Lior Koriat, administrerende direktør i Quali – Intervju-serie

Lior Koriat, administrerende direktør i Quali, er en erfaren teknologi-ekspert og entreprenør med nesten to tiår i Quali, hvor han har hjulpet til å forme selskapet fra sine tidlige ingeniør- og operasjonelle grunnleggende prinsipper til en global leverandør av sky-agnostisk Environment as a Service-løsninger for DevOps, IT og plattformteam. Siden han ble administrerende direktør og styremedlem i 2011, har han ledet Qualis utvidelse over hele USA, Europa, Asia og Israel, bygget på tidligere roller som VP R&D, COO og administrerende direktør, hvor han etablerte ingeniør-, salgs-, kundesupport-, juridisk-, forretningsutvikling- og internasjonale operasjoner. Hans bakgrunn omfatter også å grunnlegge og lede Intellitech Engineering, et kjøpt system- og maskinteknisk selskap som betjener forsvar og sivile kunder, samt mentorroller med Google Launchpad Accelerator og UC Berkeley’s Sutardja Center for Entrepreneurship & Technology, hvor han rådgir start-ups om produktstrategi, markedsføring, DevOps og skalerbarhet.

Quali utvikler infrastruktur-automatiserings- og plattform-ingeniørsoftware designet for å hjelpe organisasjoner levere styrt, selvbetjent sky-miljøer uten å sakke ned utviklingsteamene. Deres Torque-plattform gir en katalog-basert selvbetjent lag for plattformteam, som muliggjør godkjente blueprints, rolle-basert tilgangskontroll, livssyklusstyring, kosttilskrivning, policy-gjennomføring og sanntids-synlighet over miljøer. Quali stiller Torque som en måte å standardisere infrastruktur-levering over multi-sky og hybrid-sky-oppsæt, med støtte for brukssaker inkludert programvareutvikling, testing, demoer, opplæring, bevis-på-konsept-utplaseringer, MLOps, agens AI, CI/CD-pipeline-automatisering og GPU-til-tjeneste. Deres bredere produktportefølje omfatter også CloudShell, som omdanner infrastruktur til gjenbrukbare lavkode- eller ingen-kode-byggeklosser for komplekse miljøer over på-premises- og sky-infrastruktur.

Du grunnla og skalerte flere teknologiselskaper før du ledet Quali, og din karriere omfatter militære systemer, robotikk, infrastruktur-ingeniørarbeid og sky-automatisering. Hvordan har disse erfaringene påvirket din visjon for å bygge AI-infrastrukturplattformer, og hva overbeviste deg om at dette var rett øyeblikk til å fokusere på AI-nativ infrastrukturhåndtering?

Min karriere har konsistent sentrert seg rundt komplekse systemer som må operere pålitelig under krevende forhold. Jeg begynte i robotikk og romfart, utviklet automatiserings- og simulerings-systemer for forsvarsapplikasjoner, hvor gjentakelse og styring var operasjonelle krav snarere enn ingeniør-preferanser. Disse miljøene lærte meg at de hardeste problemene oppstår der flere systemer og prosesser må fungere sammen konsistent over tid.

Denne perspektiven bar seg over til Quali. Over det siste tiåret har bedriftens infrastruktur blitt stadig mer fordelt over forskjellige lag. Hvert nytt lag løste et bestemt teknisk problem, men det introduserte også en ny styringsgrensesnitt, en ny operasjonell arbeidsflyt og en ny kilde til kompleksitet. Organisasjoner ble veldig gode til å skape infrastruktur, men mindre effektive til å styre den når den en gang eksisterte.

AI akselererte denne ubalansen, og operasjonelle utfordringer bestemmer stadig mer om en AI-initiativ nårer produksjon eller blir stående i pilotfasen. Derfor tror jeg at AI-nativ infrastrukturhåndtering har blitt nødvendig. Utfordringen er å operere AI-infrastruktur kontinuerlig over heterogene miljøer samtidig som man opprettholder styring, sikkerhet og kostkontroll samt optimaliserer utnyttelse.

