Leighton Welch, CTO i współzałożyciel Tracer – seria wywiadów

Leighton Welch jest CTO i współzałożycielem Tracer. Tracer to narzędzie wykorzystujące sztuczną inteligencję do organizacji, zarządzania i wizualizacji złożonych zbiorów danych w celu uzyskania szybszych i bardziej przydatnych informacji biznesowych. Przed objęciem stanowiska Chief Technology Officer w Tracer, Leighton był Dyrektorem ds. Insightów Konsumenckich w SocialCode oraz Wiceprezesem ds. Inżynierii w VaynerMedia. Przez całą karierę był pionierem w ekosystemie reklamowym, prowadząc pierwszą reklamę na Snapchat i doradzając w sprawie komercyjnych API dla największych platform na świecie. Leighton ukończył Harvard w 2013 roku, uzyskując tytuł licencjata w dziedzinie informatyki i ekonomii.

Czy możesz nam powiedzieć więcej o swoim tle i jak Twoje doświadczenia w Harvardzie, SocialCode i VaynerMedia zainspirowały Cię do współzałożenia Tracer?

Pomysł narodził się dziesięć lat temu. Mój przyjaciel z dzieciństwa zadzwonił do mnie w piątkowy wieczór. Miał problemy z agregowaniem danych z różnych platform społecznościowych dla jednego ze swoich klientów. Uznał, że można to zautomatyzować, więc poprosił o moją pomoc, ponieważ miałem wykształcenie w dziedzinie inżynierii oprogramowania. To był nasz moment olśnienia: Kwota pieniędzy wydawana na te kampanie znacznie przewyższała jakość oprogramowania do śledzenia tych wydatków. Był to początkujący rynek z wieloma zastosowaniami w dziedzinie nauki o danych.

Kontynuowaliśmy budowę oprogramowania analitycznego, które mogłoby spełnić potrzeby coraz większych i bardziej złożonych kampanii medialnych. Podczas pracy nad tym problemem opracowaliśmy proces – wyraźne kroki od pozyskania i kontekstualizacji danych. Zrealizowaliśmy, że proces, który budowaliśmy, mógłby być zastosowany do dowolnego zbioru danych – nie tylko reklam. To jest to, czym jest dzisiaj Tracer: narzędzie wykorzystujące sztuczną inteligencję do organizacji, zarządzania i wizualizacji złożonych zbiorów danych w celu uzyskania szybszych i bardziej przydatnych informacji biznesowych.

Pomagamy w demokratyzacji tego, co oznacza być “organizacją opartą na danych”, automatyzując kroki niezbędne do pozyskania, połączenia i zorganizowania rozproszonych zbiorów danych w różnych działach, zapewniając przy tym potężne informacje biznesowe za pomocą intuicyjnych raportów i wizualizacji. Może to oznaczać połączenie danych sprzedaży z marketingowym CRM, danych HR z trendami przychodów i niezliczonej liczby innych zastosowań.

Czy możesz wyjaśnić, jak platforma Tracer automatyzuje analitykę i rewolucjonizuje nowoczesny stos danych dla swoich klientów?

Dla prostoty, definiujmy analitykę jako odpowiedź na pytanie biznesowe za pomocą oprogramowania. W dzisiejszym krajobrazie istnieją dwie podejścia.

• Pierwsze polega na zakupie pionowego oprogramowania. Dla CFO może to być Netsuite. Dla CRO może to być Salesforce . Pionowe oprogramowanie jest doskonałe, ponieważ jest kompleksowe, może być hiper-specjalistyczne i powinno działać bezproblemowo. Ograniczeniem pionowego oprogramowania jest to, że jest pionowe: jeśli chcesz, aby Netsuite komunikowało się z Salesforce, jesteś z powrotem na początku. Pionowe oprogramowanie jest kompletne, ale nie jest elastyczne.
• Drugie podejście polega na zakupie poziomego oprogramowania. Mogłoby to być oprogramowanie do pozyskania danych, inne do przechowywania i trzecie do analizy. Poziome oprogramowanie jest doskonałe, ponieważ może obsłużyć praktycznie wszystko. Moglibyście z pewnością pozyskać, przechowywać i analizować dane zarówno z Salesforce, jak i Netsuite za pomocą tego potoku. Ograniczeniem jest to, że trzeba je złożyć, utrzymać i nic nie działa “od razu”. Poziome oprogramowanie jest elastyczne, ale nie jest kompletne.

