Intervjuer
Leo Brunnick, Chief Product Officer hos Cloudera – Intervjuserie
Legg til Unite.AI blant dine foretrukne kilder på Google
Leo Brunnick, Chief Product Officer hos Cloudera, er en erfaren teknologileder og entreprenør med mer enn tre tiår med erfaring i å bygge og skalere programvare, digitale medier og bedrifts‑teknologiorganisasjoner. Hos Cloudera leder han produktledelse, engineering og kundestøtte, og har ansvar for selskapets produkt‑ og teknologiretning mens plattformens data‑ og AI‑kapasiteter utvides. Før han begynte i Cloudera i 2025, tilbrakte Brunnick seks år i Naviga, sist som Chief Operating Officer, hvor han ledet mer enn 600 fagfolk innen produkt, engineering, markedsføring, R&D, kundestøtte og profesjonelle tjenester. Tidligere i karrieren grunnla han og var administrerende direktør for Patheos, og vokste den digitale medieplattformen til omtrent 15 millioner månedlige besøkende før en vellykket exit, og tilbrakte åtte år som Chief Product Officer i bedrifts‑innholdsadministrasjonsfirmaet Vignette. Hans bakgrunn inkluderer også teknologikonsultasjon i Andersen Consulting og tjeneste som offiser i infanteriet i den amerikanske Marine Corps.
Cloudera er et bedriftsdata‑ og AI‑selskap som fokuserer på å hjelpe organisasjoner med å administrere, styre, analysere og anvende AI på data uansett hvor de befinner seg – på offentlige skyer, private datasentre og i kantmiljøer. Den hybride plattformen kombinerer datastyring, analyse, maskinlæring, generativ AI og i økende grad agentbasert AI, samtidig som den legger vekt på bedriftssikkerhet, styring, personvern og arbeidsbelastnings‑portabilitet. Selskapets nåværende plattformsstrategi inkluderer Cloudera Anywhere Cloud, en arkitektur designet for å gi bedrifter en konsistent skyopplevelse på tvers av ulike infrastruktur‑miljøer, sammen med en åpen data‑lakehouse, en samlet data‑fabric, sanntidsdatabehandling og verktøy for utvikling og distribusjon av AI‑modeller og agenter. Cloudera sier at teknologien deres håndterer mer enn 25 exabyte med data og brukes av store globale foretak som ønsker å modernisere datainfrastrukturen uten at alle arbeidsbelastninger eller sensitiv data må flyttes til en offentlig sky.
Karrieren din har omfattet teknologikonsultasjon, ledelse av produktorganisasjoner i Vignette og Naviga, etablering og skalering av Patheos, og nå rollen som Chief Product Officer i Cloudera. Hvordan har disse erfaringene påvirket måten du tenker på når du bygger bedrifts‑teknologiplattformer i en tid hvor AI fundamentalt endrer hvordan organisasjoner bruker sine data?
Dette prinsippet gjelder i alle de situasjonene. Teknologi er mest verdifull når den gjør noe komplisert enklere å bruke for folk. Dette er enda viktigere nå, ettersom AI skaper betydelige muligheter samtidig som den legger til et ekstra lag av kompleksitet for bedrifter som allerede navigerer i sky‑data, datasentre og i økende grad suverene miljøer.
Mens vi bygger denne neste æraen i Cloudera, tenker jeg ofte på hvordan vi kan gjøre det mulig for organisasjoner å dra nytte av ny teknologi uten at de må revurdere alt de allerede har bygget. I løpet av de siste årene har bedrifter opparbeidet sine data‑eiendommer, applikasjoner, styringsmodeller og driftsprosesser. Det ville ikke være rimelig å forkaste alt dette hver gang en ny teknologi dukker opp. Plattformene som lykkes i AI‑æraen vil bygge på det organisasjonene allerede har, samtidig som de gir fleksibilitet og kontroll til å tilpasse seg etter hvert som behovene endres.
