Lior Koriat, CEO Quali – Seria wywiadów

Lior Koriat, CEO Quali, to doświadczony executive i przedsiębiorca z prawie dwoma dekadami doświadczenia w Quali, gdzie pomógł ukształtować firmę od jej wczesnych podstaw inżynierskich i operacyjnych do globalnego dostawcy rozwiązań Environment as a Service dla zespołów DevOps, IT i platformowych. Od czasu objęcia stanowiska CEO i członka zarządu w 2011 roku, poprowadził rozwój Quali na terenie Stanów Zjednoczonych, Europy, Azji i Izraela, budując na wcześniejszych rolach jako VP R&D, COO i CEO, gdzie ustanowił inżynierię, sprzedaż, obsługę klienta, prawnictwo, rozwój biznesu i międzynarodowe operacje. Jego doświadczenie obejmuje również założenie i prowadzenie Intellitech Engineering, firmy inżynierskiej i mechanicznej, która została przejęta, oraz role mentorskie w Google Launchpad Accelerator i UC Berkeley’s Sutardja Center for Entrepreneurship & Technology, gdzie doradza startupom w zakresie strategii produktowej, wykonania go-to-market, DevOps i skalowania.

Quali rozwija oprogramowanie do automatyzacji infrastruktury i inżynierii platformy, zaprojektowane w celu pomocy organizacjom w dostarczaniu zarządzanych, samodzielnych środowisk chmurowych bez spowalniania zespołów developerskich. Jego platforma Torque zapewnia warstwę samodzielnej obsługi opartą na katalogu dla zespołów platformowych, umożliwiając zatwierdzone szablony, kontrolę dostępu opartą na rolach, zarządzanie cyklem życia, przypisanie kosztów, egzekwowanie polityki i widoczność w czasie rzeczywistym we wszystkich środowiskach. Quali przedstawia Torque jako sposób na standaryzację dostarczania infrastruktury w wielu chmurach i hybrydowych ustawieniach chmury, z obsługą przypadków użycia, w tym rozwoju oprogramowania, testowania, demo, szkolenia, wdrożeń proof-of-concept, MLOps, agentic AI, automatyzacji pipeline CI/CD i GPU-as-a-Service. Szerszy portfel produktów obejmuje również CloudShell, który zmienia infrastrukturę w wielokrotnie używalne bloki budowlane o niskim lub żadnym kodzie dla złożonych środowisk w infrastrukturze lokalnej i chmury.

Założyłeś i rozwinąłeś wiele firm technologicznych przed objęciem stanowiska w Quali, a Twoja kariera obejmuje systemy wojskowe, robotykę, inżynierię infrastruktury i automatyzację chmury. Jak te doświadczenia wpłynęły na Twoją wizję budowy platform infrastruktury AI, i co przekonało Cię, że jest to odpowiedni moment, aby się skupić na zarządzaniu infrastrukturą rodzimą dla AI?

Moja kariera konsekwentnie koncentrowała się na złożonych systemach, które muszą działać niezawodnie w wymagających warunkach. Zaczynałem w robotyce i astronautyce, rozwijając systemy automatyzacji i symulacji dla aplikacji obronnych, gdzie powtarzalność i zarządzanie były wymogami operacyjnymi, a nie preferencjami inżynierskimi. Te środowiska nauczyły mnie, że najtrudniejsze problemy pojawiają się tam, gdzie wiele systemów i procesów musi współpracować wspólnie w czasie.

Ta perspektywa przeniosła się do Quali. W ciągu ostatniej dekady infrastruktura przedsiębiorstw stała się coraz bardziej rozproszona na różnych warstwach. Każda nowa warstwa rozwiązywała konkretny problem techniczny, ale również wprowadzała nowy interfejs zarządzania, nowy proces operacyjny i nowe źródło złożoności. Organizacje stały się bardzo dobre w tworzeniu infrastruktury, ale znacznie mniej skuteczne w jej zarządzaniu, gdy już istniała.

AI przyspieszył tę nierównowagę, a wyzwania operacyjne coraz częściej determinują, czy inicjatywa AI osiągnie produkcję, czy pozostanie w fazie pilotażu. Dlatego uważam, że zarządzanie infrastrukturą rodzimą dla AI stało się konieczne. Wyzwaniem jest ciągłe działanie infrastruktury AI we wszystkich heterogenicznych środowiskach, przy jednoczesnym utrzymaniu zarządzania, bezpieczeństwa i dyscypliny kosztowej oraz optymalizacji wykorzystania.

