Anthony Deighton, Tamr의 CEO – 인터뷰 시리즈

Anthony Deighton은 Tamr의 CEO입니다. 그는 20년간의 엔터프라이즈 소프트웨어 회사 구축 및 확장 경험을 가지고 있습니다. 최근 2년 동안 Celonis에서 Chief Marketing Officer로 재직하며 Process Mining 소프트웨어 카테고리에서 리더십을 확립하고 수요 생성 프로그램을 개발하여 130%의 ARR 성장을 달성했습니다. 이전에는 Qlik에서 10년 이상 근무하며 desconocido 스웨덴 소프트웨어 회사에서 공공 회사로 성장하는 과정에서 제품 리더십, 제품 마케팅, 그리고 최종적으로 CTO 역할을 수행했습니다. 그는 Siebel Systems에서 엔터프라이즈 소프트웨어 회사 구축 방법을 배웠습니다.

엔터프라이즈 소프트웨어 산업에서您的 경력 중 일부 주요 里程碑을 공유해 주시겠습니까? 특히 Qlik과 Celonis에서 근무한 기간에 대해 말해 주시겠습니까?

저는 Siebel Systems에서 엔터프라이즈 소프트웨어 회사 구축 방법을 배웠습니다. Qlik에 합류했을 때, 저는 작은, desconocido 스웨덴 소프트웨어 회사에서 마케팅 팀을 구축했습니다. 하지만 시간이 지남에 따라 저의 관심과 기여는 제품 관리로 이동했습니다. 우리는 Qlik을 2010년에 상장시키고, 성공적인 공공 회사로 성장했습니다. 이후 우리는 일부 인수를 하려고 했으며, 저는 M&A 팀을 시작했습니다. Qlik을 Thoma Bravo라는 사모펀드 회사에 매각했습니다. 이것은 엔터프라이즈 소프트웨어 회사의 전체 수명 주기를 의미합니다. Qlik을 떠난 후, 저는 Celonis에 합류했습니다. Celonis는 미국에서 성공을 거두고자 하는 작은 독일 소프트웨어 회사입니다. 다시 한번, 저는 마케팅을 담당했습니다. 우리는 매우 빠르게 성장하고, 성공적인 글로벌 마케팅 기능을 구축했습니다.

Qlik과 Celonis 모두 데이터 분석의 전면에 집중했습니다. Qlik의 경우, 이것은 대시보드였습니다. Celonis의 경우, 이것은 비즈니스 프로세스였습니다. 하지만 두 회사 모두 공통의 도전을 겪었습니다. 데이터 자체였습니다. 많은 고객이 데이터가 잘못되었다고 불평했습니다. 중복된 레코드, 불완전한 레코드, 누락된 데이터 실입니다. 이것이 저를 Tamr에 끌어들였습니다. 여기서 저는 처음으로 엔터프라이즈 데이터의 문제를 해결할 수 있을 것이라고 느꼈습니다. 저의 첫 15년은 데이터를 시각화하는 데 صرف되었습니다. 저는 다음 15년이 데이터를 정리하는 데 쓰일 수 있기를 바랍니다.

초기 경험이 엔터프라이즈 소프트웨어 회사를 구축하고 확장하는 데 대한 접근 방식에 어떤 영향을 미쳤습니까?

저는 Siebel에서 Qlik으로 이동하는 과정에서 중요한 교훈을 얻었습니다. 그것은 단순성의 힘입니다. Siebel은 매우 강력한 소프트웨어였지만, Salesforce.com에 의해 시장에서 패배했습니다. Salesforce.com은 많은 기능이 없었지만, 고객이 빠르게 구축할 수 있었습니다. 이것은 오늘날에는 당연한 것으로 보이지만, 당시에는 고객이 기능을 구매한다고 생각했습니다. 하지만 우리는 고객이 비즈니스 문제를 해결하는 솔루션에 투자한다는 것을 배웠습니다. 따라서 소프트웨어가 더 빠르게 문제를 해결할 수 있다면, 승리합니다. Qlik은 데이터 분석 문제에 대한 단순한 솔루션으로, 더 많은 기능을 가진 경쟁자들보다 더 잘 성장할 수 있었습니다.

