Saket Saurabh, CEO og medgrunnlegger av Nexla – Intervju-serie

Saket Saurabh, CEO og medgrunnlegger av Nexla, er en entrepreneur med en dyp lidenskap for data og infrastruktur. Han leder utviklingen av en ny generasjon, automatisert dataingeniørplattform designet for å bringe skala og hastighet til de som arbeider med data.

Tidligere grunnla Saurabh en suksessfull mobil startup som oppnådde betydelige milepæler, inkludert oppkjøp, børsnotering og vekst til et multi-miliondollar bedrift. Han bidro også til flere innovative produkter og teknologier under sin tid i Nvidia (NVDA ).

Nexla muliggjør automatisering av dataingeniørarbeid så data kan være klar til bruk. De oppnår dette gjennom en unik tilnærming til Nexsets – dataprodukter som gjør det enkelt for alle å integrere, transformere, levere og overvåke data.

Hva inspirerte deg til å grunnlegge Nexla, og hvordan har dine erfaringer i dataingeniørarbeid formet din visjon for bedriften?

 Før jeg grunnla Nexla, startet jeg min dataingeniørreise i Nvidia med å bygge høyt skalerbare, høyteknologiske løsninger på beregningsiden. Etter det, tok jeg min forrige startup gjennom en oppkjøps- og børsnoteringsprosess i mobilreklamebransjen, der store mengder data og maskinlæring var en sentral del av vårt tilbud, med behandling av omtrent 300 milliarder datarekorder hver dag.

Da jeg så på landskapet i 2015 etter at min forrige bedrift gikk offentlig, søkte jeg etter den neste store utfordringen som begeistrer meg. Kommer fra disse to bakgrunnene, var det veldig tydelig for meg at data- og beregningsutfordringene konvergerer ettersom industrien beveger seg mot mer avanserte applikasjoner drevet av data og AI.

mens vi ikke visste på den tiden at generativ AI (GenAI) ville fremme så raskt som det har, var det åpenbart at maskinlæring og AI ville være grunnlaget for å dra nytte av data. Så jeg begynte å tenke på hva slags infrastruktur som er nødvendig for at folk skal kunne være suksessfulle i å arbeide med data, og hvordan vi kan gjøre det mulig for alle, ikke bare ingeniører, å utnytte data i sine daglige profesjonelle liv.

Dette ledet til visjonen for Nexla – å forenkle og automatisere ingeniørarbeidet bak data, ettersom dataingeniørarbeid var en svært tilpasset løsning i de fleste bedrifter, spesielt når det gjelder komplekse eller stor-skala data-problemer. Målet var å gjøre data tilgjengelig og tilgjengelig for en bredere rekke brukere, ikke bare dataingeniører. Mine erfaringer i å bygge skalerbare datasystemer og applikasjoner fremmet denne visjonen om å demokratisere tilgang til data gjennom automatisering og forenkling.

Hvordan representerer Nexsets Nexlas misjon om å gjøre data klar til bruk for alle, og hvorfor er denne innovasjonen avgjørende for moderne bedrifter?

Nexsets representerer Nexlas misjon om å gjøre data klar til bruk for alle ved å løse den grunnleggende utfordringen med data. De 3V-ene for data – volum, hastighet og variasjon – har vært et varig problem. Industrien har gjort noen fremgang i å løse utfordringer med volum og hastighet. Imidlertid har variasjonen i data forblitt en betydelig hindring ettersom spredningen av nye systemer og applikasjoner har ført til en stadig økende mangfold i datastrukturer og formater.

Nexlas tilnærming er å automatisk modellere og koble data fra diverse kilder til en konsistent, pakket enhet, en dataprodukt som vi kaller en Nexset. Dette tillater brukerne å få tilgang til og arbeide med data uten å måtte forstå den underliggende kompleksiteten i de forskjellige datakildene og strukturene. En Nexset fungerer som en portal, som gir en enkel og rett frem interface til dataene.

Dette er avgjørende for moderne bedrifter fordi det muliggjør at flere mennesker, ikke bare dataingeniører, kan utnytte data i sine daglige arbeid. Ved å abstrahere bort variasjonen og kompleksiteten i data, gjør Nexsets det mulig for bedriftsbrukere, analytikere og andre å direkte samhandle med de dataene de trenger, uten å kreve omfattende teknisk ekspertise.

Vi har også arbeidet med å gjøre integrasjon enkel å bruke for mindre tekniske dataforbrukere – fra brukergrensesnittet og hvordan mennesker samarbeider og styrer data til hvordan de bygger transformasjoner og arbeidsflyter. Å abstrahere bort kompleksiteten i data-variasjon er nøkkel til å demokratisere tilgang til data og å gi en bredere rekke brukere mulighet til å utnytte sine informasjonsressurser.

Hva gjør data “GenAI-klar”, og hvordan løser Nexla disse kravene effektivt?

SVaret avhenger delvis av hvordan du bruker GenAI. De fleste bedriftene implementerer GenAI Retrieval Augmented Generation (RAG). Dette krever først å forberede og kode data for å laste inn i en vektor-database, og deretter hente data via søk for å legge til kontekst som inndata til en stor språkmodell (LLM) som ikke har vært trent med denne dataen. Så dataene må være forberedt på en måte som fungerer godt for både vektor-søk og for LLM-er.

Utdraget er for langt til å bli oversatt her, men jeg kan fortsette å oversette hvis du ønsker det.