Interviews
Leo Brunnick, Chief Product Officer bij Cloudera – Interviewreeks
Voeg Unite.AI toe aan je voorkeursbronnen op Google
Leo Brunnick, Chief Product Officer bij Cloudera, is een doorgewinterde technologie‑executive en ondernemer met meer dan drie decennia ervaring in het bouwen en opschalen van software, digitale media en enterprise‑technologie‑organisaties. Bij Cloudera leidt hij Product Management, Engineering en Customer Support en houdt hij toezicht op de product‑ en technologierichting van het bedrijf terwijl het de mogelijkheden van zijn data‑ en AI‑platform uitbreidt. Voordat hij in 2025 bij Cloudera kwam, werkte Brunnick zes jaar bij Naviga, het laatst als Chief Operating Officer, waar hij meer dan 600 professionals aanstuurde op het gebied van product, engineering, marketing, R&D, klantondersteuning en professionele diensten. Eerder in zijn loopbaan richtte hij Patheos op en was hij CEO, waarbij hij het digitale mediaplatform tot ongeveer 15 miljoen maandelijkse bezoekers liet groeien vóór een succesvolle exit, en hij werkte acht jaar als Chief Product Officer bij het enterprise‑content‑managementbedrijf Vignette. Zijn achtergrond omvat ook technologieconsultancy bij Andersen Consulting en dienst als infanterie‑officier bij de Amerikaanse Marine.
Cloudera is een enterprise‑data‑ en AI‑bedrijf dat zich richt op het helpen van organisaties bij het beheren, besturen, analyseren en toepassen van AI op data, ongeacht waar die zich bevindt—over publieke clouds, private datacenters en edge‑omgevingen. Het hybride platform combineert datamanagement, analytics, machine learning, generatieve AI en steeds meer agent‑AI‑mogelijkheden, met nadruk op enterprise‑beveiliging, governance, privacy en draagbaarheid van workloads. De huidige platformstrategie van het bedrijf omvat Cloudera Anywhere Cloud, een architectuur die bedrijven een consistente cloud‑ervaring biedt over verschillende infrastructuuromgevingen, naast een open data‑lakehouse, een unified data fabric, realtime dataverwerking en tools voor het ontwikkelen en inzetten van AI‑modellen en -agents. Cloudera meldt dat haar technologie meer dan 25 exabytes aan data beheert en wordt gebruikt door grote wereldwijde ondernemingen die hun data‑infrastructuur willen moderniseren zonder dat alle workloads of gevoelige data naar een publieke cloud moeten worden verplaatst.
Uw carrière omvat technologieconsultancy, het leiden van productorganisaties bij Vignette en Naviga, het oprichten en opschalen van Patheos, en nu het dienen als Chief Product Officer bij Cloudera. Hoe hebben die ervaringen uw manier van denken over het bouwen van enterprise‑technologieplatformen gevormd op een moment dat AI fundamenteel verandert hoe organisaties hun data gebruiken?
In al die situaties geldt hetzelfde principe. Technologie is het meest waardevol wanneer ze iets ingewikkelds makkelijker maakt voor mensen om te gebruiken. Dit punt is nu nog belangrijker, omdat AI aanzienlijke kansen creëert terwijl het ook een extra laag complexiteit toevoegt voor bedrijven die al worstelen met cloud‑data, datacenters en steeds vaker soevereine omgevingen.
Terwijl we dit volgende tijdperk bij Cloudera opbouwen, overweeg ik vaak hoe we organisaties kunnen laten profiteren van nieuwe technologieën zonder dat ze alles wat ze al hebben gebouwd opnieuw moeten heroverwegen. In de afgelopen jaren hebben ondernemingen hun data‑estates, applicaties, governance‑modellen en operationele processen opgebouwd. Het zou niet redelijk zijn om dat allemaal weg te gooien telkens wanneer er een nieuwe technologie verschijnt. De platforms die slagen in het AI‑tijdperk zullen voortbouwen op wat organisaties al hebben, terwijl ze hen de flexibiliteit en controle geven om zich aan te passen naarmate hun behoeften evolueren.
Cloudera heeft onlangs Cloudera Anywhere Cloud geïntroduceerd om ondernemingen te helpen AI te bouwen en te exploiteren over publieke clouds, private infrastructuur, soevereine clouds, on‑premise‑omgevingen en de edge. Welk probleem zag u bij klanten dat Cloudera ervan overtuigde dat dit type uniforme architectuur noodzakelijk was?