저는 두 번째 중요한 교훈을 마케팅에서 제품으로의 전환 과정에서 얻었습니다. 우리는 이 두 영역을 별개로 생각합니다. 하지만 저는 제품과 마케팅 사이를 자유롭게 이동할 수 있습니다. 제품을 구축하는 것과 잠재 고객에게 설명하는 것 사이에는 밀접한 링크가 있습니다. 또한 잠재 고객이 요구하는 것과 우리가 구축해야 하는 제품 사이에도 중요한 링크가 있습니다. 이러한 대화 사이를 이동하는 능력은 모든 엔터프라이즈 소프트웨어 회사의 중요한 성공 요인입니다. 스타트업의 실패 이유 중 하나는 “만들면 사람들이 खरीद을 것이다”라는 믿음입니다. 이것은 결코 작동하지 않으며, 해결책은 소프트웨어 개발 과정과 연결된 강력한 마케팅 프로세스입니다.

마지막으로, 저는 학문적 작업과 전문적인 작업을 연결하는 아이디어를 공유하겠습니다. 비즈니스 학교에서 클레이 크리스텐슨의 혁신적 혁신 이론에 대한 수업을 들었습니다. 전문적인 작업에서 저는 혁신적 혁신을 경험할 수 있었습니다. 주요한 교훈은 모든 혁신적 혁신은 외재적 플랫폼 시프트의 결과라는 것입니다. Qlik의 경우, 이것은 대규모 메모리 서버의 플랫폼 가용성으로, Qlik이 전통적인 큐브 기반 보고서를 방해할 수 있었습니다. Tamr에서, 플랫폼 가용성은 기계 학습을 통해 수동 규칙 기반 MDM을 방해할 수 있습니다. 항상 어떤 플랫폼 시프트가 방해를 일으키는지 파악하는 것이 중요합니다.

AI-네이티브 마스터 데이터 관리(MDM)의 개발은 무엇으로부터 영감을 받았으며, 전통적인 MDM 솔루션과 어떻게 다릅니까?

Tamr의 개발은 MIT에서 엔티티 해결에 대한 학문적 작업에서 비롯되었습니다. 튜링 상 수상자 마이클 스톤브레이커의 학술 리더십 아래, 팀은 “수백 개의 소스와 수백만 개의 레코드를 연결할 수 있는지”를 조사했습니다. 이는 사실상 해결할 수 없는 도전입니다. 컴퓨터 과학자들은 이것을 “n-제곱 문제”라고 부르며, 문제는 규모에 따라 기하급수적으로 증가합니다.

전통적인 MDM 시스템은 규칙과 수동 데이터 큐레이션을 사용하여 이 문제를 해결하려고 합니다. 규칙은 확장할 수 없습니다. 규칙을 관리하는 것은 기술적으로 불가능합니다. 수동 큐레이션은 매우 비용이 많이 듭니다. 이것은 전통적인 MDM 솔루션의 시장 채택이 부족한 이유입니다. 솔직히 말해, 전통적인 MDM을 좋아하는 사람은 없습니다.

Tamr의 간단한 아이디어는 소스 摂取, 레코드 일치, 값 해결을 위한 AI를 훈련하는 것입니다. AI의 좋은 점은 먹지 않으며, 잠을 자지 않으며, 휴가를 가지지 않습니다. 또한高度 평행화할 수 있으므로,大量의 데이터를 처리할 수 있습니다. 따라서, MDM은 불가능한 것이 가능해졌습니다.

회사들이 데이터 관리에서 직면하는 가장 큰 도전은 무엇이며, Tamr은 이러한 문제를 어떻게 해결합니까?

첫째, 가장 중요한 도전은 비즈니스 사용자가 생성한 데이터를 사용하지 않는 것입니다. 또는, 데이터 팀이 조직에서 분석적 질문이나 비즈니스 프로세스를 최적화하는 데 사용할 수 있는 높은 품질의 데이터를 생성하지 않는다면, 시간과 돈을 낭비하고 있습니다. Tamr의 주요 출력은 각 엔티티 레코드(고객, 제품, 부품 등)에 대한 360 페이지입니다. 이 페이지는 모든 기본 및 3차 데이터를 결합하여 비즈니스 사용자가 데이터를 볼 수 있고, 피드백을 제공할 수 있습니다. 이것은 엔티티 데이터의 위키입니다. 이 360 페이지는 또한 데이터와 질문을 하는 대화형 인터페이스의 입력입니다. 따라서, 사용자에게 데이터를 제공하는 것이 첫 번째 목표입니다.

