Saket Saurabh, CEO i współzałożyciel Nexla – wywiad

Saket Saurabh, CEO i współzałożyciel Nexla, jest przedsiębiorcą z głęboką pasją do danych i infrastruktury. Prowadzi rozwój platformy inżynierii danych nowej generacji, która ma na celu zapewnienie skali i prędkości osobom pracującym z danymi.

Wcześniej Saurabh założył udany startup mobilny, który osiągnął znaczące kamienie milowe, w tym przejęcie, IPO i wzrost do wielomilionowego biznesu. Wniósł także wkład w wiele innowacyjnych produktów i technologii podczas swojego pobytu w Nvidia (NVDA ).

Nexla umożliwia automatyzację inżynierii danych, dzięki czemu dane mogą być gotowe do użycia. Osiąga to dzięki unikalnemu podejściu do Nexsets – produktów danych, które ułatwiają każdemu integrację, transformację, dostarczanie i monitorowanie danych.

Co zainspirowało Cię do współzałożenia Nexla, a jak Twoje doświadczenia w inżynierii danych ukształtowały Twoją wizję dla firmy?

 Przed założeniem Nexla, rozpocząłem swoją podróż w inżynierii danych w Nvidia, budując wysoko skalowalne, wysokiej jakości technologie po stronie obliczeniowej. Następnie poprowadziłem swoją poprzednią firmę przez przejęcie i IPO w przestrzeni mobilnej, gdzie duże ilości danych i uczenie maszynowe były kluczową częścią naszej oferty, przetwarzając około 300 miliardów rekordów danych każdego dnia.

Patrząc na krajobraz w 2015 roku, po tym jak moja poprzednia firma poszła publicznie, szukałem następnego dużego wyzwania, które mnie ekscytowało. Biorąc pod uwagę te dwie tło, było dla mnie bardzo jasne, że wyzwania związane z danymi i obliczeniami się zbiegają, ponieważ branża przesuwała się w kierunku bardziej zaawansowanych aplikacji napędzanych danymi i sztuczną inteligencją.

Pomyślałem o tym, jaki rodzaj infrastruktury jest potrzebny, aby ludzie mogli odnieść sukces w pracy z danymi i jak możemy to ułatwić, aby każdy, a nie tylko inżynierowie, mogli wykorzystywać dane w swojej codziennej pracy zawodowej.

To doprowadziło do wizji Nexla – aby uprościć i zautomatyzować inżynierię za danymi, ponieważ inżynieria danych była bardzo dostosowanym rozwiązaniem w większości firm, zwłaszcza przy pracy z złożonymi lub dużymi problemami z danymi. Celem było uczynienie danych dostępnymi i przystępnymi dla szerszego grona użytkowników, a nie tylko inżynierów danych. Moje doświadczenia w budowaniu skalowalnych systemów danych i aplikacji napędzały tę wizję, aby udostępnić dane wszystkim poprzez automatyzację i uproszczenie.

Jak Nexsets uosabiają misję Nexla, aby uczynić dane gotowe do użycia dla wszystkich, i dlaczego ta innowacja jest kluczowa dla nowoczesnych przedsiębiorstw?

Nexsets uosabiają misję Nexla, aby uczynić dane gotowe do użycia dla wszystkich, rozwiązując podstawowe wyzwanie związane z danymi. 3V danych – objętość, prędkość i różnorodność – były trwałym problemem. Branża dokonała pewnego postępu w rozwiązywaniu wyzwań związanych z objętością i prędkością. Jednak różnorodność danych pozostała znaczącą przeszkodą, ponieważ proliferacja nowych systemów i aplikacji doprowadziła do coraz większej różnorodności struktur i formatów danych.

Podejście Nexla polega na automatycznym modelowaniu i łączeniu danych z różnych źródeł w spójną, zapakowaną jednostkę, produkt danych, który nazywamy Nexset. To pozwala użytkownikom uzyskać dostęp i pracować z danymi bez konieczności zrozumienia podstawowej złożoności różnych źródeł i struktur danych. Nexset działa jako brama, zapewniając prosty, przejrzysty interfejs do danych.

To jest kluczowe dla nowoczesnych przedsiębiorstw, ponieważ umożliwia więcej ludziom, a nie tylko inżynierom danych, wykorzystywać dane w swojej codziennej pracy. Abstrahując od różnorodności i złożoności danych, Nexsets umożliwiają osobom biznesowym, analitykom i innym bezpośrednio współpracować z danymi, których potrzebują, bez wymogu rozległej wiedzy technicznej.

