David DeSanto, CEO of Anaconda – Interview Series

David DeSanto jest Dyrektorem Generalnym w firmie Anaconda, gdzie kieruje misją firmy, aby umożliwić społecznościom nauki o danych i sztucznej inteligencji na całym świecie korzystanie z innowacji open-source i bezpiecznych rozwiązań dla przedsiębiorstw. Udowodniony executive w dziedzinie produktów i technologii, David posiada ponad dwie dekady doświadczenia w dziedzinach takich jak cyberbezpieczeństwo, platformy dla deweloperów i oprogramowanie dla przedsiębiorstw.

Ostatnio David pełnił funkcję Chief Product Officer w firmie GitLab, gdzie kierował globalną organizacją produktową w dostarczaniu kompleksowej, AI-natywnej platformy DevSecOps z ponad 50 milionami zarejestrowanych użytkowników na całym świecie. Podczas swoich sześciu lat spędzonych w firmie pomógł przekształcić GitLab z wysoko rozwijającego się startupu w publicznie notowanego, wiodącego lidera kategorii platformy DevOps.

Anaconda to wiodąca platforma open-source dla nauki o danych, uczenia maszynowego i sztucznej inteligencji, zbudowana wokół języka programowania Python i powszechnie używana zarówno przez indywidualnych deweloperów, jak i duże przedsiębiorstwa. Oryginalnie uruchomiona w 2012 roku, zapewnia kompleksowe środowisko, które obejmuje narzędzia do kodowania, zarządzania pakietami za pomocą Conda oraz dostęp do tysięcy pre-kompilowanych bibliotek, takich jak NumPy, pandas i TensorFlow, umożliwiając użytkownikom efektywne rozwijanie, testowanie i wdrażanie modeli AI.

Z biegiem czasu Anaconda ewoluowała w pełną platformę AI dla przedsiębiorstw, która pomaga organizacjom zarządzać całym cyklem życia AI — od źródła i zabezpieczania pakietów open-source do budowy, zarządzania i wdrażania aplikacji w chmurze i środowiskach lokalnych. Z dziesiątkami milionów użytkowników i przyjęciem przez duży odsetek firm z listy Fortune 500, stała się warstwą podstawową dla nowoczesnego rozwoju AI, podkreślając innowacje open-source, skalowalność i bezpieczne, odtwarzalne przepływy pracy.

Spędziłeś prawie sześć lat w GitLab, z czego ponad trzy lata jako Chief Product Officer, pomagając skalować platformę DevSecOps AI-natywną do dziesiątek milionów użytkowników. Jak doświadczenie to ukształtowało Twoje priorytety jako CEO Anacondy, a co wydaje się fundamentalnie różne w prowadzeniu firmy w porównaniu z prowadzeniem produktu?

Mój czas w GitLab wzmocnił kilka zasad, które są teraz centralne dla mojego podejścia do Anacondy. Po pierwsze, odpowiedzialny wzrost — skalowanie zespołów, produktów i przychodów w sposób trwały. W GitLab rosliśmy, aby obsłużyć dziesiątki milionów użytkowników, a widząc, jak GitLab Ultimate stanowi ponad połowę przychodu firmy, pokazało, jak ważne jest wykorzystywanie wartości produktu do długoterminowego wpływu biznesowego.

Po drugie, nastawienie na wyniki i wydajność ponad proces i strukturę. Można wydać coś, co jest wystarczająco dobre i pokazuje kierunek, aby rozpocząć sprzężenie zwrotne od klientów. Dostarczanie prawdziwej wartości szybko jest niezbędne, ale nadal trzeba być rozważnym w kwestii skalowania. To ściśle wiąże się z trzecim filarem: obsesją na punkcie klienta i spotykaniem się z użytkownikami tam, gdzie oni są. Całą swoją karierę spędziłem na budowaniu narzędzi dla deweloperów i bezpieczeństwa, a jako były deweloper wiem, jak wiele dobrego (lub złego) narzędzi może wpłynąć na produktywność i satysfakcję.

I wreszcie, przejrzystość z celem. Ta podstawowa wartość Anacondy pozwoliła wszystkim stronom uczestniczyć i współpracować w celu poprawy firmy i jej ofert, aby dać naszej społeczności to, czego potrzebuje, aby odnieść sukces.