Suwerenność AI stała się szybko priorytetem dla rządów i przedsiębiorstw. Co większość organizacji nie rozumie o suwerenności, i dlaczego uważasz, że zarządzanie infrastrukturą staje się równie ważne, jak własność modelu?

Wiele dyskusji o suwerenności AI koncentruje się na rezydencji danych i własności infrastruktury. Są to konieczne składniki, ale rozwiązują tylko część rzeczywistości operacyjnej.

Gdy organizacje zaczynają wdrażać autonomiczne agenty, głównym pytaniem staje się nie to, gdzie infrastruktura się znajduje, ale jak systemy AI działają wewnątrz tej infrastruktury. Nowoczesne agenty przydzielają zasoby, pobierają informacje, inicjują procesy robocze i interakcje z systemami produkcyjnymi. Każda z tych akcji wymaga egzekwowania polityki.

To zmienia sposób, w jaki suwerenność powinna być oceniana. Własność infrastruktury nie zapewnia automatycznie kontroli operacyjnej, jeśli systemy AI mogą wykonywać akcje bez deterministycznego zarządzania. Przedsiębiorstwa muszą wykazać, kto zainicjował akcję, jakie polityki ją zarządzają, jakie zasoby zostały wykorzystane i w jaki sposób te decyzje mogą być audytowane. Wyzwaniem jest ciągłe działanie infrastruktury AI we wszystkich heterogenicznych środowiskach, przy jednoczesnym utrzymaniu zarządzania, bezpieczeństwa i dyscypliny kosztowej oraz optymalizacji wykorzystania.

Oczekuję, że zarządzanie infrastrukturą stanie się równie strategicznie ważne, jak rozwój modelu, ponieważ zapewnia ramy operacyjne, które pozwalają organizacjom na odpowiedzialne skalowanie AI. Gdy przedsiębiorstwa przyjmują wiele modeli, wiele chmur i coraz bardziej autonomiczne procesy robocze, zarządzanie infrastrukturą staje się warstwą, która utrzymuje te środowiska bezpieczne i odpowiedzialne we wszystkich zasobach infrastruktury.

Agenci AI są coraz częściej uprawnieni do przydzielania zasobów, wdrażania obciążeń i podejmowania decyzji operacyjnych. Jakie barierki muszą być na miejscu, zanim przedsiębiorstwa będą mogły bezpiecznie ufać autonomicznym systemom z krytyczną infrastrukturą?

Wiele organizacji już wdraża agenty AI w produkcji. Pytanie brzmi, jak te agenty działają wewnątrz wyraźnie zdefiniowanych granic.

Pierwszym wymogiem jest deterministyczne egzekwowanie polityki na poziomie wykonania. Agenci powinni być w stanie wykonywać tylko akcje, które są zgodne z wcześniej zdefiniowanymi politykami infrastruktury. Te polityki nie mogą polegać na modelu decydującym, czy akcja jest odpowiednia. Muszą być egzekwowane niezależnie od samego modelu.

Kontrola dostępu jest równie ważna. Trwałe uprawnienia tworzą niepotrzebne ryzyko operacyjne. Dostęp powinien być przydzielany dla konkretnego zadania, ograniczony do wymaganych zasobów i cofnięty automatycznie, gdy praca jest ukończona. Ten model pozwala organizacjom na rozszerzenie automatyzacji bez rozszerzania powierzchni ataku.

Każda akcja wymaga również pełnego śladu audytowego. Gdy systemy AI stają się bardziej autonomiczne, przedsiębiorstwa muszą zrozumieć, który agent wykonał akcję, kiedy wystąpiła, jaka polityka ją autoryzowała i jakie zmiany zostały wprowadzone. Ten poziom śladów wspiera rozwiązywanie problemów operacyjnych, a także zgodność z przepisami.

Uważam również, że autonomiczna infrastruktura powinna działać wewnątrz zarządzanych środowisk, a nie na nieograniczonej infrastrukturze. Dobrze zdefiniowane środowiska zapewniają wyraźne granice zasobów, kontrolę cyklu życia i polityki operacyjne przed rozpoczęciem wykonywania obciążeń przez agenta. To pozwala organizacjom na zwiększenie automatyzacji, przy jednoczesnym utrzymaniu przewidywalnego zachowania operacyjnego, gdy wdrożenia AI będą kontynuowane.

Często dyskutujesz o przejściu od tradycyjnej automatyzacji do tego, co nazywasz inteligentną warstwą kontroli. Co fundamentalnie się zmienia, gdy infrastruktura zaczyna działać wokół intencji, a nie statycznych reguł i procesów roboczych?