Cloudera introduserte nylig Cloudera Anywhere Cloud for å hjelpe bedrifter med å bygge og drifte AI på offentlige skyer, privat infrastruktur, suverene skyer, lokale miljøer og i kant‑miljøet. Hvilket problem så du hos kundene som overbeviste Cloudera om at denne typen samlet arkitektur var nødvendig?
Det er økende press på kundene for å sette AI ut i praksis, selv om deres data og infrastruktur er spredt over flere miljøer enn noen gang før. Data kan ligge på offentlige skyer, private datasentre, suverene miljøer og i kant‑miljøet, hver med sine egne sikkerhets‑, regulatoriske, ytelses‑ og økonomiske krav. Å håndtere alle disse miljøene kan skape en betydelig operasjonell belastning for organisasjoner.
Ideén bak Anywhere Cloud er at bedrifter ikke skal måtte velge mellom skyens smidighet og å opprettholde kontroll, sikkerhet og styring av sine data. Organisasjoner trenger en konsistent måte å distribuere, styre og skalere data‑ og AI‑tjenester på, uansett hvor det gir mest mening for virksomheten. Med et enkelt kontrollplan kan selskaper bruke mindre tid på å administrere den underliggende infrastrukturen og mer tid på de resultatene de ønsker å oppnå med sine data og AI, uansett hvilket miljø dataene befinner seg i.
Du har sagt at bedrifts‑AI har «overvunnet modellen med kun offentlig sky». Hva er de største begrensningene bedrifter møter når de prøver å kjøre produksjons‑AI helt i offentlige sky‑miljøer, og hvilke arbeidsbelastninger flytter i økende grad til andre steder?
Plattformene som lykkes i AI‑æraen vil bygge på det organisasjonene allerede har og gi dem fleksibiliteten til å tilpasse seg etter hvert som behovene utvikles. Offentlig sky forblir en viktig del av bedrifts‑teknologistrategien, men den er ikke det eneste alternativet. Når AI går inn i produksjon, må selskaper avgjøre hvor data og arbeidsbelastninger skal kjøres basert på faktorer som regulering, sikkerhet og kostnad.
Dette viser at beslutninger om hvor arbeidsbelastninger skal plasseres nå tas mer bevisst. Visse AI‑applikasjoner vil helt klart være passende i den offentlige skyen, mens arbeidsbelastninger som involverer svært sensitiv eller regulert data kan måtte forbli i et privat datasenter eller et suveren miljø. I andre tilfeller vil arbeidsbelastninger ha større nytte av å kjøres i kanten siden latens er en viktig faktor. Målet er ikke å forlate den offentlige skyen; snarere er det å gi virksomheter fleksibiliteten til å kjøre hver type arbeidsbelastning på det stedet som er mest egnet for den, uten å bli tvunget til å lage en separat driftsmodell for hvert miljø.
Cloudera Anywhere Cloud inkluderer en agentbasert copilot som kan oversette naturlige språkforespørsler til dataarbeidsflyter og infrastrukturoperasjoner. Hvor autonome forventer du at disse systemene blir, og hvor bør virksomheter opprettholde menneskelig tilsyn når agenter får større kontroll over kritisk datainfrastruktur?
Agenter vil fortsette å påta seg det repeterende operative arbeidet som nå opptar tid for data‑ og infrastrukturteam. Hvis en agent kan uttrykke et resultat i naturlig språk og deretter konvertere det til en arbeidsflyt eller en infrastrukturhandling, vil det redusere friksjon betydelig og gjøre avanserte datakapasiteter tilgjengelige for et større antall personer.
Større autonomi skaper også et større behov for effektiv styring. Selskaper må ha klare retningslinjer som spesifiserer hva en agent har lov til å få tilgang til, hvilke handlinger den kan utføre på egen hånd, og når menneskelig godkjenning er påkrevd. Jo større potensiell påvirkning en handling har, desto viktigere blir disse kontrollene. Autonomi og styring bør utvikles parallelt for å gi agenter tilstrekkelig frihet til å oppnå reelle produktivitetsgevinster, samtidig som organisasjonen opprettholder tilsyn og kontroll over sine viktigste data og infrastruktur.