Pracowaliśmy również nad ułatwieniem integracji dla mniej technicznych konsumentów danych – od interfejsu użytkownika i sposobu, w jaki ludzie współpracują i zarządzają danymi, do tego, jak budują transformacje i przepływy. Abstrahowanie złożoności danych jest kluczem do udostępnienia danych i umocnienia szerszego grona użytkowników do wykorzystania ich informacyjnych aktywów. To jest krytyczna zdolność dla nowoczesnych przedsiębiorstw, które starają się stać bardziej opartymi na danych i wykorzystywać dane napędzane spostrzeżenia w całej organizacji.

Co sprawia, że dane są „gotowe do GenAI”, i jak Nexla skutecznie rozwiązuje te wymagania?

Odpowiedź zależy częściowo od tego, jak używasz GenAI. Większość firm wdraża GenAI Retrieval Augmented Generation (RAG). To wymaga najpierw przygotowania i zakodowania danych do załadowania do bazy danych wektorowej, a następnie pobierania danych za pomocą wyszukiwania jako kontekstu wejścia do Large Language Model (LLM), który nie został przeszkolony przy użyciu tych danych. Zatem dane muszą być przygotowane w taki sposób, aby działały dobrze zarówno dla wyszukiwań wektorowych, jak i dla LLM.

Niezależnie od tego, czy używasz RAG, Retrieval Augmented Fine-Tuning (RAFT) czy szkolenia modelu, istnieją pewne kluczowe wymagania:

• Format danych: GenAI LLM często działa najlepiej z danymi w określonym formacie. Dane muszą być strukturalne w taki sposób, aby modele mogły je łatwo spożytkować i przetworzyć. Powinny być również „podzielone” w taki sposób, aby pomóc LLM lepiej wykorzystywać dane.
• Łączność: GenAI LLM musi mieć możliwość dynamicznego dostępu do odpowiednich źródeł danych, a nie polegać na statycznych zestawach danych. To wymaga ciągłej łączności z różnymi systemami przedsiębiorstwa i repozytoriami danych.
• Bezpieczeństwo i zarządzanie: Podczas korzystania z wrażliwych danych przedsiębiorstwa, kluczowe jest posiadanie solidnych kontroli bezpieczeństwa i zarządzania. Dostęp do danych i ich użycie muszą być bezpieczne i zgodne z istniejącymi politykami organizacyjnymi. Trzeba również zarządzać danymi wykorzystywanymi przez LLM, aby pomóc zapobiec naruszeniom danych.
• Skalowalność: GenAI LLM może być danych i obliczeń intensywny, więc podstawowa infrastruktura danych musi być w stanie skalować, aby spełnić wymagania tych modeli.

Nexla rozwiązuje te wymagania dla danych gotowych do GenAI na kilka kluczowych sposobów:

• Dynamiczny dostęp do danych: platforma integracji danych Nexla zapewnia jeden sposób połączenia z setkami źródeł i używa różnych stylów integracji i prędkości danych, wraz z orchestracją, aby zapewnić GenAI LLM najnowsze dane, których potrzebują, zamiast polegać na statycznych zestawach danych.
• Przygotowanie danych: Nexla ma możliwość wyodrębnienia, transformacji i przygotowania danych w formatach zoptymalizowanych dla każdego przypadku użycia GenAI, w tym wbudowanego podziału danych i obsługi wielu modeli kodowania.
• Samodzielna obsługa i współpraca: z Nexla, konsumenci danych nie tylko uzyskują dostęp do danych i budują Nexsets i przepływy. Mogą również współpracować i udostępniać swoją pracę za pomocą rynku, który zapewnia, że dane są w odpowiednim formacie i poprawia produktywność dzięki ponownemu użyciu.
• Automatyczna generacja: Nexla automatycznie generuje wiele kroków potrzebnych na podstawie wyborów dokonanych przez konsumenta danych – przy użyciu AI i innych technik – aby użytkownicy mogli wykonywać pracę samodzielnie.
• Zarządzanie i bezpieczeństwo: Nexla wbudowuje solidne kontrole bezpieczeństwa i zarządzania na całej swojej długości, w tym współpracę, aby zapewnić, że wrażliwe dane przedsiębiorstwa są dostępne i używane w sposób bezpieczny i zgodny.
• Skalowalność: platforma Nexla jest zaprojektowana, aby skalować, aby spełnić wymagania obciążeń GenAI, zapewniając niezbędną moc obliczeniową i elastyczną skalę.

Converged integration, self-service i współpraca, automatyczna generacja i zarządzanie danymi muszą być zbudowane razem, aby umożliwić demokratyzację danych.