Er is een toenemende druk op klanten om AI in de praktijk te brengen, zelfs terwijl hun data en infrastructuur zich over meer omgevingen dan ooit verspreiden. Data kan zich bevinden in publieke clouds, private datacenters, soevereine omgevingen en de edge, elk met hun eigen beveiligings-, regelgevings-, prestatie‑ en economische eisen. Het beheren van al deze omgevingen kan een aanzienlijke operationele last voor organisaties opleveren.
Het idee achter Anywhere Cloud is dat bedrijven niet hoeven te kiezen tussen de wendbaarheid van de cloud en het behouden van controle, beveiliging en governance over hun data. Organisaties hebben een consistente manier nodig om data‑ en AI‑diensten te implementeren, te besturen en op te schalen waar dat het meest logisch is voor het bedrijf. Met één enkele control‑plane kunnen bedrijven minder tijd besteden aan het beheren van de onderliggende infrastructuur en meer tijd aan de resultaten die ze met hun data en AI willen behalen, ongeacht in welke omgeving die zich bevindt.
U heeft gezegd dat enterprise‑AI het “publieke‑cloud‑alleen‑model” heeft overtroffen.” Wat zijn de grootste beperkingen waarmee ondernemingen te maken krijgen wanneer ze productie‑AI volledig in publieke cloud‑omgevingen proberen uit te voeren, en welke workloads verplaatsen zich steeds meer naar andere omgevingen?
De platforms die slagen in het AI‑tijdperk zullen voortbouwen op wat organisaties al hebben en hen de flexibiliteit geven zich aan te passen naarmate hun behoeften evolueren. Publieke cloud blijft een belangrijk onderdeel van de enterprise‑technologiestrategie, maar het is niet de enige optie. Naarmate AI in productie gaat, moeten bedrijven bepalen waar hun data en workloads moeten draaien, gebaseerd op factoren zoals regelgeving, beveiliging en kosten.
Dit toont aan dat beslissingen over waar workloads geplaatst moeten worden nu bewuster worden genomen. Bepaalde AI-toepassingen zouden zeker geschikt zijn voor de publieke cloud, terwijl workloads die zeer gevoelige of gereguleerde gegevens bevatten mogelijk in een privédatacenter of een soevereine omgeving moeten blijven. In andere gevallen zullen workloads beter geschikt zijn aan de edge, aangezien latentie een belangrijke factor is. Het doel is niet om afstand te nemen van de publieke cloud; eerder is het om bedrijven de flexibiliteit te geven elke soort workload uit te voeren op de locatie die het meest geschikt is, zonder gedwongen te worden een afzonderlijk operationeel model voor elke omgeving te creëren.
Cloudera Anywhere Cloud bevat een agentische copilot die verzoeken in gewone taal kan vertalen naar gegevensworkflows en infrastructuuroperaties. Hoe autonoom verwacht u dat deze systemen zullen worden, en waar moeten bedrijven menselijk toezicht behouden naarmate agenten meer controle krijgen over kritieke gegevensinfrastructuur?
Agenten zullen de repetitieve operationele taken blijven overnemen die momenteel de tijd van data- en infrastructuurteams in beslag nemen. Als een agent een resultaat in gewone taal kan formuleren en dit vervolgens kan omzetten in een workflow of een infrastructuuractie, zal dat de wrijving sterk verminderen en geavanceerde datacapaciteiten beschikbaar maken voor een groter aantal mensen.
Meer autonomie creëert ook een grotere behoefte aan effectieve governance. Bedrijven moeten duidelijke beleidsregels hebben die specificeren waartoe een agent toegang heeft, welke acties hij zelfstandig mag uitvoeren, en wanneer menselijke goedkeuring vereist is. Hoe groter de potentiële impact van een actie, hoe crucialer die controles worden. Autonomie en governance moeten parallel evolueren om agenten voldoende vrijheid te bieden om echte productiviteitswinsten te behalen, terwijl de organisatie toezicht en controle behoudt over haar belangrijkste gegevens en infrastructuur.