Oferujemy trzecie podejście, tworząc platformę, która łączy niezbędne technologie do raportowania o wszystkim, uczynioną wystarczająco dostępną, aby działać bezproblemowo bez żadnych zasobów inżynieryjnych ani technicznych. Jest elastyczna i kompletne. Tracer jest najpotężniejszą platformą na rynku, która jest jednocześnie aplikacyjnie agnostyczna i kompletna.

Tracer przetworzył około 10 petabajtów danych w zeszłym miesiącu. Jak Tracer radzi sobie z tak ogromną ilością danych w sposób wydajny?

Skalowalność jest niezwykle ważna w naszym świecie i zawsze była priorytetem w Tracer, nawet w początkowych dniach. Aby przetworzyć taką ilość danych, wykorzystujemy wiele najlepszych technologii i unikamy wynajdywania koła, jeśli nie musimy. Jesteśmy niezwykle dumni z infrastruktury, którą zbudowaliśmy, ale także dość otwarci w tej kwestii. W rzeczywistości nasz program architektoniczny jest opisany na naszej stronie internetowej.

To, co mówimy partnerom, brzmi: Nie chodzi o to, że wasze zespoły inżynieryjne nie są w stanie zbudować tego, co my zbudowaliśmy; raczej, nie powinny być zmuszane do tego. Zmontowaliśmy części nowoczesnego stosu danych dla was. Ramy są wydajne, przetestowane i modułowe, abyśmy mogli dynamicznie ewoluować wraz z krajobrazem.

Wiele partnerów przychodzi do nas, szukając sposobu, aby uwolnić zasoby inżynieryjne i skoncentrować się na większych inicjatywach strategicznych. Używają architektury Tracer jako środka do osiągnięcia celu. Posiadanie bazy danych nie odpowiada na pytania biznesowe. Posiadanie potoku ETL nie odpowiada na pytania biznesowe. To, co naprawdę się liczy, to to, co możesz zrobić z tą infrastrukturą, gdy jest już zmontowana. Dlatego zbudowaliśmy Tracer – jesteśmy waszym skrótem do uzyskania odpowiedzi.

Dlaczego uważasz, że strukturalne dane są kluczowe dla sztucznej inteligencji, a jakie korzyści zapewniają w porównaniu z danymi niestrukturalnymi?

Strukturalne dane są kluczowe dla sztucznej inteligencji, ponieważ umożliwiają interakcję człowieka, którą uważamy za niezbędny składnik efektywnych wyników. Jednak w dzisiejszym ekosystemie jesteśmy lepiej wyposażeni niż kiedykolwiek wcześniej, aby wykorzystać wnioski z danych niestrukturalnych i wcześniej trudno dostępnych formatów (dokumenty, obrazy, filmy itp.).

Więc dla nas chodzi o zapewnienie platformy, za pomocą której można uwzględnić dodatkowy kontekst od osób, które są najbardziej zaznajomione z podstawowymi zbiorami danych, gdy tylko te dane są dostępne. Innymi słowy, chodzi o to, aby niestrukturalne dane → strukturalne dane → silnik kontekstowy Tracer → wyniki napędzane przez sztuczną inteligencję. Siedzimy pomiędzy i umożliwiamy bardziej efektywną pętlę sprzężenia zwrotnego i ręczne interwencje, gdy jest to konieczne.

Jakie wyzwania stoją przed firmami w przypadku danych niestrukturalnych, a jak Tracer pomaga im pokonać te wyzwania, aby poprawić jakość danych?

Bez platformy takiej jak Tracer, wyzwaniem związanym z danymi niestrukturalnymi jest wszystko o kontroli. Karmisz dane do modelu, model wypluwa odpowiedzi, a Ty masz niewielką możliwość optymalizacji tego, co dzieje się wewnątrz czarnej skrzynki.

