 있습니다.

당신은 인도에서 Infosys에서 경력을 시작하여 후에 미국 기업 소프트웨어로 전환했습니다. 초기 단계에서 배운 교훈 중에 아직도 당신이 어떻게 리드하는지에 영향을 미치는 것은 무엇입니까?

Infosys에서 근무한 시간은 대규모 기업 기술의 요구 사항, 복잡성, 신뢰성의 필요성, 큰 조직이 기술 문제에 접근하는 방식에 대한 초기 노출을 제공했습니다. 그것은 구조와 기업급 품질에 대한 깊은 존중을 형성했습니다. 그러나 미국 스타트업으로 전환했을 때 나는 속도, 민첩성, 직접적인 영향력을 만드는 능력에서 잘 작동한다는 것을 발견했습니다. 오늘날, 그 이중 배경은 내가 CData Software를 어떻게 리드하는지에 대한 지침을 제공합니다. 나는 기업급 표준과 견고성을 요구하는 동시에 단순성, 현실 세계의 사용 가능성, 빠른 실행을 가치 부여하는 린한, 빠르게 움직이는 문화를 조성합니다.

10년 이상 CData의 CEO로 재직한 후, 회사를 초기 단계에서 글로벌 기업으로 확장하는 데 가장 중요한 마음가짐의 변화 또는 접근 방식은 무엇입니까?

나에게 가장 큰 변화는 기술을 구축하는 것에서 조직을 구축하는 것으로 생각하는 방식의 변화였습니다. 초기에는 제품에 대한 관심이 거의 전적으로 있었습니다. 제품이 우아하고, 신뢰할 수 있으며, 실제 문제를 해결하는지 확인하는 것이 중요했습니다. CData가 확장함에 따라 나는 훌륭한 소프트웨어만으로는 충분하지 않다는 것을 배웠습니다. 훌륭한 사람들, 강력한 리더들, 판매, 지원, 운영을 통해 확장할 수 있는 반복 가능한 시스템이 필요합니다. 그것은 더 일찍 인력을 고용하고, 팀을 권한 부여하고, 엔지니어링 문화를 보호하면서도 판매, 지원, 운영을 통해 확장할 수 있는 반복 가능한 시스템을 구축하는 것을 의미했습니다. 마음가짐의 변화는 나의 일은 훌륭한 기술을 만드는 것이 아니라, 훌륭한 기술을 일관되게 구축할 수 있는 환경을 만드는 것이라는 것을 깨닫는 것이었습니다.

CData는 오랫동안 “어디서나 모든 데이터에 액세스”를 단순화하는 데 중점을 두었습니다. AI 네이티브 애플리케이션이 산업으로 더 깊이 이동함에 따라 이 임무는 어떻게 진화했나요?

처음부터 CData의 임무는 친숙한 표준화된 인터페이스를 사용하여 보편적인 데이터 액세스를 제공하는 것이었습니다. 우리는 가장 큰 병목 현상이 저장소 또는 컴퓨팅이 아니라 액세스라는 것을 믿었습니다. 그 기본 아이디어는 변하지 않았지만, 상황은 변했습니다. 조직이 분석에서 클라우드로, 그리고 이제 AI로 이동함에 따라, 단편화된, 일관되지 않은 데이터 액세스의 비용은 증가했습니다. 무엇이 진화했는지는 우리의 책임입니다. 그것은 더 이상 애플리케이션을 데이터에 연결하는 것만이 아니라 데이터가 신뢰할 수 있고, 실시간이고, 복잡하고 분산된 환경에서 사용할 수 있는지 확인하는 것입니다. AI 시대에는 액세스만으로는 충분하지 않습니다. 데이터는 사용할 수 있는 상태로 제공되어야 합니다.

AI 네이티브 애플리케이션이 표준이 되면서, 우리의 임무는 데이터를 기본적으로 AI 준비가 된 상태로 만드는 것을 포함하도록 확대되었습니다. 즉, 모델과 에이전트가 신선한, 신뢰할 수 있는 정보로 작동할 수 있도록 일관된 의미론, 고성능 연결, 거버넌스 인식 액세스, 실시간 통합을 구조화된 및 SaaS 데이터 소스에 대해 제공하는 것을 의미합니다. 실제로 우리는 데이터가 sống고 AI 시스템이 작동하는 곳 사이의 마찰을 제거하여 팀이 실험에서 생산으로 더 빠르게 이동할 수 있도록하는 것에 집중하고 있습니다. 우리는 단순히 연결 제공업체가 아니라 AI 구동 엔터프라이즈를 조용히 지원하는 데이터의 기초적인 계층이라고 생각합니다.