Cloudera werkt samen met NVIDIA om native GPU-versnelling via cuDF naar Apache Spark 4.1 workloads te brengen, met potentiële prestatieverbeteringen tot 4x zonder dat organisaties bestaande PySpark- of SQL-toepassingen hoeven te herschrijven. Waarom is het elimineren van de noodzaak tot code‑herzieningen zo belangrijk voor het versnellen van de adoptie van enterprise‑AI?
Bedrijven hebben aanzienlijke investeringen gedaan in hun bestaande applicaties, vaardigheden en datapijplijnen. Overschakelen naar een nieuwe technologie vereist meer dan alleen engineeringwerk. Het kan risico’s met zich meebrengen, resultaten vertragen en verstoringen veroorzaken in systemen die al functioneren.
Zero‑codeversnelling helpt dit probleem aan te pakken. Organisaties kunnen hun bestaande PySpark- en SQL‑workloads gebruiken om de voordelen van GPU‑versnelling te benutten zonder fundamenteel te veranderen hoe hun teams opereren. Dit maakt de technologie makkelijker te adopteren, verbetert tegelijkertijd de prestaties van de datapijplijnen die analytics en AI ondersteunen, en beschermt bestaande investeringen.
GPU’s worden steeds vaker gebruikt buiten modeltraining en inferentie, onder andere voor datapreparatie en analytics. Verwacht u dat GPU‑versnelling een standaardonderdeel wordt van de enterprise‑datastack, en hoe zou dit de economie van het voorbereiden van enorme datasets voor AI kunnen veranderen?
Naar mijn mening zullen bedrijven veel vaardiger worden in het afstemmen van hun infrastructuur op hun workloads. GPU’s hebben al de manier waarop modeltraining en inferentie worden uitgevoerd veranderd, en data‑engineering is het volgende voor de hand liggende innovatiegebied, aangezien het voorbereiden van grote datasets een belangrijke knelpunt kan vormen bij het in productie nemen van AI‑toepassingen.
De economische impact is even significant, aangezien snellere verwerking meer kan doen dan alleen een Spark‑taak sneller voltooien. Verminderde rekentijd kan de infrastructuurkosten verlagen en data‑teams sneller laten itereren, een steeds belangrijker overweging naarmate AI‑workloads groeien. Volgens ons onderzoek heeft 84 % van de respondenten gezien dat AI‑workloads de infrastructuurkosten verhogen, waardoor het voor bedrijven belangrijker wordt om de volledige datapijplijn te doorzoeken op mogelijkheden om zowel prestaties als kosten te verbeteren. GPU‑versnelde gegevensverwerking zou een belangrijk onderdeel van die vergelijking kunnen worden.
Een van de beloften van Cloudera Anywhere Cloud is organisaties in staat te stellen workloads te plaatsen waar regulatoire, economische of operationele vereisten dat voorschrijven, zonder voortdurend hun gegevens te verplaatsen of te kopiëren. Hoe belangrijk is het om AI‑computatie naar de data te brengen, in plaats van alle enterprise‑data naar de AI te verplaatsen?
Dit is essentieel omdat bedrijven jaren hebben besteed aan het opbouwen van enorme hoeveelheden data in verschillende omgevingen, en het verplaatsen van al die data naar één locatie voor AI vaak onpraktisch is. Het kan kostbaar en tijdrovend zijn, terwijl beveiligings-, privacy- of soevereiniteitseisen organisaties kunnen beletten bepaalde data volledig te verplaatsen.
Op dit moment is het niet praktisch voor bedrijven om al hun data veilig te verplaatsen naar de verschillende applicaties en omgevingen waar AI wordt ingezet. AI naar de data brengen stelt organisaties in staat meer van de data die ze al hebben te gebruiken, terwijl deze op de juiste plek blijft. Het biedt ook de flexibiliteit om workloads uit te voeren waar dit het meest logisch is op basis van zakelijke en technische vereisten. Naarmate AI meer geïntegreerd raakt in de gehele onderneming, wordt het vermogen om consistent te opereren waar de data zich bevindt steeds belangrijker.
Data-soevereiniteit is een grote zorg geworden nu overheden en gereguleerde sectoren AI omarmen. Hoe veranderen soevereine AI-eisen de architectuur die ondernemingen nodig hebben, en verwacht je dat soevereine clouds en private AI-infrastructuur de komende jaren aanzienlijk belangrijker zullen worden?