Suveren AI har raskt blitt en prioritet for regjeringer og bedrifter like. Hva misforstår de fleste organisasjonene om suverenitet, og hvorfor tror du at infrastruktur-styring blir like viktig som modell-eierskap?

Mange suverene AI-diskusjoner fokuserer på data-residens og infrastruktur-eierskap. Disse er nødvendige komponenter, men de dekker bare en del av den operasjonelle virkeligheten.

Når organisasjonene begynner å deployere autonome agenter, skifter hovedspørsmålet fra hvor infrastrukturen befinner seg til hvordan AI-systemer opererer innenfor den infrastrukturen. Moderne agenter kan provisionere ressurser, hente informasjon, initiere arbeidsflyter og samhandle med produksjonssystemer. Hver av disse handlingene krever policy-gjennomføring.

Dette endrer hvordan suverenitet skal vurderes. Å eie infrastrukturen garanterer ikke automatisk operasjonell kontroll hvis AI-systemer kan utføre handlinger uten deterministisk styring. Bedrifter må demonstrere hvem som initierte en handling, hva policyer som styrte den, hvilke ressurser som ble aksessert og hvordan disse beslutningene kan auditeres. Utfordringen er å operere AI-infrastruktur kontinuerlig over heterogene miljøer samtidig som man opprettholder styring, sikkerhet og kostkontroll samt optimaliserer utnyttelse.

Jeg forventer at infrastruktur-styring blir like strategisk viktig som modellutvikling fordi det gir den operasjonelle rammen som tillater organisasjonene å skale AI ansvarlig. Når bedrifter adopterer flere modeller, flere skyer og stadig mer autonome arbeidsflyter, blir styring laget som holder disse miljøene sikre og ansvarlige over hele infrastruktur-estaten.

AI-agenter blir stadig mer gitt autoritet til å provisionere ressurser, deployere arbeidsflyter og ta operasjonelle beslutninger. Hva slags guardrails må være på plass før bedrifter kan trygt stole på autonome systemer med kritisk infrastruktur?

Mange organisasjoner deployer allerede AI-agenter i produksjon. Spørsmålet er hvordan disse agentene opererer innenfor tydelig definerte grenser.

Den første kravet er deterministisk policy-gjennomføring på eksekveringslaget. Agenter bør bare kunne utføre handlinger som samsvarer med forhåndsdefinerte infrastruktur-policyer. Disse policyene kan ikke avhenge av modellen som bestemmer om en handling er passende. De må gjennomføres uavhengig av modellen selv.

Tilgangskontroll er like viktig. Varige tillatelser skaper unødvendig operasjonell risiko. Tilgang bør være provisionert for den spesifikke oppgaven som utføres, begrenset til de resursene som kreves og tilbaketrukket automatisk når arbeidet er fullført. Denne modellen tillater organisasjonene å utvide automatisering uten å utvide deres angrepsflate.

Hver handling trenger også en fullstendig audit-spor. Når AI-systemer blir mer autonome, må bedrifter forstå hvilken agent som utførte en handling, når det skjedde, hva policy som autoriserte det og hva endringer som ble gjort. Denne nivået av sporbarhet støtter operasjonell feilsøking samt regulatorisk overholdelse.

Jeg tror også at autonom infrastruktur bør operere innenfor styrt miljøer snarere enn over ubegrensede infrastrukturer. Veldefinerte miljøer gir eksplisitte ressurs-grenser, livssyklus-kontroll og operasjonelle policyer før en agent begynner å utføre arbeidsflyter. Dette tillater organisasjonene å øke automatisering samtidig som de opprettholder forutsigbar operasjonell atferd når AI-deployeringer fortsetter å skale.

Du diskuterer ofte skiftet fra tradisjonell automatisering til det du kaller en intelligent kontrollplan. Hva endrer seg fundamentalt når infrastruktur begynner å operere rundt intensjon snarere enn statiske regler og arbeidsflyter?

