Wywiady
Leo Brunnick, Dyrektor Produktu w Cloudera – Seria wywiadów
Dodaj Unite.AI do preferowanych źródeł w Google
Leo Brunnick, Dyrektor Produktu w Cloudera, jest doświadczonym menedżerem technologicznym i przedsiębiorcą z ponad trzydziestoletnim doświadczeniem w budowaniu i skalowaniu oprogramowania, mediów cyfrowych oraz organizacji technologii korporacyjnych. W Cloudera kieruje zarządzaniem produktem, inżynierią i wsparciem klienta, nadzorując kierunek produktów i technologii firmy w miarę rozszerzania możliwości platformy danych i AI. Przed dołączeniem do Cloudera w 2025 roku Brunnick spędził sześć lat w Naviga, ostatnio jako Dyrektor Operacyjny, gdzie prowadził ponad 600 specjalistów w obszarach produktu, inżynierii, marketingu, R&D, wsparcia klienta i usług profesjonalnych. Wcześniej w swojej karierze założył i pełnił funkcję CEO w Patheos, rozwijając platformę mediów cyfrowych do około 15 milionów miesięcznych odwiedzających przed udanym wyjściem, a także spędził osiem lat jako Dyrektor Produktu w firmie zajmującej się zarządzaniem treścią korporacyjną Vignette. Jego doświadczenie obejmuje także doradztwo technologiczne w Andersen Consulting oraz służbę jako oficer piechoty w U.S. Marine Corps.
Cloudera jest firmą zajmującą się danymi przedsiębiorstwa i sztuczną inteligencją, koncentrującą się na pomocy organizacjom w zarządzaniu, nadzorowaniu, analizowaniu i wykorzystywaniu AI w danych, niezależnie od ich lokalizacji — w chmurach publicznych, prywatnych centrach danych i środowiskach brzegowych. Jej hybrydowa platforma łączy zarządzanie danymi, analitykę, uczenie maszynowe, generatywną AI oraz coraz bardziej agentową AI, przy jednoczesnym podkreślaniu bezpieczeństwa przedsiębiorstwa, zarządzania, prywatności i przenośności obciążeń. Obecna strategia platformy firmy obejmuje Cloudera Anywhere Cloud, architekturę zaprojektowaną tak, aby zapewnić przedsiębiorstwom spójne doświadczenie chmurowe w różnych środowiskach infrastrukturalnych, wraz z otwartym data lakehouse, zjednoczoną tkaniną danych, przetwarzaniem danych w czasie rzeczywistym oraz narzędziami do tworzenia i wdrażania modeli i agentów AI. Cloudera podaje, że jej technologia zarządza ponad 25 eksabajtami danych i jest wykorzystywana przez duże globalne przedsiębiorstwa dążące do modernizacji infrastruktury danych bez konieczności przenoszenia wszystkich obciążeń lub wrażliwych danych do chmury publicznej.
Twoja kariera obejmowała doradztwo technologiczne, prowadzenie organizacji produktowych w Vignette i Naviga, założenie i rozwinięcie Patheos oraz obecnie pełnienie funkcji Dyrektor Produktu w Cloudera. W jaki sposób te doświadczenia ukształtowały Twoje podejście do budowania platform technologii korporacyjnych w czasie, gdy AI zasadniczo zmienia sposób, w jaki organizacje wykorzystują swoje dane?
Wszystkie te sytuacje opierają się na tej samej zasadzie. Technologia jest najcenniejsza, gdy upraszcza coś skomplikowanego dla użytkowników. Ten punkt jest teraz jeszcze ważniejszy, ponieważ AI tworzy znaczące możliwości, jednocześnie dodając kolejną warstwę złożoności dla firm już poruszających się wśród danych w chmurze, centrów danych i coraz częściej środowisk suwerennych.
Budując tę nową erę w Cloudera, często zastanawiam się, jak możemy umożliwić organizacjom korzystanie z nowych technologii, nie zmuszając ich do przemyślenia wszystkiego, co już zbudowały. W ciągu ostatnich kilku lat przedsiębiorstwa rozbudowały swoje zasoby danych, aplikacje, modele zarządzania i procesy operacyjne. Nie byłoby rozsądne odrzucać tego wszystkiego za każdym razem, gdy pojawia się nowa technologia. Platformy, które odniosą sukces w erze AI, będą opierały się na tym, co organizacje już posiadają, jednocześnie dając im elastyczność i kontrolę potrzebną do adaptacji w miarę zmieniających się potrzeb.
