Skip Levens, markedsdirektør, Media & Underholdning, Quantum – Intervju-serie

Skip Levens er en produktleder og AI-strateg hos Quantum, en ledende leverandør av datastyringsløsninger for AI og ustrukturert data. Han er for tiden ansvarlig for å drive engasjement, bevissthet og vekst for Quantums løsninger fra ende til ende. Gjennom sin karriere – som har inkludert stopp hos organisasjoner som Apple (AAPL ), Backblaze, Symply og Active Storage – har han ledet markedsføring og forretningsutvikling, evangelisering, lansert nye produkter, bygget relasjoner med nøkkelstakeholdere og drevet omsetningsvekst.

Quantum tilbyr løsninger for datastyring fra ende til ende som hjelper organisasjoner med å styre, berike og beskytte ustrukturert data, som f.eks. video- og lydfiler, i stor skala. Deres teknologi fokuserer på å transformere data til verdifulle innsikter, og gjør det mulig for bedrifter å trekke ut verdi og ta informerte beslutninger. Quantums plattform tilbyr sikre, skalerbare og fleksible løsninger som kombinerer lokale infrastrukturer med skykapasiteter. Selskapets tilnærming gjør det mulig for bedrifter å håndtere datavekst på en effektiv måte, samtidig som de sikrer sikkerhet og fleksibilitet gjennom hele datalivssyklusen.

Kan du gi en oversikt over Quantums tilnærming til AI-drevet datastyring for ustrukturert data?

Ved å hjelpe kunder med å integrere kunstig intelligens (AI) og maskinlæring (ML) i deres nøkkelforretningsprosesser, hjelper Quantum kundene med å effektivt styre og låse opp meningsfulle verdier fra deres ustrukturerte data, og skape handlebare forretningsinnsikter som fører til bedre forretningsbeslutninger. Ved å bygge sine egne AI/ML-verktøy, kan selskaper gå fra å bare håndtere datatilførselen og innholdet, til å utnytte innsikter som en ny driver for effektivitet og til slutt forsterker menneskelig ekspertise i alle faser av forretningsprosesser.

Hvordan analyserer Quantums AI-teknologi ustrukturert data, og hva er noen av de viktigste innovasjonene som skiller deres plattform fra konkurrentene?

I de innledende fasene av å adoptere AI/ML-verktøy, finner mange organisasjoner at deres arbeidsflyter blir uordnet og frakoblet, og kan miste spor av deres data, noe som gjør det vanskelig å påtvinge sikkerhets- og beskyttelsesstandarder. For ofte blir tidlig utvikling hemmet av dårlig tilpasset lagring og filsystemprestasjon.

Vi utviklet Myriad, et høytytende, programvaredefinert fil lagring og intelligent stoffmiljø for å møte utfordringene med å integrere AI/ML-pipeline og høytytende arbeidsflyter sammen – å samordne arbeidsflyter uten hårdvarerestriksjoner og begrensninger i andre systemer. Myriad er et klart brudd med legacy-hårdvarerestriksjoner og bygget med de siste lagrings- og skyteknologiene, og er fullstendig mikrotjenestebasert og orkestrert av Kubernetes for å være et svært responsivt system som sjelden krever admin-interaksjon. Myriad er eksklusivt arkitekturert for å trekke ut det høyeste ytelsesnivået fra NVMe og intelligent stoffnettverk og nesten øyeblikkelig fjern direkte minneadgang (RDMA) koblinger mellom hver komponent. Resultatet er et innovativt system som responderer intelligently og automatisk til endringer og krever minimal admin-interaksjon for å utføre vanlige oppgaver. Ved å gjøre intelligent stoff del av systemet, er Myriad også et intrinsisk lastbalansert system som tilbyr flere 100Gbps porter med båndbredde som en enkelt, balansert IP-adresse.

Å kombinere Myriad med vår cloud-lignende objektlagringsystem, ActiveScale, gjør det mulig for organisasjoner å arkivere og bevare selv de største datalag og innhold. Kombinasjonen tilbyr kundene en sann løsning for datastyring fra ende til ende for deres AI-pipelines. I tillegg, når det leveres sammen med vår CatDV-løsning, kan kundene merke og katalogisere data for å ytterligere berike deres data og forberede den for analyse og AI.