생성 AI가 가속화됨에 따라, “AI 준비 데이터”는 당신에게 무엇을 의미합니까? 그리고 조직은 이 아이디어를 가장 많이 잘못 이해하는 곳은 어디입니까?

나에게 “AI 준비 데이터”는 인간과 기계 모두에 의해 접근 가능하고, 신뢰할 수 있고, 현재이고, 이해할 수 있는 데이터를 의미합니다. 데이터를 호수 또는 웨어하우스로 이동하는 것만이 아니라, 시스템, 모델, 에이전트가 일관되게 데이터에 액세스할 수 있는 표준화된, 거버넌스된 인터페이스를 통해 데이터에 액세스할 수 있는 것을 의미합니다. AI 준비는 데이터가 저장되는 위치에 덜 의존하고, 데이터가 언제든지 검색할 수 있고, 쿼리할 수 있고, 신뢰할 수 있고, 통합할 수 있는지에 더 의존합니다. 그런 기반 없이 가장 先進的な 모델도 불완전하거나 구식의 정보로 작동합니다.

조직이 이 개념을 가장 많이 잘못 이해하는 곳은 중앙화가 자동으로 준비를 의미한다고 가정하는 곳입니다. 팀은 데이터를 단일 플랫폼으로 통합하면 “AI 준비”가 된다고 생각하지만, 실제로는 새로운 시ロ를 생성합니다. 다른 사람들은 데이터 품질, 의미론, 연결성과 같은 비글ャ머러스한 문제를 해결하지 않고도 도구에 과도한 투자를 합니다. AI는 모델 때문에 실패하지 않습니다. 데이터가 어수선하거나 접근할 수 없거나 구식인 경우에 실패합니다. AI 시스템을 실제로 작동하는 조직은 데이터 준비를 운영 규율로 다루는 조직입니다. 한 번의 마이그레이션 프로젝트가 아닙니다.

신규 연구, AI 데이터 연결 상태: 2026 전망, AI 리더의 6%만이 데이터 인프라가 AI에 완전히 준비되어 있다고 믿는다는 것을 보여줍니다. 준비 격차가 इतन나 큰 이유는 무엇입니까? 그리고 이것은 산업의 현재 방향에 대해 무엇을 말해줍니까?

격차는 इतन나 큰 이유는 대부분의 조직이 AI를 위해 사용할 수 있는 데이터를 수집하고 저장하기 전에 데이터를 수집하고 저장하기만 했기 때문입니다.过去의 10년 동안, 회사는 호수, 웨어하우스, 파이프라인을 구축했지만, 거의 कभ도 데이터를 사용할 수 있는 계층을 구축하지 않았습니다. 결과적으로, 리더들은 AI를 실제 워크플로에 배포하기 시작했을 때, 기본 인프라가 AI가 요구하는 속도, 규모, 신뢰성을 지원할 수 없다는 것을 발견합니다. 6%의 숫자는雄心의 부족을 반영하지 않습니다. 실제로 AI가 항상 존재했지만 전통적인 분석에서 그리 중요하지 않았던 약점을 노출한다는 것을 반영합니다.

데이터는 산업이 AI 채택 곡선의 초기에 있음을 말해줍니다. 조직은 응용 프로그램 계층에서 공격적으로 실험하고 있지만, 성공은 기본적인 데이터 기반을 현대화하는 것에 달려 있습니다. 우리는 정정 단계에 들어가고 있습니다. 여기서 초점은 화려한 파일럿에서 운영 준비, 표준화된 액세스, 거버넌스된 통합, 실시간 연결로 이동하고 있습니다. 승자는 가장 많은 증명된 개념을 구축하는 회사들이 아닙니다. 데이터 인프라를 빠르게 현대화하여 실험을 대규모로 생산에 이동할 수 있는 회사들이 승자입니다.