Cloudera niedawno wprowadziła Cloudera Anywhere Cloud, aby pomóc przedsiębiorstwom budować i obsługiwać AI w chmurach publicznych, prywatnej infrastrukturze, chmurach suwerennych, środowiskach on‑premises oraz na brzegu. Jakie problemy zauważyłeś u klientów, które przekonały Cloudera, że tego typu zjednoczona architektura jest niezbędna?
Na klientów rośnie presja, aby wprowadzać AI w praktyce, nawet gdy ich dane i infrastruktura są rozproszone na więcej środowisk niż kiedykolwiek wcześniej. Dane mogą znajdować się w chmurach publicznych, prywatnych centrach danych, środowiskach suwerennych i na brzegu, z których każde ma własne wymagania dotyczące bezpieczeństwa, regulacji, wydajności i kosztów. Zarządzanie wszystkimi tymi środowiskami może stanowić znaczące obciążenie operacyjne dla organizacji.
Idea stojąca za Anywhere Cloud polega na tym, że przedsiębiorstwa nie powinny musieć wybierać między elastycznością chmury a zachowaniem kontroli, bezpieczeństwa i zarządzania danymi. Organizacje potrzebują spójnego sposobu wdrażania, zarządzania i skalowania usług danych i AI tam, gdzie ma to największy sens dla biznesu. Dzięki jednemu płaszczyźnie kontrolnej firmy mogą poświęcać mniej czasu na zarządzanie infrastrukturą podstawową, a więcej na realizację rezultatów, które chcą osiągnąć przy użyciu danych i AI, niezależnie od środowiska, w którym się znajdują.
Powiedziałeś, że AI w przedsiębiorstwach „przewyższyło model wyłącznie chmury publicznej”. Jakie są największe ograniczenia, z jakimi spotykają się przedsiębiorstwa, próbując uruchamiać produkcyjne AI wyłącznie w środowiskach chmury publicznej, i które obciążenia coraz częściej przenoszą się w inne miejsca?
Platformy, które odniosą sukces w erze AI, będą opierały się na tym, co organizacje już posiadają, i dają im elastyczność potrzebną do adaptacji w miarę zmieniających się potrzeb. Chmura publiczna pozostaje ważną częścią strategii technologicznej przedsiębiorstwa, ale nie jest jedyną opcją. Gdy AI przechodzi do produkcji, firmy muszą określić, gdzie ich dane i obciążenia powinny być uruchamiane, biorąc pod uwagę takie czynniki jak regulacje, bezpieczeństwo i koszty.
To pokazuje, że decyzje o tym, gdzie umieszczać obciążenia, są teraz podejmowane bardziej świadomie. Niektóre zastosowania AI z pewnością będą odpowiednie w chmurze publicznej, podczas gdy obciążenia obejmujące wysoce wrażliwe lub regulowane dane mogą musieć pozostać w prywatnym centrum danych lub środowisku suwerennym. W innych przypadkach obciążenia będą lepiej działały na edge, ponieważ opóźnienie jest ważnym czynnikiem. Celem nie jest odejście od chmury publicznej; wręcz przeciwnie, chodzi o zapewnienie przedsiębiorstwom elastyczności w uruchamianiu każdego rodzaju obciążenia w miejscu najbardziej dla niego odpowiednim, bez konieczności tworzenia odrębnego modelu operacyjnego dla każdego środowiska.
Cloudera Anywhere Cloud zawiera agentycznego copilota, który potrafi przetłumaczyć proste, językowe żądania na przepływy danych i operacje infrastruktury. Jak autonomiczne spodziewasz się, że będą te systemy, i gdzie przedsiębiorstwa powinny zachować nadzór ludzki, gdy agenci zyskają większą kontrolę nad krytyczną infrastrukturą danych?
Agenci będą nadal przejmować powtarzalne prace operacyjne, które obecnie zajmują czas zespołów ds. danych i infrastruktury. Jeśli agent potrafi wyrazić rezultat prostym językiem, a następnie przekształcić go w przepływ pracy lub akcję infrastruktury, znacznie zmniejszy to tarcia i udostępni zaawansowane możliwości danych większej liczbie osób.
Większa autonomia generuje również większą potrzebę skutecznego zarządzania. Firmy muszą mieć jasne polityki określające, do czego agent ma dostęp, jakie działania może wykonywać samodzielnie oraz kiedy wymagana jest zgoda człowieka. Im większy potencjalny wpływ działania, tym bardziej istotne stają się te kontrole. Autonomia i zarządzanie powinny rozwijać się równolegle, aby zapewnić agentom wystarczającą swobodę do osiągania rzeczywistych korzyści wydajnościowych, jednocześnie gwarantując organizacji nadzór i kontrolę nad kluczowymi danymi i infrastrukturą.