회사들이 사용자에게 데이터를 제공하는 것이 어려운 이유는 무엇입니까? 데이터를 로드하는 것이 어렵기 때문입니다. Tamr은 새로운 데이터 소스를 쉽게 로드할 수 있도록 합니다. AI는 자동으로 새로운 필드를 정의된 엔티티 스키마에 매핑합니다. 따라서, 새로운 데이터 소스에서 특정 필드를 호출하는 경우, 중앙 정의에 매핑됩니다. 다음 도전은 레코드를 연결하는 것입니다. Tamr의 AI는 이것을 수행하며, 외부 3차 소스를 사용하여 공통 엔티티를 해결합니다. 마지막으로, 레코드에 빈 또는 잘못된 필드가 있을 수 있습니다. Tamr은 내부 및 3차 소스에서 올바른 필드 값을 추론할 수 있습니다.

Tamr을 사용하여 데이터 관리와 비즈니스 결과를 크게 개선한 성공 사례를 공유해 주시겠습니까?

CHG Healthcare는 의료 인력 산업에서 주요 플레이어입니다. 의료 전문가를 시설과 연결합니다. Tamr의 고급 AI/ML 기능을 사용하여, CHG Healthcare는 중복된 의사 레코드를 45% 줄였습니다. 또한, 수동 데이터 준비를 거의 완전히 제거했습니다. 가장 중요한 것은, 신뢰할 수 있고 정확한 제공자 뷰를 통해, CHG는 최적화된 스태핑을 가능하게 하여, 고객에게 더 나은 경험을 제공할 수 있습니다.

데이터 관리에서 AI에 대한 일부 일반적인 오해는 무엇이며, Tamr은 이러한 신화를 어떻게 해결합니까?

일반적인 오해는 AI가 “완벽”해야 한다는 것입니다. 또는, 규칙과 수동 큐레이션이 AI보다 완벽하다는 것입니다. 현실은 규칙이 항상 실패한다는 것입니다. 또한, 규칙이 실패할 때, 유일한 해결책은 더 많은 규칙입니다. 따라서, 규칙의 관리할 수 없는 메스를 갖게 됩니다. 또한, 수동 큐레이션은 오류가 있습니다. 인간은 좋은 의도를 가질 수 있지만, 항상 옳지 않을 수 있습니다. 무엇보다, 일부 인간 큐레이터는 다른 사람보다 더 좋을 수 있거나, 다른 결정들을 내릴 수 있습니다. AI는 확률적입니다. 우리는 통계적으로 이러한 기술의 정확성을 검증할 수 있습니다. 그리고, 우리는 AI가 더 저렴하고, 더 정확하다는 것을 발견합니다.

Tamr은 데이터 정확성을 위한 AI와 인간의 정화를 결합합니다. 실제로 어떻게 작동합니까?

인간은 AI에게 예외적으로 중요한 것을 제공합니다. 그것은 훈련입니다. AI는 인간의 노력을 확장하는 것입니다. Tamr은 인간에게 데이터의 작은 예시를 요청합니다. AI는 이 예시를 사용하여 모델 매개변수를 설정합니다. 실제로는 인간이 데이터와 함께 작은 시간을 보냅니다. Tamr은 오류와 데이터의 잘못된 부분을 식별합니다. AI는 이 교훈을 전체 데이터 세트에 적용합니다. 또한, 새로운 데이터가 추가되거나, 데이터가 변경되면, AI는 인간에게 입력을 요청할 수 있습니다. 이 입력은 모델을 개선하고 업데이트합니다.

대규모 언어 모델(LLM)은 Tamr의 데이터 품질 및 보강 프로세스에서 어떤 역할을 합니까?