Jako CEO, jestem odpowiedzialny za cały system — strategię, kulturę, operacje i wyniki. Nadal jestem głęboko związany z produktem, ale myślę szerzej i długoterminowo. Muszę upewnić się, że firma rośnie w sposób odpowiedzialny, wspiera swoich ludzi i dostarcza wartości naszym klientom we wszystkich wymiarach biznesu. To są zasady, których będę dalej budował.

Czym osobiście skłoniło Cię do objęcia stanowiska CEO w Anacondzie, a co przekonało Cię, że to jest właściwa platforma do budowania następnego rozdziału przedsiębiorczego AI?

Mówię wszystkim, że były cztery powody, dla których byłam podekscytowany dołączeniem do Anacondy jako CEO. Po pierwsze, technologia. Jako deweloper, znam i używałem Anacondy przez długi czas. Wiem, jak potężna jest i może być. Platforma już umożliwia wiele, a fundament, który zbudował zespół, da nam okazję do kształtowania tego, co przyjdzie następnie w erze AI-natywnej!

Po drugie, społeczność. Głęboko wierzę w moc społeczności open-source. Niewiele firm ma społeczność tak szeroką i zaangażowaną jak Anacondy.

Po trzecie, ludzie. Rzadko można znaleźć ten poziom przywództwa w jednym miejscu. Zespół kierowniczy jest wyjątkowy, a ich pasja jest prawdziwa. Budujemy przyszłość z open-source i AI, a być częścią czegoś tak znaczącego i wpływowego ma nas wszystkich prawdziwie podekscytowanych.

I wreszcie, okazja. To ostatecznie podjęło decyzję za mnie. Anaconda znajduje się w centrum ułatwiania AI, pomagając przedsiębiorstwom budować, zabezpieczać, wdrażać i monitorować AI na dużą skalę. Kiedy łączysz światowej klasy technologię, żywą społeczność i zespół takiego kalibru, masz rzadką okazję do kształtowania, jak AI i nauka o danych są budowane i używane. To przyciągnęło mnie.

Open-source napędza większość nowoczesnego rozwoju AI, a jednak wiele przedsiębiorstw nadal ma trudności z zaufaniem do niego na dużą skalę. Dlaczego uważasz, że open-source pozostaje najpotężniejszym fundamentem dla AI, i gdzie myślisz, że jest najbardziej niezrozumiany?

Istnieje powszechne mniemanie, że najbardziej bezpieczny kod to kod, który jest ukryty, ponieważ tylko wybrani ludzie mogą go zobaczyć. To jest jak strus, który chowa głowę w piasku, aby się ukryć. Oprogramowanie open-source jest przeciwieństwem tego. Open-source jest przejrzysty, zaprasza wszystkich do współpracy i daje organizacjom na całym świecie wyższy poziom oczu, aby upewnić się, że kod jest bezpieczny i działa zgodnie z oczekiwaniami.

Nie widzieliśmy technologii, która rozwinęłaby się tak szybko jak AI. Aby AI mogło dalej przyspieszać, potrzebujesz nowoczesnego kodu, który porusza się tak szybko, jak to możliwe. Open-source robi to, dlatego jest fundamentem nowoczesnego rozwoju AI.

W Anacondzie opieramy się na tym. Nasze podstawowe możliwości i ekosystem Pythona są open-source, ponieważ to jest najlepszy sposób, aby zespoły mogły zacząć i innowować szybko. Na tym warstwie dodajemy możliwości klasy enterprise, dając organizacjom zarządzanie, bezpieczeństwo i niezawodność, których potrzebują, aby używać open-source na dużą skalę.

Wskaźniki niepowodzeń AI w przedsiębiorstwach pozostają wysokie, szczególnie w przypadku pilotów AI generatywnych. Z Twojego punktu widzenia, jakie są podstawowe powody, dla których te inicjatywy zatrzymują się, i jak wybór infrastruktury może zdecydować o długoterminowym sukcesie?

Wiele organizacji prowadziło pilotażowe projekty. Niektóre mają solidne projekty proof-of-concept, a inne mają garść wewnętrznie zbudowanych narzędzi, które naprawdę oszczędzają zespołom czas. Ale niewiele z nich przeniosło AI do prawdziwej produkcji, która działa w całym biznesie. Jest duża różnica między “eksperymentujemy” a “to jest teraz nasz sposób pracy”. To różnica jest tam, gdzie większość firm utknęła — i nie jest to dlatego, że technologia nie działa.