Cloudera współpracuje z NVIDIA, aby wprowadzić natywną akcelerację GPU przy użyciu cuDF dla obciążeń Apache Spark 4.1, z potencjalnym przyspieszeniem wydajności nawet do 4‑krotności, bez konieczności przepisywania istniejących aplikacji PySpark lub SQL. Dlaczego eliminacja potrzeby przepisywania kodu jest tak ważna dla przyspieszenia przyjęcia AI w przedsiębiorstwach?
Firmy zainwestowały znaczne środki w istniejące aplikacje, umiejętności i pipeline’y danych. Przejście na nową technologię wymaga więcej niż prac inżynieryjnych. Może wprowadzić ryzyko, opóźnić wyniki i spowodować zakłócenia w już działających systemach.
Akceleracja zero‑code pomaga sprostać temu wyzwaniu. Organizacje mogą wykorzystać istniejące obciążenia PySpark i SQL, aby uzyskać korzyści z akceleracji GPU, nie zmieniając zasadniczo sposobu pracy swoich zespołów. Dzięki temu technologia jest łatwiejsza do przyjęcia, a jednocześnie poprawia wydajność pipeline’ów danych wspierających analitykę i AI, chroniąc istniejące inwestycje.
GPU są coraz częściej wykorzystywane nie tylko do trenowania modeli i inferencji, ale także do przygotowywania danych i analiz. Czy spodziewasz się, że akceleracja GPU stanie się standardową częścią stosu danych w przedsiębiorstwie i jak może to zmienić ekonomię przygotowywania ogromnych zbiorów danych dla AI?
Moim zdaniem przedsiębiorstwa będą znacznie lepiej dopasowywać swoją infrastrukturę do obciążeń. GPU już zmieniły sposób, w jaki prowadzone są treningi modeli i inferencje, a inżynieria danych jest kolejnym oczywistym obszarem innowacji, ponieważ przygotowywanie dużych zbiorów danych może być poważnym wąskim gardłem przy wprowadzaniu aplikacji AI do produkcji.
Ekonomiczny wpływ jest równie istotny, ponieważ szybsze przetwarzanie może zrobić więcej niż po prostu szybciej zakończyć zadanie Spark. Skrócenie czasu obliczeń może obniżyć koszty infrastruktury, jednocześnie pomagając zespołom danych szybciej iterować, co staje się coraz ważniejsze w miarę wzrostu obciążeń AI. Według nasze badania, 84 % respondentów zauważyło, że obciążenia AI zwiększają koszty infrastruktury, co sprawia, że dla firm ważniejsze jest przyjrzenie się całemu pipeline’owi danych w poszukiwaniu możliwości poprawy zarówno wydajności, jak i kosztów. Przetwarzanie danych przyspieszone GPU może stać się istotną częścią tego równania.
Jedną z obietnic Cloudera Anywhere Cloud jest umożliwienie organizacjom umieszczania obciążeń tam, gdzie wymogi regulacyjne, ekonomiczne lub operacyjne tego wymagają, bez ciągłego przenoszenia lub kopiowania ich danych. Jak ważne jest przeniesienie obliczeń AI do danych, zamiast przenoszenia wszystkich danych przedsiębiorstwa do AI?
Jest to kluczowe, ponieważ firmy spędziły lata na budowaniu ogromnych ilości danych w różnych środowiskach, a przeniesienie wszystkich tych danych w jedno miejsce pod kątem AI jest często niepraktyczne. Może to być kosztowne i czasochłonne, a jednocześnie wymogi bezpieczeństwa, prywatności lub suwerenności mogą uniemożliwić organizacjom przeniesienie niektórych danych w ogóle.
Obecnie nie jest praktyczne, aby przedsiębiorstwa bezpiecznie przenosiły wszystkie swoje dane do różnych aplikacji i środowisk, w których wdrażane jest AI. Przeniesienie AI do danych pozwala organizacjom wykorzystać większą część posiadanych już danych, pozostawiając je tam, gdzie muszą być. Daje to także elastyczność uruchamiania obciążeń w miejscu, które ma największy sens w oparciu o wymagania biznesowe i techniczne. W miarę jak AI staje się coraz bardziej zintegrowane w całym przedsiębiorstwie, zdolność do spójnego działania tam, gdzie znajdują się dane, będzie nabierać coraz większego znaczenia.