Tradisjonell automatisering utfører forhåndsdefinerte trinn. Dette fungerer når infrastruktur er forutsigbar, arbeidsflyter er stabile og endringer skjer gjennom menneske-styrt arbeidsflyt. AI-infrastruktur opererer ikke på denne måten.

AI-arbeidsflyter er dynamiske. GPU-krav endrer raskt, miljøer skapes og rivs ofte, og agenter kan trenge tilgang til ressurser for spesifikke oppgaver. En intelligent kontrollplan forstår formålet med et miljø, hvem som eier det, hva det koster, hva policyer som gjelder og om den live-tilstanden fortsatt matcher den intenderte tilstanden.

Dette konteksten endrer infrastrukturhåndtering. Systemet kan detektere drift, anbefale optimalisering, gjennomføre policy og håndtere livssyklus-beslutninger mot den intenderte utfallet snarere enn en statisk skript.

GPU-infrastruktur har blitt en av de største flaskenehalser i AI-deployering. Tror du at industrien nærmer seg GPU-utnyttelse feil, og hva operasjonelle endringer kunne dramatisk forbedre effektiviteten uten å bare legge til mer maskinvare?

Industrien behandler ofte GPU-problemet som et innkjøpsproblem. I mange bedrifter er det mer umiddelbare problemet utnyttelse.

Vi ser organisasjoner med GPU-kluster som er forhånds-allocert for topp-etterspørsel, sitter idle mellom trening-løp eller forblir koblet til miljøer etter at arbeidet er fullført. Dette skaper høye kostnader uten å matche forretningsverdi.

Forbedring av GPU-effektivitet starter med livssyklus-kontroll. Miljøer bør provisioneres på forespørsel, matchet til arbeidsflyten, tilskrevet en team eller prosjekt og revet ned automatisk når oppgaven er fullført. Bedrifter må også ha synlighet inn i utnyttelse, kost per arbeidsflyt og forretnings-formålet bak hver miljø.

Tilføyning av maskinvare kan fortsatt være nødvendig, men ustyrt GPU-kapasitet utvider bare kost-problemet.

Mange bedrifter opererer nå over offentlig sky, privat sky, på-premises-miljøer og kant-infrastruktur. Hvordan ser du for deg hybrid-AI-miljøer utvikle seg over de neste fem årene, og hva utfordringer forblir uløst i dag?

Hybrid-AI vil bli standard bedriftsmodellen. Organisasjoner vil bruke offentlig sky for fleksibilitet, på-premises-infrastruktur for kontroll og kosthåndtering og kant-miljøer hvor latency, data-lokalitet eller operasjonelle krav krever det.

Den uløste utfordringen er konsistens. De fleste bedrifter opererer allerede over flere leverandører, skyer, automatiserings-verktøy og infrastruktur-typer. AI legger til GPU-kluster, modell-tjeneste-miljøer, fin-justerings-pipelines og agens-arbeidsflyter til denne blandingen.

Over de neste fem årene vil de ledende organisasjonene være de som skaper én operasjonell standard over disse miljøene. De må ha konsistent provisionering, policy-gjennomføring, kost-tilskrivning, auditabilitet og livssyklus-håndtering, uavhengig av hvor arbeidsflyten kjører.

DevOps transformerte programvare-levering over det siste tiåret. Tror du at AI-infrastruktur krever en helt ny operasjonell modell, eller er det den naturlige utviklingen av DevOps og plattform-ingeniørarbeid?

AI-infrastruktur utvider DevOps, men det introduserer også krav som tradisjonelle DevOps-praksiser ikke var designet for å håndtere.

DevOps forbedret programvare-levering ved å standardisere pipelines, automatisere gjentakende arbeid og gi teamene raskere tilgang til de ressursene de trengte. AI-infrastruktur krever samme disiplin, men arbeidsflytene er mer ressurs-intensiv, mindre forutsigbar og mer avhengig av spesialisert infrastruktur.