Demo prawie zawsze wygląda dobrze, ale problem pojawia się, gdy próbujesz odtworzyć demo na skalę przedsiębiorstwa. Nagle masz do czynienia z pytaniami dotyczącymi zarządzania danymi, problemami z bezpieczeństwem, kwestiami niezawodności i podstawowym problemem zaufania: Czy ta aplikacja będzie działać niezawodnie i utrzyma nasze dane bezpiecznie? Te problemy nie pojawiają się w demo i stają się później myślą dla firm.

Bariera dla sukcesu AI nie leży w możliwościach, ale w dojrzałości infrastruktury i procesów. Organizacje, które wyprzedzają, są prowadzone przez te, które wybierają inwestowanie w nowoczesne fundamenty, gdzie zaufanie i prędkość współistnieją, a wbudowane bezpieczeństwo i zarządzanie przyspieszają, zamiast utrudniać. Fragmentowane łańcuchy narzędzi i środowiska zmuszają do wyboru między tymi dwoma, ale nowoczesna, zunifikowana infrastruktura i nowoczesne procesy AI pozwalają mieć obie. Dziś usuwanie bottlenecks tworzy Twoją przewagę konkurencyjną. To nie jest tylko ambicja techniczna; to imperatyw biznesowy, aby konkurować i przetrwać na dzisiejszym rynku. Sukces będzie zwiększony przez tych, którzy inwestują w bezpieczeństwo i zarządzanie od podstaw.

Prowadziłeś zespoły w dziedzinach cyberbezpieczeństwa, produktów i platform deweloperskich. Jak wprowadzasz nastawienie na bezpieczeństwo do strategii Anacondy wokół zarządzania zależnościami, odtwarzalności środowiska i ryzyka łańcucha dostaw?

Moja ścieżka do bezpieczeństwa zaczęła się w sektorze opieki zdrowotnej, gdzie zobaczyłem dokładnie to, co wtedy uchodziło za “bezpieczne”. Zostałem całkowicie zanurzony w bezpieczeństwie i stało się to moją pasją. Gdy AI-workloady, modele, agenci i integracje stają się bardziej złożone, ryzyka bezpieczeństwa mnożą się szybciej, niż zarządzanie może dotrzymać kroku. I nawet gdy ryzyko bezpieczeństwa jest zarządzane, środowisko samo w sobie staje się przeszkodą.

Bezpieczeństwo i zgodność z AI są wyzwaniem, szczególnie uzyskanie prawdziwej widoczności ryzyka w fazie rozwoju i produkcji. To jest tam, gdzie się koncentrujemy. Budujemy głębsze możliwości bezpieczeństwa w ramach zarządzania środowiskiem, dodatkowe zarządzanie pakietami AI poza ekosystemem Pythona i pomagamy redukować ryzyko z modelem AI za pomocą skanowania bezpieczeństwa ich postawy. Cel jest prosty: pomóc organizacjom poruszać się szybciej z AI, utrzymując przy tym widoczność, prywatność i odporność, których potrzebują, aby ufać mu na dużą skalę.

Wzrasta sceptycyzm wokół ROI AI, wraz z falą eksperymentowania i vibe codingu. Jak odróżniasz produktywne eksperymentowanie od systemów AI gotowych do przedsiębiorstw, które naprawdę dostarczają wymierne korzyści?

Ten rok może być pierwszym, kiedy ROI AI jest mierzone dobrze. Każdy w branży traktuje “wydajność” jako czas zaoszczędzony, jednak to nie jest najlepszy wskaźnik na linii górnego poziomu. Organizacje, które poświęcają czas na tworzenie specjalnych KPI bezpośrednio związanych z tym, co jest dla nich najważniejsze, będą miały lepsze wyniki. To może być czas zaoszczędzony w przeglądzie kodu dla Twojego zespołu developerskiego lub jakość generowania leadów dla Twojego zespołu go-to-market. Czas sam w sobie i mierzenie zużycia tokenów nie sygnalizują bezpośrednio wydajności.