Jak różnorodne typy i źródła danych przyczyniają się do sukcesu modeli GenAI, i jaka rola Nexla w uproszczeniu procesu integracji?

Modele GenAI potrzebują dostępu do wszelkiego rodzaju informacji, aby dostarczyć najlepsze spostrzeżenia i wygenerować istotne dane wyjściowe. Jeśli nie zapewnisz tej informacji, nie powinieneś oczekiwać dobrych wyników. To takie same jak z ludźmi.

Modele GenAI muszą być szkolone na szerokim zakresie danych, od baz danych po nieustrukturyzowane dokumenty, aby zbudować kompleksowe zrozumienie świata. Różne źródła danych, takie jak artykuły prasowe, raporty finansowe i interakcje z klientami, dostarczają cennych informacji kontekstowych, których mogą wykorzystywać te modele. Ekspozycja na różnorodne dane pozwala również modelom GenAI stać się bardziej elastycznymi i adaptacyjnymi, umożliwiając im radzenie sobie z szerszym zakresem zapytań i zadań.

Nexla abstrahuje różnorodność wszystkich tych danych za pomocą Nexsets i ułatwia dostęp do niemal każdego źródła, a następnie wyodrębnia, transformuje, orchestrates i ładowania danych, aby konsumenci danych mogli skupić się tylko na danych i na tym, aby uczynić je gotowymi do GenAI.

Jakie trendy kształtują ekosystem danych w 2025 roku i dalej, zwłaszcza z uwzględnieniem wzrostu GenAI?

Firmy koncentrują się głównie na używaniu GenAI do budowy asystentów lub pilotów, aby pomóc ludziom znaleźć odpowiedzi i podjąć lepsze decyzje. Agentic AI, agenci, którzy automatyzują zadania bez udziału ludzi, jest pewnym rosnącym trendem, gdy wchodzimy w 2025 rok. Agenci, podobnie jak piloci, potrzebują integracji, aby zapewnić, że dane płyną bezproblemowo – nie tylko w jednym kierunku, ale także w umożliwianiu AI do działania na tych danych.

Inny główny trend na 2025 rok to rosnąca złożoność systemów AI. Te systemy stają się bardziej zaawansowane, łącząc komponenty z różnych źródeł, aby stworzyć spójne rozwiązania. To podobne do tego, jak ludzie polegają na różnych narzędziach w ciągu dnia, aby wykonać zadania. Systemy AI będą podążać tym samym podejściem, orchestrując wiele narzędzi i komponentów. To przedstawia znaczące wyzwanie, ale także kluczowy obszar rozwoju.

Pod względem trendów widzimy popych GenAI do przekroczenia prostego dopasowania wzorców do rzeczywistego rozumowania. W tym obszarze zachodzi wiele postępu technologicznego. Chociaż te postępy mogą nie w pełni przekładać się na wartość komercyjną w 2025 roku, reprezentują kierunek, w którym idziemy.

Inny kluczowy trend to zwiększona aplikacja przyspieszonych technologii do wnioskowania AI, zwłaszcza ze stronami takimi jak Nvidia. Tradycyjnie GPU były wykorzystywane głównie do szkolenia modeli AI, ale inferencja czasu rzeczywistego – punkt, w którym model jest aktywnie używany – staje się równie ważna. Możemy oczekiwać postępów w optymalizacji inferencji, czyniąc ją bardziej wydajną i wpływową.

Ponadto jest uznanie, że dostępne dane szkoleniowe zostały w dużej mierze wyczerpane. To oznacza, że dalsze ulepszenia modeli nie będą pochodzić z dodawania więcej danych podczas szkolenia, ale z tego, jak modele działają podczas inferencji. W czasie rzeczywistym wykorzystywanie nowych informacji do poprawy wyników modelu staje się kluczowym punktem skupienia.

Pomimo że niektóre ekscytujące technologie zaczynają osiągać swoje granice, nowe podejścia będą nadal pojawiać się, ostatecznie podkreślając wagę elastyczności dla organizacji, które przyjmują AI. To, co działa dobrze dzisiaj, może stać się przestarzałe w ciągu sześciu miesięcy do roku, więc trzeba być przygotowanym, aby dodać lub zastąpić źródła danych i dowolne komponenty AI. Pozostawanie elastycznym i otwartym na zmiany jest kluczowe, aby nadążyć za szybko ewoluującym krajobrazem.

Jakie strategie mogą przyjąć organizacje, aby zniszczyć sylwy danych i poprawić przepływ danych w swoich systemach?