Absoluut. Soevereiniteit wordt een architecturale vereiste, niet slechts een nalevingskwestie. Organisaties moeten weten waar hun gegevens worden opgeslagen en waar hun AI-werkbelastingen draaien, evenals wie er toegang toe heeft en hoe intellectueel eigendom en gevoelige informatie worden beschermd.
Organisaties kunnen niet langer aannemen dat alles kan worden gecentraliseerd binnen één enkele publieke cloud. Ze hebben de flexibiliteit nodig om te opereren over soevereine clouds, private infrastructuur, publieke clouds en on-premise-systemen, terwijl ze consistente governance toepassen in elke omgeving. Deze eisen zullen alleen maar belangrijker worden naarmate AI dieper doordringt in gereguleerde sectoren en kritieke bedrijfsprocessen. Organisaties die kunnen innoveren terwijl ze controle behouden over hun gegevens en AI-omgevingen, zullen beter gepositioneerd zijn om AI op verantwoorde wijze op te schalen.
Naarmate autonome AI‑agenten toegang krijgen tot bedrijfsgegevens, applicaties en infrastructuur, kan traditionele data‑governance mogelijk niet langer toereikend zijn. Hoe moet governance zich ontwikkelen wanneer de gebruikers die toegang hebben tot en handelen op bedrijfsgegevens steeds vaker AI‑agenten zijn in plaats van mensen?
In het verleden was governance grotendeels gebaseerd op mensen en applicaties die toegang tot gegevens konden krijgen. Agenten voegen een nieuw aspect toe, omdat ze informatie kunnen benaderen, erover kunnen redeneren en actie kunnen ondernemen op basis van wat ze vinden.
Daarom moeten bedrijven concepten zoals identiteit, permissies, lineage, observability en zero‑trust‑toegang toepassen op agenten om de veiligheid en governance van hun gegevens te waarborgen. Organisaties moeten weten welke agent welke gegevens heeft benaderd, wat die met die informatie heeft gedaan, welke acties hij heeft ondernomen, en of die acties in overeenstemming zijn met de bedrijfsrichtlijnen. Governance kan niet achteraf worden ingevoerd nadat een agent actie heeft ondernomen; het moet in de omgeving worden ingebouwd zodat beleid en beveiligingsmaatregelen met de gegevens meebewegen en voortdurend worden afgedwongen, ongeacht of de betrokkene een persoon, een applicatie of een autonome agent is.
Cloudera legt de nadruk op open standaarden zoals Apache Iceberg, Polaris, Spark, Kafka en Trino in plaats van klanten te verplichten volledig binnen een propriëtaire stack te opereren. Naarmate AI‑infrastructuur zich consolideert rond grote platformen, hoe belangrijk zullen open standaarden en interoperabiliteit zijn om een nieuwe generatie AI‑vendor‑lock‑in te voorkomen?
Hoe meer AI deel uitmaakt van de bedrijfsinfrastructuur, hoe belangrijker open standaarden worden. AI ontwikkelt zich snel, en organisaties moeten voorkomen dat ze vandaag architecturale beslissingen nemen die de modellen, engines, infrastructuur of technologieën die ze in de toekomst kunnen gebruiken, beperken.
Technologieën zoals Apache Iceberg, Spark, Kafka, Trino en open catalogi geven organisaties de flexibiliteit om verschillende tools voor verschillende workloads te gebruiken, terwijl ze interoperabiliteit behouden over hun data‑omgevingen heen. Dit is vooral belangrijk nu ondernemingen steeds vaker opereren over publieke clouds, soevereine infrastructuur en private datacenters, waar ze de vrijheid nodig hebben om te bepalen waar hun gegevens en AI‑workloads draaien zonder alles opnieuw te moeten opbouwen rond één enkele provider.
Een open benadering maakt het ook eenvoudiger om nieuwe AI‑mogelijkheden te adopteren terwijl men voortbouwt op bestaande investeringen, in plaats van steeds opnieuw gegevens te verplaatsen of te kopiëren naarmate de technologie evolueert. Naarmate het AI‑landschap blijft veranderen, bieden open standaarden organisaties de flexibiliteit om hun architectuur in de loop der tijd te laten evolueren, terwijl ze keuze en controle behouden over hun gegevens, infrastructuur en technologische beslissingen.
Bedankt voor het geweldige interview, lezers die meer willen weten, kunnen Cloudera bezoeken.