Anaconda znajduje się w centrum rozwoju AI opartego na Pythonie. Jak widzisz ewolucję środowisk Pythona, gdy organizacje przechodzą od eksperymentowania do w pełni zarządzanych, produkcyjnych systemów AI?

Python jest premierowym językiem dla AI, i chociaż nie spodziewam się, że to się zmieni w najbliższym czasie, języki zawsze ewoluują w popularności. Organizacje potrzebują narzędzi, które ewoluują i rodzinnie rozwiązują podstawowe problemy wydajności i skalowalności, umożliwiając agentom AI tworzenie aplikacji i usług klasy enterprise. Spodziewam się, że organizacje zaczną inwestować w uniwersalne bloki budowlane, które przyspieszają wartość AI i przyjęcie. To najlepiej przygotuje je do nawigowania w ciągle ewoluującym leksykonie języków programowania, które napędzają infrastrukturę AI.

Pracowałeś ściśle z branżami regulowanymi i przedsiębiorstwami świadomymi bezpieczeństwa w przeszłości. Co tak naprawdę oznacza zarządzanie AI na poziomie przedsiębiorstwa w praktyce, poza dokumentami polityki i listami kontrolnymi?

Przedsiębiorczy AI i aplikacje AI-natywne są czymś zupełnie innym niż tradycyjny rozwój oprogramowania. Gdy traktujesz AI jak tradycyjny rozwój, kończysz z złamanym bezpieczeństwem i zarządzaniem, co zahamuje innowacje. Przedsiębiorczy AI potrzebuje AI-natywnych najlepszych praktyk rozwoju, gdzie model AI jest głównym składnikiem, który napędza wersjonowanie, a wszystko inne wokół niego jest wtórne.

Zarządzanie AI jest różnicą między sukcesem a zatrzymaniem. Zarządzanie AI na poziomie przedsiębiorstwa to co się dzieje, gdy odpowiedzialne zasady AI-natywne są tłumaczone na kontrolę platformy, jasną odpowiedzialność i ciągłą śledzalność i pochodzenie wszystkich składników AI. Przekracza to polityki i listy kontrolne, które działały w praktykach DevOps.

Z niedawnym finansowaniem i przedsięwzięciem enterprise Anacondy, jakie są Twoje najbliższe priorytety wzrostu, i gdzie inwestujesz najbardziej agresywnie w ciągu najbliższych 12 do 18 miesięcy?

Naszym celem jest jasne: Anaconda będzie preferowaną platformą AI-natywną dla przedsiębiorstw do budowania, zabezpieczania i wdrażania aplikacji i usług AI-natywnych. Nasi klienci nadal ewoluują, aby spełniać ich potrzeby, i my ewoluujemy z nimi. Dlatego nie jesteśmy już tylko narzędziem do nauki o danych, ale kompleksową platformą dla przedsiębiorczego AI. Każda inwestycja, czy to w produkt, partnerstwa, czy przejęcia, będzie oceniana według jednego pytania: “Czy to zbliża nas do bycia platformą, której potrzebują przedsiębiorstwa, aby odnieść sukces w nowym świecie AI-natywnym?” Jesteśmy firmą obsesyjnie skupioną na klientach, i wszystko, co robimy, robimy dla naszych klientów.

Jako ktoś, kto pomógł skalować publicznie notowaną platformę deweloperską, jakie lekcje nauczyłeś się o budowaniu dla praktyków, a jednocześnie obsłudze CTO, CIO i Chief AI Officers na poziomie wykonawczym?

Sukces zawsze wraca do klienta i wspierania wyników, które starają się osiągnąć. Brzmi to prosto, ale łatwo dla zespołów utknąć w wewnętrznych metrykach (ile godzin poszło na projekt, czy wypuszczono cel) zamiast zadać bardziej istotne pytanie: “Czy to naprawdę sprawia, że nasi klienci są bardziej udani?” Liderzy mogą powiedzieć, że potrzebny jest nowy produkt, gdy w rzeczywistości mogłoby to być po prostu udoskonalenie tego, co już masz (np. uczynienie produktu bardziej przyjaznym dla użytkownika), a potem uzyskasz wynik, którego szukasz. Jeśli klienci są zadowoleni i udani, to my też jesteśmy zadowoleni i udani.

Dziękuję za wspaniałe wywiady, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić Anacondę.