Suwerenność danych stała się poważnym problemem, gdy rządy i regulowane branże przyjmują AI. Jak zmieniają się wymagania dotyczące suwerennej AI w architekturze przedsiębiorstw i czy przewidujesz, że suwerenne chmury oraz prywatna infrastruktura AI staną się znacząco ważniejsze w ciągu najbliższych kilku lat?
Zdecydowanie. Suwerenność staje się wymogiem architektonicznym, a nie jedynie kwestią zgodności. Organizacje muszą wiedzieć, gdzie przechowywane są ich dane i gdzie uruchamiane są obciążenia AI, a także kto ma do nich dostęp i w jaki sposób chroniona jest własność intelektualna oraz wrażliwe informacje.
Organizacje nie mogą już zakładać, że wszystko można scentralizować w jednej publicznej chmurze. Potrzebują elastyczności, aby działać w suwerennych chmurach, prywatnej infrastrukturze, publicznych chmurach i systemach on‑premise, stosując spójną kontrolę w każdym środowisku. Wymagania te będą coraz ważniejsze, gdy AI będzie coraz bardziej wykorzystywana w regulowanych branżach i krytycznych procesach biznesowych. Organizacje, które potrafią innowować, zachowując kontrolę nad danymi i środowiskami AI, będą lepiej przygotowane do odpowiedzialnego skalowania AI.
W miarę jak autonomiczne agenty AI uzyskują dostęp do danych, aplikacji i infrastruktury przedsiębiorstwa, tradycyjna kontrola danych może okazać się niewystarczająca. Jak musi ewoluować zarządzanie, gdy użytkownikami mającymi dostęp i działającymi na danych przedsiębiorstwa coraz częściej są agenci AI, a nie ludzie?
W przeszłości zarządzanie opierało się głównie na ludziach i aplikacjach mających dostęp do danych. Agenci wprowadzają nowy wymiar, ponieważ mogą uzyskać dostęp do informacji, rozumować na ich podstawie i podejmować działania w oparciu o to, co znajdą.
Z tego powodu firmy muszą stosować koncepcje takie jak tożsamość, uprawnienia, pochodzenie danych, obserwowalność oraz dostęp w modelu zero‑trust wobec agentów, aby zapewnić bezpieczeństwo i kontrolę nad swoimi danymi. Organizacje powinny wiedzieć, który agent uzyskał dostęp do jakich danych, co zrobił z tą informacją, jakie podjął działania i czy były one zgodne z politykami korporacyjnymi. Kontrola nie może być wprowadzana po tym, jak agent podjął działanie; musi być wbudowana w środowisko, tak aby polityki i zabezpieczenia podążały za danymi i były stale egzekwowane, niezależnie od tego, czy podmiotem jest człowiek, aplikacja czy autonomiczny agent.
Cloudera podkreśla znaczenie otwartych standardów, takich jak Apache Iceberg, Polaris, Spark, Kafka i Trino, zamiast wymagać od klientów działania wyłącznie w zamkniętym stosie technologicznym. W miarę jak infrastruktura AI konsoliduje się wokół dużych platform, jak ważne będą otwarte standardy i interoperacyjność w zapobieganiu nowej generacji blokady dostawców AI?
Im bardziej AI staje się częścią infrastruktury przedsiębiorstwa, tym ważniejsze stają się otwarte standardy. AI rozwija się szybko, a organizacje muszą unikać podejmowania dziś decyzji architektonicznych, które mogłyby ograniczyć modele, silniki, infrastrukturę lub technologie, z których będą mogły korzystać w przyszłości.
Technologie takie jak Apache Iceberg, Spark, Kafka, Trino i otwarte katalogi dają organizacjom elastyczność używania różnych narzędzi do różnych obciążeń, zachowując interoperacyjność w ich środowiskach danych. Jest to szczególnie istotne, gdy przedsiębiorstwa coraz częściej działają w publicznych chmurach, suwerennej infrastrukturze i prywatnych centrach danych, potrzebując swobody decydowania, gdzie uruchamiane są ich dane i obciążenia AI, bez konieczności przebudowy wokół jednego dostawcy.
Otwarte podejście ułatwia także przyjmowanie nowych możliwości AI, budując na istniejących inwestycjach, zamiast wielokrotnie przenosić lub kopiować dane w miarę rozwoju technologii. W miarę jak krajobraz AI nadal się zmienia, otwarte standardy dają organizacjom elastyczność do ewolucji ich architektury w czasie, zachowując wybór i kontrolę nad danymi, infrastrukturą i decyzjami technologicznymi.
Dziękujemy za wywiad, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić Cloudera.