Plattform-ingeniørarbeid blir sentralt i denne konteksten. Teamene må ha styrt selvbetjent tilgang til validerte miljøer, snarere enn billett-basert provisionering eller enkelt-manuell konfigurasjon. Driftsmodellen verdsetter fortsatt hastighet og automatisering, men den krever også sterkere styring, kostkontroll og infrastruktur-kontekst fra begynnelsen.

Zero-touch-operasjoner har lenge vært et mål i infrastrukturhåndtering. Hvor nærme er vi til virkelig autonom infrastruktur, og hva er de største tekniske og organisatoriske hindringene som fortsatt står i veien?

Vi er mye nærmere autonom infrastruktur enn de fleste mennesker innser, men begrensningen er styring snarere enn automatisering. AI-agenter kan allerede provisionere miljøer, deployere arbeidsflyter, undersøke anomalier og anbefale remediering. Utfordringen er å sikre at disse handlingene skjer innenfor tydelig definerte policy-grenser.

Organisasjoner må også ha tillit til at autonome systemer kan forklare hva de gjorde, hvorfor de gjorde det og under hvilken policy de handlet. Denne nivået av sporbarhet mangler fortsatt i mange bedriftsmiljøer. Autonom infrastruktur vil bli mainstream når styring, auditabilitet og policy-gjennomføring er bygget inn i den operasjonelle laget snarere enn å bli lagt til etterpå.

Når AI-arbeidsflyter blir mer dynamiske og ressurs-intensiv, blir kostnadsoverskridelser et stort problem. Hva er de vanligste feilene bedrifter gjør når de prøver å skale AI-infrastruktur, og hvordan kan de unngå dem?

Mange organisasjoner fokuserer på å skaffe mer beregningskraft før de forstår hvordan de effektivt bruker den infrastrukturen de allerede har.

Vi ser regelmessig miljøer som forblir aktive etter prosjekter er fullført, GPU-ressurser reservert for arbeidsflyter som aldri kjører og liten synlighet inn i hvilke team eller applikasjoner som driver infrastruktur-kostnader. AI-arbeidsflyter forsterker disse ineffektivitetene fordi etterspørsel endrer raskt og GPU-infrastruktur er dyrt.

Løsningen starter med styring. Hvert miljø må ha en definert eier, forretnings-formål, livssyklus og kost-profil fra det øyeblikket det provisioneres. Når organisasjonene kombinerer policy-drevet provisionering med automatisk teardown og kontinuerlig synlighet inn i utnyttelse, blir infrastruktur-utgifter mye lettere å forutsi og rettferdiggjøre.

Ser fremover, hva vil skille organisasjonene som suksessfullt operasjonelle AI i skala fra de som sliter, og hva infrastruktur-trender bør teknologiledere være oppmerksomme på nå som fortsatt flyr under radaren?

Organisasjonene som lykkes vil behandle AI-infrastruktur som en operasjonell evne snarere enn en samling teknologier. Modeller vil fortsette å forbedre seg, og maskinvare vil bli mer kraftfull. Å operere disse miljøene konsistent over flere team og plattformer vil forbli den vanskeligere utfordringen.

En trend som fortjener mer oppmerksomhet er skiftet mot infrastruktur-intelligens. Infrastruktur-plattformer begynner å forstå konteksten av hva de håndterer, hvem som eier et miljø, hvilken arbeidsflyt det støtter, hvor mye det koster, om det samsvarer med policy og når det bør optimaliseres eller pensjoneres. Denne operasjonelle konteksten vil bli stadig mer verdifull når bedrifter deployer flere AI-agenter og mer heterogen infrastruktur.

Jeg forventer også at styring blir en konkurransefordel. Organisasjonene som kan provisionere infrastruktur raskt samtidig som de opprettholder synlighet, policy-gjennomføring, kostkontroll og auditabilitet vil flytte AI-prosjekter fra pilot til produksjon mye raskere enn de som fortsatt avhenger av fragmenterte operasjonelle modeller.

Takk for det flotte intervjuet, lesere som ønsker å lære mer bør besøke Quali.