첫째, LLM이 무엇을 잘하는지 명확히 해야 합니다. 기본적으로, LLM은 언어에 관한 것입니다. 텍스트 문자열을 생성하며, 의미를 이해할 수 있습니다. 따라서, 언어 기계라고 할 수 있습니다. Tamr에서 언어가 중요한 경우, 우리는 LLM을 사용합니다. 한 가지 명백한 예는 우리의 대화형 인터페이스입니다. 이것은 우리의 엔티티 데이터 위에 위치하며, 가상 CDO라고 부릅니다. 실제 CDO와 마찬가지로, 언어를 이해하고, 언어를 사용하여 응답합니다. 이것은 정확히 LLM이 사용되는 방식입니다. Tamr의 가치는 엔티티 데이터를 대화의 컨텍스트로 사용한다는 것입니다. 실제 CDO와 마찬가지로, 모든 최고의 엔터프라이즈 데이터를 손가락 끝에 가지고 있습니다.

또한, 데이터 값을 정리하거나, 누락된 값을 채우는 경우, 언어 기반의 입력 값을 사용하여 값을 찾거나, 고칠 수 있습니다. 예를 들어, “5mm 볼 베어링”이라는 텍스트에서, 부분의 크기는 무엇입니까? LLM 또는 인간은 “5mm”이라고 대답할 것입니다.

마지막으로, LLM의 밑에는 언어 의미를 토큰(단어)으로 인코딩하는 임베딩 모델이 있습니다. 이것은 언어 비교를 계산하는 데 유용합니다. “5”와 “five”는 문자가 다르지만, 언어적 의미는 매우 비슷합니다. 따라서, 우리는 이 정보를 사용하여 레코드를 연결할 수 있습니다.

데이터 관리의 미래는 어떻게 될까요? 특히 AI와 기계 학습의 발전에 따라?

2000년대初의 “빅 데이터” 시대는 “스몰 데이터” 시대로 기억되어야 합니다. 많은 데이터가 생성되었지만, 대부분의 데이터는 상대적으로 작은 규모입니다. 판매 및 고객 보고서, 마케팅 분석, 대시보드로 쉽게 표현할 수 있는 데이터 세트입니다. 결과적으로, 데이터 관리에 사용되는 많은 도구와 프로세스는 “스몰 데이터”에 최적화되어 있습니다. 규칙 기반 논리와 인간의 큐레이션이 여전히 데이터 관리에서 두드러진 이유입니다.

AI와 기계 학습의 발전으로, 데이터를 사용하는 방식이 근본적으로 변경되고 있습니다. AI 에이전트가 중요한 부분의 작업을 수행할 수 있도록 하려면, 데이터가 필요합니다. 고객 지원의 최전선에서 AI 에이전트를 기대한다면, CRM에 다섯 개의 “Dell Computer” 표현이 있고, ERP의 제품 정보와 연결되어 있지 않다면, 높은 품질의 서비스를 제공할 수 있을까요?

이것의 의미는 데이터 관리 도구와 프로세스가 확장성을 처리하도록 발전해야 한다는 것입니다. 즉, 더 많은 데이터 정리 활동을 자동화하기 위해 AI와 기계 학습을 채택해야 합니다. 인간은 여전히 프로세스를 감독하는 중요한 역할을 할 것입니다. 하지만, 기계에게 더 많은 일을 요청해야 합니다. così, 단일 대시보드의 데이터만 정확하고 완전한 것이 아니라, 대부분의 엔터프라이즈 데이터가 정확하고 완전한 것입니다.

사업에서 데이터를 더 효과적으로 활용할 수 있는 가장 큰 기회는 무엇입니까?

데이터를 소비할 수 있는 방법의 수를 증가시키는 것입니다. 데이터 시각화 도구의 개선으로, 데이터가 엔터프라이즈 전반에 걸쳐 더 쉽게 접근할 수 있게 되었습니다. 이제, 데이터 및 분석 리더는 대시보드를 넘어 데이터를 제공할 수 있는 방법을 찾아야 합니다. 내부 360 페이지, 지식 그래프, 대화형 어시스턴트와 같은 인터페이스는 새로운 기술로 가능해졌습니다. 데이터를 사용할 수 있는 사람들에게 더 많은 방법을 제공합니다. 특히, 이미 사용하는 시스템에 내장된 경우, CRMs 및 ERPs와 같은 시스템에 내장된 경우, 매우 강력합니다. 데이터를 사용할 수 있는 사람들에게 데이터를 가져오는 것이 데이터에서 더 많은 값을 생성하는 가장 빠른 방법입니다.

감사합니다. 더 많은 정보를 원하는 독자는 Tamr을 방문하십시오.