Kan du dele innsikter om bruken av AI med videoovervåking under OL i Paris, og hva andre store begivenheter eller organisasjoner har utnyttet denne teknologien?

Maskinlæring kan utvikle gjentakende handlinger som gjenkjenner mønster av interesse på video og trekke ut innsikter fra en flom av sanntidsvideo-data i en større og raskere skala enn det som er mulig for menneskelige innsats alene. Videoovervåking, for eksempel, kan bruke AI til å fange og markere mistenkelig atferd mens det skjer, selv om det er hundrevis av kameraer som matar modellen informasjon. Et menneske som forsøker å utføre denne oppgaven ville bare være i stand til å prosessere én hendelse om gangen, mens AI-drevet videoovervåking kan håndtere tusenvis av saker samtidig.

Hva er de primære utfordringene organisasjoner møter når de implementerer AI for ustrukturert dataanalyse, og hvordan hjelper Quantum med å mildne disse utfordringene?

Organisasjoner må fullstendig omdefinere sin tilnærming til lagring, samt data- og innholdsstyring som helhet. De fleste organisasjoner vokser sine lagringskapasiteter organisk, vanligvis som en reaksjon på enkeltbehov, og dette skaper flermekkerforvirring og uheldig kompleksitet.

Med adopsjonen av AI, må organisasjoner nå forenkle lagringen som understøtter deres operasjoner. Ofte krever dette å implementere en “varm” del av den innledende datainntak, eller en landingssone hvor applikasjoner og brukere kan arbeide så raskt som mulig. Deretter kan en stor “kald” type lagring legges til som kan lett arkivere store mengder data og beskytte den på en kostnadseffektiv måte, med mulighet til å flytte data tilbake til en “varm” prosessarbeidsflyt nesten umiddelbart.

Hvordan integrerer Quantums AI-innovasjoner med andre AI-drevne verktøy og teknologier for å forbedre organisatorisk vekst og effektivitet?

Mange mennesker tror at lagring for AI/ML-verktøy bare handler om å mate grafikkprosessorer (GPUs), men det er bare en liten del av ligningen. Selv om hastighet og høy ytelse kan være instrumentale i å mate data så raskt som mulig til GPU-ene som utfører dataanalyse, handler den større bildet om hvordan en organisasjon kan integrere iterative og pågående AI/ML-utvikling, trening og inferensløkker basert på eget data. Ofte er den første og viktigste AI/ML-oppgaven å bygge “kunnskapsbånd” eller “rådgiverbånd” som bruker eget data til å informere interne kunnskapsarbeidere. For å gjøre disse kunnskapsbåndene nyttige og unike for hver organisasjon, kreves store mengder spesialisert informasjon for å informere modellen som trener dem. Kue en AI-drevet lagringsløsning: hvis dette eget data er godt ordnet og lett tilgjengelig i en strømlinjet lagringsarbeidsflyt, vil det være mye lettere å organisere det i typer, sett og kataloger av data som vil, på sin side, sikre at disse kunnskapsbåndene er høyt informerte om organisasjonens unike behov.

Kan du utdype AI-aktiverende arbeidsflytstyringsfunksjoner og hvordan de strømlinjer dataprosesser?

Vi bygger en rekke AI-aktiverende arbeidsflytstyringsverktøy som integrerer direkte i lagringsløsninger for å automatisere oppgaver og gi verdifulle sanntidsinnsikter, og muliggjør rask og informert beslutningstaking over organisasjoner. Dette skyldes nye og avanserte dataklassifiserings- og merkingssystemer som bruker AI til både å organisere data og gjøre den lett tilgjengelig, og også utføre standardhandling på den medietypen, som f.eks. å konvertere til en bestemt størrelse, noe som betydelig reduserer de manuelle innsatsene som kreves når man organiserer data i treningssett.