Tradycyjna automatyzacja wykonuje przeddefiniowane kroki. To działa, gdy infrastruktura jest przewidywalna, obciążenia są stabilne i zmiany występują przez procesy robocze zarządzane przez ludzi. Infrastruktura AI nie działa w ten sposób.

Obciążenia AI są dynamiczne. Popyt na GPU zmienia się szybko, środowiska są tworzone i likwidowane często, a agenci mogą potrzebować dostępu do zasobów dla konkretnych zadań. Inteligentna warstwa kontroli rozumie cel środowiska, kto je włada, jaki jest jego koszt, jakie polityki mają zastosowanie i czy stan na żywo nadal odpowiada zamierzonemu stanowi.

To zmienia zarządzanie infrastrukturą. System może wykryć dryf, zalecić optymalizację, egzekwować politykę i podejmować decyzje dotyczące cyklu życia w odniesieniu do zamierzonego wyniku, a nie statycznego skryptu.

Infrastruktura GPU stała się jednym z największych wąskich gardeł w wdrożeniu AI. Czy uważasz, że branża podejmuje niewłaściwe podejście do wykorzystania GPU, i jakie zmiany operacyjne mogą dramatycznie poprawić wydajność bez prostego dodawania więcej sprzętu?

Branża często traktuje problem GPU jako problem zakupu. W wielu przedsiębiorstwach bardziej natychmiastowym problemem jest wykorzystanie.

Widzimy organizacje z klastrami GPU, które są przydzielone dla szczytowego popytu, pozostają nieaktywne między uruchomieniami treningowymi lub pozostają dołączone do środowisk po zakończeniu pracy. To tworzy wysoki koszt bez dopasowania do wartości biznesowej.

Poprawa wydajności GPU zaczyna się od kontroli cyklu życia. Środowiska powinny być przydzielane na żądanie, dopasowane do obciążenia, przypisane do zespołu lub projektu i likwidowane automatycznie, gdy zadanie jest ukończone. Przedsiębiorstwa również potrzebują widoczności w wykorzystaniu, koszcie na obciążenie i celu biznesowym za każdym środowiskiem.

Dodawanie sprzętu może nadal być konieczne, ale niezarządzana pojemność GPU tylko powiększa problem z kosztami.

Wiele przedsiębiorstw dzisiaj działa na publicznej chmurze, prywatnej chmurze, środowiskach lokalnych i infrastrukturze krawędziowej. Jak widzisz ewolucję hybrydowych środowisk AI w ciągu najbliższych pięciu lat, i jakie wyzwania pozostają nierozwiązane dzisiaj?

Hybrydowe środowiska AI staną się domyślnym modelem przedsiębiorstw. Organizacje będą używać publicznej chmury dla elastyczności, infrastruktury lokalnej dla kontroli i zarządzania kosztami, oraz środowisk krawędziowych, gdzie opóźnienia, lokalizacja danych lub wymagania operacyjne wymagają tego.

Nierozwiązane wyzwanie to spójność. Większość przedsiębiorstw już dzisiaj działa na wielu dostawcach, chmurach, narzędziach automatyzacji i typach infrastruktury. AI dodaje klastry GPU, środowiska serwowania modeli, potoki fine-tuning, obciążenia agentic i automatyzację pipeline CI/CD do tego mixu.

W ciągu najbliższych pięciu lat czołowe organizacje będą tymi, które utworzą jeden standard operacyjny we wszystkich tych środowiskach. Będą potrzebować spójnego przydzielania, egzekwowania polityki, przypisania kosztów, audytu i zarządzania cyklem życia, niezależnie od tego, gdzie obciążenie jest uruchomione.

DevOps przekształcił dostarczanie oprogramowania w ciągu ostatniej dekady. Czy uważasz, że infrastruktura AI wymaga całkowicie nowego modelu operacyjnego, czy jest to naturalna ewolucja DevOps i inżynierii platformy?

Infrastruktura AI rozszerza DevOps, ale również wprowadza wymagania, których tradycyjne praktyki DevOps nie były zaprojektowane do obsługi.

DevOps poprawił dostarczanie oprogramowania, standaryzując potoki, automatyzując powtarzalną pracę i dając zespołom szybszy dostęp do zasobów, których potrzebują. Infrastruktura AI wymaga tej samej dyscypliny, ale obciążenia są bardziej intensywne w zasoby, mniej przewidywalne i bardziej zależne od specjalistycznej infrastruktury.