Po pierwsze, ludzie muszą zaakceptować, że sylwy danych zawsze będą istniały. To zawsze było takie. Wiele organizacji próbuje scentralizować wszystkie swoje dane w jednym miejscu, wierząc, że stworzy to idealną sytuację i odblokuje znaczącą wartość, ale to okazuje się niemal niemożliwe. Często staje się to długim, kosztownym przedsięwzięciem, zwłaszcza dla dużych przedsiębiorstw.

Więc rzeczywistością jest, że sylwy danych pozostaną. Gdy tylko zaakceptujemy to, pytanie staje się: Jak możemy pracować z sylwami danych bardziej wydajnie?

Pomocna analogia jest myślenie o dużych firmach. Żadna duża korporacja nie działa z jednego biura, w którym wszyscy pracują razem na całym świecie. Zamiast tego dzielą się na centralę i wiele biur. Celem nie jest opór przeciwko temu naturalnemu podziałowi, ale upewnienie się, że te biura mogą współpracować skutecznie. Dlatego inwestujemy w narzędzia produktywności, takie jak Zoom lub Slack, aby połączyć ludzi i umożliwić bezproblemowe przepływy pracy w różnych lokalizacjach.

Podobnie sylwy danych są fragmentowanymi systemami, które zawsze będą istniały w zespołach, działach lub innych granicach. Kluczem nie jest ich eliminowanie, ale sprawienie, aby współpracowały gładko. Wiedząc o tym, możemy skoncentrować się na technologiach, które ułatwiają te połączenia.

Na przykład technologie takie jak Nexsets zapewniają wspólny interfejs lub warstwę abstrakcji, która działa na różnych źródłach danych. Działając jako brama do sylw danych, upraszczają proces współpracy z danymi rozproszonymi w różnych sylwach. To tworzy wydajność i minimalizuje negatywne skutki sylw.

W istocie strategia powinna polegać na poprawie współpracy między sylwami, a nie na próbach ich zwalczania. Wiele przedsiębiorstw popełnia błąd, próbując skonsolidować wszystko w jeden wielki zbiornik danych. Ale, aby być szczerym, to niemal niemożliwa walka do wygrania.

Jak nowoczesne platformy danych radzą sobie z wyzwaniami takimi jak prędkość i skalowalność, i co wyróżnia Nexla w rozwiązywaniu tych problemów?

Widzę to w ten sposób, że wiele narzędzi w nowoczesnym stosie danych zostało początkowo zaprojektowanych z naciskiem na łatwość użycia i szybkość rozwoju, co wynikało z uczynienia tych narzędzi bardziej dostępnymi – umożliwiając analitykom marketingu przenieść dane z platformy marketingowej bezpośrednio do narzędzia wizualizacji, na przykład. Ewolucja tych narzędzi często wiązała się z rozwojem rozwiązań punktowych, czyli narzędzi zaprojektowanych do rozwiązania konkretnych, wąsko zdefiniowanych problemów.

Gdy mówimy o skalowalności, ludzie często myślą o skalowalności w kategoriach obsługi większych ilości danych. Ale prawdziwe wyzwanie skalowalności wynika z dwóch głównych czynników: rosnącej liczby ludzi, którzy muszą pracować z danymi, oraz rosnącej różnorodności systemów i typów danych, które organizacje muszą zarządzać.

Nowoczesne narzędzia, będąc wysoko wyspecjalizowanymi, rozwiązują tylko niewielką część tych wyzwań. W efekcie organizacje kończą z użyciem wielu narzędzi, z których każde rozwiązuje jeden problem, co ostatecznie tworzy własne wyzwania, takie jak przeciążenie narzędziami i niewydajność.

Nexla rozwiązuje ten problem, znajdując delikatną równowagę między łatwością użycia a elastycznością. Z jednej strony zapewniamy prostotę dzięki funkcjom takim jak szablony i przyjazne interfejsy. Z drugiej strony oferujemy elastyczność i możliwości przyjazne dla deweloperów, które pozwalają zespołom na ciągłe udoskonalanie platformy. Deweloperzy mogą dodawać nowe możliwości do systemu, ale te udoskonalenia pozostają dostępne jako proste przyciski i kliknięcia dla użytkowników niebędących technicznymi. To podejście unika pułapki zbyt wyspecjalizowanych narzędzi, jednocześnie dostarczając szeroki zakres funkcjonalności klasy przedsiębiorstwa.

To, co naprawdę wyróżnia Nexla, to zdolność do połączenia łatwości użycia z skalowalnością i zakresem wymaganym przez organizacje. Nasza platforma łączy te dwa światy bezproblemowo, umożliwiając zespołom efektywną pracę bez kompromisów w zakresie mocy lub elastyczności.