발견은 또한 71%의 AI 팀이 데이터 플럼빙에 시간의 4분의 1을 넘게 사용한다는 것을 보여줍니다. 당신의 관점에서, 이 작업의 어떤 부분이 전략적이지 않고 단순히 기술 부채입니까?

일부 “데이터 플럼빙”은 전략적입니다. 데이터에 대한 지속 가능한 액세스를 표준화된 인터페이스를 통해 만들고, 확장성과 거버넌스를 처음부터 설계할 때입니다. 일관된 연결성, 공유 의미론, 신뢰할 수 있는 통합 패턴에 투자하는 것은 이후 모든 애플리케이션과 모델에서 이익을 제공하는 기초 작업입니다. 문제는 대부분의 팀이那种 플럼빙을 하지 않는다는 것입니다. 그들은 일회용 파이프라인을 재구축하고, 취약한 커넥터를 작성하고, 한 번만 문제를 해결하는 통합을 패치합니다. 그것은 기술 부채입니다.

전략적인 것은 미래의 마찰을 줄이는 모든 것입니다. 표준을 사용하여 사용자 정의 코드를 제거하고, 재사용 가능한 데이터 서비스를 구축하고, 팀과 사용 사례에 걸쳐 확장할 수 있는 시스템을 연결하는 것입니다. 플럼빙이 보이지 않고 반복 가능해지면, 그것은 AI 팀에 대한 세금이停止하고, 가능하게 됩니다. 실제 목표는 데이터에 시간을 덜 쓰는 것이 아닙니다. 동일한 데이터 문제를 반복적으로 해결하는 것을停止하는 것입니다.

고객과 함께 작업할 때, 단일 AI 사용 사례에 대해 6개 이상의 데이터 소스에 대한 실시간 액세스가 필요한 경우가 많습니다. 이것은 당신이 본 것과 일치합니까? 그리고 이러한 수준의 연결성이 어려운 이유는 무엇입니까?

예, 그것은 고객과 함께 작업할 때 내가 본 것과 일치합니다. 현대적인 AI 사용 사례, 예를 들어 예측 분석, 추천 엔진 또는 자율 워크플로우는 거의 하나의 시스템만을 의존하지 않습니다. 기업은 의미 있는 통찰력을 생성하기 위해 ERP, CRM, SaaS 앱, 스트리밍 플랫폼 및 레거시 데이터베이스를 결합해야 합니다. 도전은 데이터 소스의 숫자가 아니라, 다양성, 다른 프로토콜, 형식 및 업데이트頻率, 그리고 데이터가 AI 모델에 의해 소비될 수 있도록 실시간으로 사용할 수 있는 기대입니다.

이 수준의 연결성이 어려운 이유는 전통적인 통합 접근 방식이 AI가 요구하는 속도, 규모 및 신뢰성을 위해 설계되지 않았기 때문입니다. 일회용 커넥터와 배치 파이프라인은 단순히 따라갈 수 없습니다. 실제 실시간 액세스는 표준화된 관리 인터페이스, 시스템 전반에 걸친 일관된 의미론, 데이터 품질 및 가용성을 보장하기 위한 모니터링을 요구합니다. 그런 기반 없이 팀은 파이프라인을 소방하는 것보다 AI 솔루션을 구축하는 데 더 많은 시간을 보냅니다. 이는 혁신을 늦추고 위험을 도입합니다. 성공하는 조직은 연결성을 기술적인 과제가 아니라 전략적인 능력으로 다룹니다.

보고서는 성숙한 AI 데이터 인프라의 정의 특성으로 의미론적 일관성, 컨텍스트 및 연결성을 강조합니다. 조직은 이러한 우선순위를 순서대로 생각해야 합니까?

순서를 생각할 때, 조직은 연결성을 시작해야 합니다. 데이터에 액세스할 수 없으면 모든 것이 무의미합니다. AI 모델은 액세스할 수 없는 것을 배우지 못합니다. 모든 임계 데이터 소스에 대한 표준화된 거버넌스된 연결을 설정하는 것은 이후에 따라오는 모든 것을 위한 기반을奠定합니다. 연결성이 없으면 팀은 취약한 일회용 파이프라인을 구축하여 나중에 더 많은 작업을 생성합니다.