Powiedzmy, że chcesz określić najbardziej wpływowy content w kampanii medialnej. Tracer może wykorzystać sztuczną inteligencję, aby pomóc w świadczeniu metadanych na temat wszystkich treści, które zostały uruchomione w reklamach. Mogłoby również wykorzystać sztuczną inteligencję, aby dostarczyć analitykę ostatniej mili, aby uzyskać odpowiedź z wysoko strukturalizowanego zestawu danych.

Ale pomiędzy tymi dwoma punktami, nasza platforma pozwala użytkownikom narysować połączenia między danymi medialnymi a zestawem danych, w którym żyją wyniki, bardziej szczegółowo zdefiniuj “wpływowy” i oczyść kategoryzacje wykonane przez sztuczną inteligencję. Podstawowo, zabstrahuje i wyprodukował kroki, aby usunąć czarną skrzynkę. Bez sztucznej inteligencji jest znacznie więcej pracy, której musi dokonać człowiek w Tracer. Ale bez Tracer, sztuczna inteligencja nie może uzyskać tej samej jakości odpowiedzi.

Jakie są niektóre z kluczowych technologii opartych na sztucznej inteligencji, które Tracer wykorzystuje do poprawy swojej platformy inteligencji danych?

Można myśleć o Tracer jako o trzech podstawowych kategoriach produktowych: Źródła, Treść i Wyniki.

• Źródła to narzędzie służące do automatyzacji pozyskiwania, monitorowania i kontroli jakości rozproszonych danych.
• Kontekst to warstwa semantyczna z funkcją drag and drop do organizacji danych po ich pozyskaniu.
• Wyniki to miejsce, w którym można odpowiedzieć na pytania biznesowe na podstawie skontekstualizowanych danych.

W Tracer nie widzimy sztucznej inteligencji jako zastępstwa dla żadnego z tych kroków; raczej widzimy ją jako inną formę technologii, której mogą używać wszystkie trzy kategorie, aby rozszerzyć to, co można zautomatyzować.

Na przykład:

• Źródła: Wykorzystanie sztucznej inteligencji, aby pomóc w budowaniu nowych połączeń API do długich źródeł danych, które nie są dostępne za pośrednictwem naszego katalogu partnerów.
• Kontekst: Wykorzystanie sztucznej inteligencji do oczyszczenia metadanych przed uruchomieniem reguł tagowania. Na przykład, oczyszczenie wariantów nazw publikacji w każdym języku.
• Wyniki: Wykorzystanie sztucznej inteligencji jako zastępstwa za pulpity, w których przypadku biznesowe jest eksploracyjne, a nie określony zestaw wskaźników, które muszą być raportowane wielokrotnie.
• Sztuczna inteligencja pozwala nam osiągnąć tego rodzaju aplikacje w sposób prosty i dostępny.

Jakie są plany Tracer na przyszły rozwój i innowacje w dziedzinie inteligencji danych?

Tracer jest agregatorem agregatorów. Nasi partnerzy będą polegać na nas w określonych aplikacjach w zespołach i funkcjach lub do użytku w cross-funkcjonalnej inteligencji biznesowej. Piękno Tracer polega na tym, że niezależnie od tego, czy wykorzystujesz nas do podejmowania lepszych decyzji dotyczących wydatków medialnych i kreatywnych, czy budowania pulpitów do łączenia rozproszonych metryk od łańcucha dostaw do sprzedaży i wszystkiego pomiędzy, bloki budowlane są spójne.

Widzimy organizacje, które wcześniej polegały na nas w jednej dziedzinie biznesu (np. media i marketing), rozszerzające aplikacje do innych części biznesu. Dlatego też, gdzie nasi pierwotni klienci byli wcześniej starszymi menedżerami medialnymi lub partnerami agencji, teraz współpracujemy na przestrzeni organizacji, współpracując z CIO, CTO, naukowcami i analitykami biznesowymi. Kontynuujemy rozwijanie naszych narzędzi, aby uwzględnić coraz więcej aplikacji i ról, jednocześnie zapewniając, że podstawowa technologia jest skalowalna, elastyczna i dostępna dla użytkowników nie-technicznych.

Dziękujemy za wspaniały wywiad, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić Tracer.