Cloudera samarbeider med NVIDIA for å bringe innfødt GPU‑akselerasjon via cuDF til Apache Spark 4.1‑arbeidsbelastninger, med potensielle ytelsesforbedringer på opptil 4 × uten at organisasjoner må omskrive eksisterende PySpark‑ eller SQL‑applikasjoner. Hvorfor er det så viktig å fjerne behovet for kodeomskriving for å akselerere adopsjon av AI i virksomheter?
Selskaper har gjort betydelige investeringer i sine eksisterende applikasjoner, kompetanser og datapipelines. Å bytte til en ny teknologi krever mer enn kun ingeniørarbeid. Det kan introdusere risiko, forsinke resultater og skape forstyrrelser i systemer som allerede fungerer.
Null‑kode‑akselerasjon hjelper med å løse den utfordringen. Organisasjoner kan bruke sine eksisterende PySpark‑ og SQL‑arbeidsbelastninger for å dra nytte av GPU‑akselerasjon uten å endre grunnleggende hvordan teamene deres opererer. Dette gjør teknologien enklere å ta i bruk samtidig som ytelsen til datapipelines som støtter analyse og AI forbedres, og eksisterende investeringer beskyttes.
GPU‑er blir i økende grad brukt utover modelltrening og inferens, også for datapreparering og analyse. Forventer du at GPU‑akselerasjon blir en standarddel av virksomhetens datastabel, og hvordan kan dette endre økonomien ved å forberede massive datasett for AI?
Etter min mening vil virksomheter bli mye bedre til å tilpasse infrastrukturen til arbeidsbelastningene sine. GPU‑er har allerede endret måten modelltrening og inferens utføres på, og dataengineering er det neste åpenbare innovasjonsområdet, siden forberedelse av store datasett kan være en betydelig flaskehals når AI‑applikasjoner skal settes i produksjon.
Den økonomiske virkningen er like betydelig, ettersom raskere behandling kan gjøre mer enn bare fullføre en Spark‑jobb raskere. Reduserte beregningstider kan senke infrastrukturskostnadene samtidig som datateamene kan iterere raskere, noe som blir stadig viktigere etter hvert som AI‑arbeidsbelastninger vokser. Ifølge vår forskning, har 84 % av respondentene sett AI‑arbeidsbelastninger øke infrastrukturskostnadene, noe som gjør det viktigere for bedrifter å se på hele datapipelinen for muligheter til å forbedre både ytelse og kostnad. GPU‑akselerert databehandling kan bli en viktig del av den ligningen.
Et av løftene med Cloudera Anywhere Cloud er å la organisasjoner plassere arbeidsbelastninger der regulatoriske, økonomiske eller operative krav tilsier, uten kontinuerlig å flytte eller kopiere dataene sine. Hvor viktig er det å bringe AI‑beregning til dataene, i stedet for å bringe all bedriftsdata til AI?
Dette er avgjørende fordi virksomheter har brukt år på å bygge opp enorme mengder data i ulike miljøer, og å flytte all denne dataen til ett sted for AI er ofte upraktisk. Det kan være kostbart og tidkrevende, mens sikkerhets-, personvern- eller suverenitetskrav kan hindre organisasjoner i å flytte visse data helt.
Foreløpig er det ikke praktisk for virksomheter å trygt flytte all sin data til de ulike applikasjonene og miljøene der AI blir distribuert. Å bringe AI til dataene gjør at organisasjoner kan bruke mer av den dataen de allerede har, samtidig som den forblir der den skal være. Det gir også fleksibilitet til å kjøre arbeidsbelastninger der det gir mest mening basert på forretningsmessige og tekniske krav. Etter hvert som AI blir mer integrert i hele virksomheten, vil evnen til å operere konsistent uavhengig av hvor dataene befinner seg bli stadig viktigere.
Datastyring har blitt en stor bekymring ettersom regjeringer og regulerte industrier tar i bruk AI. Hvordan endrer krav til suveren AI arkitekturen som bedrifter trenger, og forventer du at suverene skyer og privat AI‑infrastruktur vil bli betydelig viktigere i løpet av de neste årene?