연결성이 설정되면 의미론적 일관성이 다음 우선순위가 됩니다. 데이터는 정보를 올바르게 해석하고 결합하기 위해 공통 언어가 필요합니다. 컨텍스트는 자연스럽게 따릅니다. 비즈니스 프로세스, 타이밍 및 관계 내에서 값을 이해하는 것은 정확하고 행동할 수 있는 예측을 만드는 것을 보장합니다. 이러한 요소를 순서대로 다루는 것 – 연결성, 의미론, 컨텍스트 – 는 조직이 AI 준비 데이터 인프라를 구축할 수 있도록 합니다.

AI 네이티브 소프트웨어 제공업체는 이제 전통적인 벤더보다 약 3배 더 많은 외부 통합을 필요로 합니다. 이 차이가 넓어지는 이유는 무엇이며, 소프트웨어가 어디로 향하고 있는지에 대해 무엇을 나타냅니까?

차이가 넓어지는 이유는 AI 자체의 특성 때문입니다. AI 네이티브 애플리케이션은 다양한 실시간 데이터 소스에서 데이터를 필요로 합니다. 전통적인 소프트웨어와 달리, AI 모델은 ERP 시스템, CRM 플랫폼, SaaS 앱, 스트리밍 소스 등에서 정보를摄取하고, 상관시키고, 분석해야 합니다. 각 통합은 AI가 정확한 예측, 추천 또는 자동화된 동작을 생성하기 위해 필요한 컨텍스트와 커버리지를 제공하기 위해 필수적입니다.

이 트렌드는 소프트웨어가 분리된 애플리케이션에서 연결된 지능형 생태계로 이동하고 있음을 나타냅니다. 승자는 제품이 잘 작동하는 제품이 아닙니다. 데이터가 sống고 있는 곳에 접근하고 통합할 수 있는 플랫폼입니다. 실제로 이는 연결성, 표준화, 실시간 통합이 더 이상 좋을 수 있는 기능이 아니라, AI 네이티브 소프트웨어가 실제 가치를 제공하기 위한 기초적인 능력임을 의미합니다.

5년 후, AI 성공을 위한 가장 중요한 병목 현상은 연결성, 실시간 파이프라인, 의미론적 모델링, 거버넌스, 또는 다른 무엇입니까?

5년 후, 나는 거버넌스와 보안이 AI 성공을 위한 가장 중요한 병목 현상이 될 것이라고 믿습니다. 연결성과 실시간 파이프라인은 여전히 기초적인 것으로 남아 있지만, 조직은 무거버넌스 AI는 지속 가능하지 않으며, 잠재적으로 위험하다는 것을 깨닫고 있습니다. AI가 생산으로 이동하고, 비즈니스 결정에 영향을 미치기 시작할 때, 편향, 규정 위반, 데이터 누출, 운영 오류의 위험이 기하급수적으로 증가합니다.

도전은 더 이상 데이터를 이동하는 것이 아닙니다. 옳은 데이터를, 옳은 컨트롤과 함께, 옳은 시스템으로, 추적 가능하고 감시 가능한 방식으로 이동하는 것입니다. 거버넌스 프레임워크와 보안 프로토콜을 초기에 내장하지 못하는 조직은 규제 압력, 평판 위험, 그리고 확장할 수 없는 AI 시스템에 직면할 것입니다. 이미 초기 징후를 보이고 있습니다. 데이터 계보, 액세스 컨트롤, 규정 준수를 보장할 수 없기 때문에 AI를 배포하는 것을 주저하는 비즈니스.

5년 후 가장 성공적인 조직은 거버넌스와 보안을 후순위로 생각하지 않고, AI의 핵심적인 능력으로 생각하는 조직이 될 것입니다. 연결성과 실시간 파이프라인이 데이터를 흐르게 하는 데 필요하지만, 거버넌스와 보안이 없으면, 데이터는 자산이 아니라 부채가 됩니다. AI의 미래는 속도 또는 규모에 관한 것이 아닙니다. 그것은 모든 데이터 스택의 계층에서 신뢰, 책임성, 책임 있는 배포에 관한 것입니다.

감사합니다. 더 많은 정보를 원하는 독자는 CData Software를 방문하십시오.