Inżynieria platformy staje się centralna w tym środowisku. Zespoły potrzebują zarządzanych, samodzielnych dostępów do zwalidowanych środowisk, a nie przydzielania na żądanie lub ręcznych konfiguracji. Model operacyjny nadal ceni szybkość i automatyzację, ale również wymaga silniejszego zarządzania, kontroli kosztów i kontekstu infrastruktury od samego początku.

Operacje zero-dotykowe były długo celem w zarządzaniu infrastrukturą. Jak blisko jesteśmy do prawdziwie autonomicznej infrastruktury, i jakie są największe techniczne i organizacyjne bariery, które wciąż stoją na przeszkodzie?

Jesteśmy znacznie bliżej autonomicznej infrastruktury, niż większość ludzi sobie uświadamia, ale czynnikiem ograniczającym jest zarządzanie, a nie automatyzacja. Agenci AI mogą już przydzielać środowiska, wdrażać obciążenia, badać anomalie i rekomendować naprawy. Wyzwaniem jest zapewnienie, że te akcje występują wewnątrz wyraźnie zdefiniowanych granic polityki.

Organizacje również potrzebują pewności, że autonomiczne systemy mogą wyjaśnić, co zrobiły, dlaczego to zrobiły i pod jaką polityką działały. Ten poziom śladów jest wciąż brakujący w wielu środowiskach przedsiębiorstw. Autonomiczna infrastruktura stanie się powszechna, gdy zarządzanie, audyt i egzekwowanie polityki będą wbudowane w warstwę operacyjną, zamiast dodawane później.

Gdy obciążenia AI stają się bardziej dynamiczne i intensywne w zasoby, przekroczenia kosztów stają się dużym problemem. Jakie są najczęstsze błędy, które przedsiębiorstwa popełniają, próbując skalować infrastrukturę AI, i jak mogą ich uniknąć?

Wiele organizacji koncentruje się na zakupie większej ilości obliczeń, zanim zrozumie, jak efektywnie wykorzystują infrastrukturę, którą już posiadają.

Regularnie widzimy środowiska, które pozostają aktywne po zakończeniu projektów, zasoby GPU zarezerwowane dla obciążeń, które nigdy nie są uruchamiane, i niewielką widoczność w tym, które zespoły lub aplikacje napędzają koszty infrastruktury. Obciążenia AI amplifikują te niewydajności, ponieważ popyt zmienia się szybko, a infrastruktura GPU jest droga.

Rozwiązanie zaczyna się od zarządzania. Każde środowisko powinno mieć zdefiniowanego właściciela, cel biznesowy, cykl życia i profil kosztowy od momentu przydzielania. Gdy organizacje łączą przydzielanie oparte na polityce z automatycznym likwidowaniem i ciągłą widocznością w wykorzystaniu, wydatki na infrastrukturę stają się znacznie łatwiejsze do przewidzenia i uzasadnienia.

Patrząc w przyszłość, co będzie różnić organizacje, które z powodzeniem operacjonalizują AI na dużą skalę, od tych, które będą się trudzić, i jakie trendy infrastruktury powinny liderzy techniczni obserwować teraz, które wciąż są pod radarem?

Organizacje, które odnoszą sukces, będą traktować infrastrukturę AI jako zdolność operacyjną, a nie kolekcję technologii. Modele będą nadal się poprawiać, a sprzęt będzie coraz bardziej potężny. Działanie tych środowisk w sposób spójny we wszystkich zespołach i platformach pozostanie trudniejszym wyzwaniem.

Jednym z trendów, który zasługuje na więcej uwagi, jest przejście w kierunku inteligencji infrastruktury. Platformy infrastruktury zaczynają rozumieć kontekst tego, co zarządzają, kto włada środowiskiem, jaki jest jego koszt, czy jest zgodny z polityką i kiedy powinien być zoptymalizowany lub wycofany. Ten kontekst operacyjny stanie się coraz bardziej cenny, gdy przedsiębiorstwa wdrażają więcej agentów AI i bardziej heterogeniczną infrastrukturę.

Spodziewam się również, że zarządzanie stanie się przewagą konkurencyjną. Organizacje, które mogą przydzielać infrastrukturę szybko, przy jednoczesnym utrzymaniu widoczności, egzekwowania polityki, kontroli kosztów i audytu, przeniosą projekty AI z fazy pilotażu do produkcji znacznie szybciej niż te, które nadal polegają na fragmentowanych modelach operacyjnych.

Dziękuję za wspaniały wywiad, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić Quali.