Hva er utsikten for AI-drevet datastyring, og hva trender ser du i de kommende årene?

Som disse verktøyene utvikler seg og blir multimodale, vil det åpne opp for mer uttrykksfulle og åpne måter å arbeide med data på. I fremtiden vil du kunne ha en “konversasjon” med ditt system og bli presentert med informasjon eller analyser av interesse, som f.eks. “Hva er den raskest voksende typen data i min ‘varm sone’ nå?”. Dette nivået av spesialisering vil være en differensierer for organisasjoner som bygger disse verktøyene inn i sine lagringsløsninger, og gjøre dem mer nøyaktige og effektive, selv når de konfronteres med konstante nye strømmer av utviklende data.

Hva rolle spiller deres cloud-baserte analyser og lagring som en tjeneste-tilbud i den overordnede datastyringsstrategien?

Organisasjoner med betydelige og voksende lagringskrav har ofte vanskeligheter med å holde tritt, særlig når de opererer på begrensede budsjetter. Offentlig skytjenerlagring kan føre til høye og uforutsigbare kostnader, og gjøre det vanskelig å estimere og kjøpe års lagringsbehov på forhånd. Mange kunder ønsker den offentlige skytjenesten med en kjent projisert driftskostnad, men uten overraskende avgifter for utgang eller API-avgifter som offentlig skytjeneste kan bringe. For å møte dette behovet, utviklet vi Quantum GO for å gi kundene en privat skytjeneste-erfaring med en lav innledende inngangspris og lav fast månedlig betalingsmulighet for en sann lagring som en tjeneste-erfaring i deres eget lokale. Når lagringskravene øker, gir Quantum GO kundene den ekstra fordelen av en enkel “bet-og-vokse”-abonnementsmodell for å tilby forbedret fleksibilitet og skalerbarhet på en kostnadseffektiv måte.

Hvordan planlegger Quantum å holde seg foran i den raskt utviklende AI- og datastyringslandskapet?

I dagens verden er det ikke nok å bare være en “lagringsleverandør”. Nyutviklende data- og forretningsutfordringer krever en intelligent, AI-aktiverende data-plattform som hjelper kundene med å maksimere verdien av deres data. Hos Quantum fortsetter vi å innovere og investere i forbedrede kapasiteter for våre kunder for å hjelpe dem med å enkelt og effektivt arbeide med store mengder data gjennom hele deres livssyklus.

Vi utvider intelligent AI for å forbedre merking, katalogisering og organisering av data, og gjøre det enklere enn noen gang å søke, finne og analysere det for å trekke ut mer verdi og innsikt. Vi vil fortsette å forbedre våre AI-kapasiteter som hjelper med automatisk video-transkripsjon, oversettelse av audio- og video-filer til andre språk innen sekunder, og muliggjør rask søking over tusenvis av filer for å identifisere uttalede ord eller finne bestemte gjenstander, og mer.

Hva råd ville du gi til organisasjoner som nettopp starter sin reise med AI og ustrukturert datastyring?

AI/ML har hatt enorm hype, og på grunn av dette kan det være vanskelig å skille ut hva som er praktisk og nyttig. Organisasjoner må først tenke på data som blir skapt, og finne ut hvordan det blir generert, fanget og bevart. Videre må organisasjoner søke etter en lagringsløsning som er klar til å aksessere og hente data når det er nødvendig, og en som vil hjelpe med å guide både dag-til-dag-arbeidsflyt og fremtidig utvikling. Selv om det kan være vanskelig å enes om hva de ultimate AI-målene er, å ta skritt nå for å sikre at lagringsystemer og data-arbeidsflyter er strømlinjet, forenklet og robuste, vil betale store dividender når man integrerer nåværende og fremtidige AI/ML-initiativer. Organisasjoner vil da være godt posisjonert for å fortsette å utforske hvordan disse AI/ML-verktøyene kan fremme deres misjon uten å bekymre seg for å kunne støtte det med riktig datastyringsplattform. Takk for det flotte intervjuet, lesere som ønsker å lære mer, kan besøke Quantum.