Absolutt. Suverenitet blir en arkitektonisk nødvendighet, ikke bare et etterlevelsesspørsmål. Organisasjoner må vite hvor deres data er lagret og hvor deres AI‑arbeidsbelastninger kjører, samt hvem som har tilgang til og hvordan immaterielle rettigheter og sensitiv informasjon beskyttes.
Organisasjoner kan ikke lenger anta at alt kan sentraliseres i én enkelt offentlig sky. De trenger fleksibiliteten til å operere på tvers av suverene skyer, privat infrastruktur, offentlige skyer og lokale systemer samtidig som de anvender konsistent styring i hvert miljø. Disse kravene vil bare bli viktigere etter hvert som AI beveger seg dypere inn i regulerte industrier og kritiske forretningsprosesser. Organisasjoner som kan innovere samtidig som de beholder kontrollen over sine data og AI‑miljøer, vil være bedre posisjonert til å skalere AI på en ansvarlig måte.
Etter hvert som autonome AI‑agenter får tilgang til bedriftsdata, applikasjoner og infrastruktur, kan tradisjonell datastyring bli utilstrekkelig. Hvordan må styringen utvikles når brukerne som får tilgang til og handler på bedriftsdata i økende grad er AI‑agenter snarere enn mennesker?
Tidligere har styring for det meste vært basert på at mennesker og applikasjoner kan få tilgang til data. Agenter tilfører et nytt aspekt, da de kan hente informasjon, resonere rundt den og handle basert på det de finner.
På grunn av dette må virksomheter anvende konsepter som identitet, tillatelser, linjehistorikk, observabilitet og zero‑trust‑tilgang på agenter for å sikre sikkerhet og styring av sine data. Organisasjoner bør vite hvilken agent som fikk tilgang til hvilke data, hva den gjorde med informasjonen, hvilke handlinger den utførte, og om disse handlingene var i samsvar med selskapets retningslinjer. Styring kan ikke innføres etter at en agent har handlet; den må bygges inn i miljøet slik at retningslinjer og beskyttelsesmekanismer følger dataene og kontinuerlig håndheves uavhengig av om den aktuelle enheten er en person, en applikasjon eller en autonom agent.
Cloudera legger vekt på åpne standarder som Apache Iceberg, Polaris, Spark, Kafka og Trino i stedet for å kreve at kundene opererer helt innenfor en proprietær stack. Etter hvert som AI‑infrastruktur konsolideres rundt store plattformer, hvor viktig vil åpne standarder og interoperabilitet være for å forhindre en ny generasjon av AI‑leverandør‑låsing?
Jo mer AI blir en del av bedriftsinfrastrukturen, desto viktigere blir åpne standarder. AI utvikler seg raskt, og organisasjoner må unngå å ta arkitektoniske beslutninger i dag som kan begrense modellene, motorene, infrastrukturen eller teknologiene de kan bruke i fremtiden.
Teknologier som Apache Iceberg, Spark, Kafka, Trino og åpne kataloger gir organisasjoner fleksibiliteten til å bruke ulike verktøy for ulike arbeidsbelastninger samtidig som de opprettholder interoperabilitet på tvers av sine dataomgivelser. Dette er spesielt viktig ettersom bedrifter i økende grad opererer på tvers av offentlige skyer, suveren infrastruktur og private datasentre, hvor de trenger friheten til å bestemme hvor deres data og AI‑arbeidsbelastninger kjører uten å måtte bygge om rundt en enkelt leverandør.
En åpen tilnærming gjør det også enklere å ta i bruk nye AI‑funksjoner samtidig som man bygger på eksisterende investeringer, i stedet for å stadig flytte eller kopiere data etter hvert som teknologien utvikler seg. Etter hvert som AI‑landskapet fortsetter å endre seg, gir åpne standarder organisasjoner fleksibiliteten til å utvikle sin arkitektur over tid samtidig som de beholder valgmuligheter og kontroll over sine data, infrastruktur og teknologiske beslutninger.
Takk for det flotte intervjuet, lesere som ønsker å lære mer bør besøke Cloudera.