Jedną z głównych sił Nexla jest jego architektura abstrakcyjna. Na przykład, podczas gdy użytkownicy mogą projektować wizualnie potok danych, sposób, w jaki ten potok jest wykonywany, jest wysoko adaptacyjny. W zależności od wymagań użytkownika – takich jak źródło, miejsce docelowe lub czy dane muszą być w czasie rzeczywistym – platforma automatycznie mapuje potok do jednego z sześciu różnych silników. To zapewnia optymalną wydajność bez wymogu ręcznego zarządzania tymi złożonościami.

Platforma jest również luźno sprzężona, co oznacza, że systemy źródłowe i systemy docelowe są odłączone. To pozwala użytkownikom łatwo dodawać więcej miejsc docelowych do istniejących źródeł, dodawać więcej źródeł do istniejących miejsc docelowych i umożliwiać dwukierunkowe integracje między systemami.

Co więcej, Nexla abstrahuje projektowanie potoków, aby użytkownicy mogli obsługiwać dane wsadowe, dane strumieniowe i dane w czasie rzeczywistym bez zmiany swoich przepływów lub projektów. Platforma automatycznie dostosowuje się do tych potrzeb, ułatwiając użytkownikom pracę z danymi w dowolnym formacie lub prędkości. To jest bardziej kwestia przemyślanego projektu niż konkretnych języków programowania, zapewniając bezproblemowe doświadczenie.

Wszystko to ilustruje, że zbudowaliśmy Nexla z myślą o końcowym konsumentach danych. Wiele tradycyjnych narzędzi zostało zaprojektowanych dla tych, którzy produkują dane lub zarządzają systemami, ale my koncentrujemy się na potrzebach konsumentów danych, którzy chcą spójnych, prostych interfejsów, aby uzyskać dostęp do danych, niezależnie od ich źródła. Priorytetowanie doświadczenia konsumenta umożliwiło nam zaprojektowanie platformy, która upraszcza dostęp do danych, jednocześnie zachowując elastyczność niezbędną do obsługi różnych przypadków użycia.

Czy nowoczesne funkcje bez kodu i niskiego kodu przekształciły inżynierię danych dla Twoich klientów?

Funkcje bez kodu i niskiego kodu przekształciły proces inżynierii danych w prawdziwe współpracę dla użytkowników. Na przykład, w przeszłości zespół operacji konta DoorDash , który zarządza danymi dla sprzedawców, musiał dostarczać wymagania do zespołu inżynierskiego. Inżynierowie budowali rozwiązania, prowadząc do iteracyjnego procesu, który pochłaniał dużo czasu.

Teraz, dzięki narzędziom bez kodu i niskiego kodu, ta dynamika się zmieniła. Dzienny zespół operacji może używać interfejsu niskiego kodu, aby wykonywać swoje zadania bezpośrednio. Tymczasem zespół inżynierski może szybko dodawać nowe funkcje i możliwości za pomocą tego samego interfejsu niskiego kodu, umożliwiając natychmiastowe aktualizacje. Zespół operacji może następnie bezproblemowo korzystać z tych funkcji bez opóźnień.

Ta zmiana przekształciła proces w współpracę, a nie w twórczy wąskie gardło, prowadząc do znaczących oszczędności czasu. Klienci zgłaszali, że zadania, które wcześniej zajmowały od dwóch do trzech miesięcy, teraz mogą być wykonane w ciągu dwóch tygodni – co oznacza 5-krotną do 10-krotną poprawę prędkości.

Jak rozwija się rola inżynierii danych, zwłaszcza wraz ze wzrostem adopcji AI?

Inżynieria danych ewoluuje szybko, napędzana przez automatyzację i postępy, takie jak GenAI. Wiele aspektów tej dziedziny, takich jak generowanie kodu i tworzenie łączników, staje się szybsze i bardziej wydajne. Na przykład, z GenAI, tempo, w jakim łączniki mogą być generowane, testowane i wdrażane, znacznie się poprawiło. Jednak ten postęp wprowadza również nowe wyzwania, w tym zwiększoną złożoność, obawy bezpieczeństwa i potrzebę solidnych mechanizmów zarządzania.

Jednym z pilnych problemów jest potencjalne nadużycie danych przedsiębiorstwa. Firmy martwią się o swoje własne dane, które nieumyślnie mogą być używane do szkolenia modeli AI i utraty przewagi konkurencyjnej lub doświadczenia naruszenia danych, gdy dane są przecieka do innych. Rosnąca złożoność systemów i ogromna ilość danych wymagają, aby zespoły inżynierii danych przyjęły szerszą perspektywę, koncentrując się na ogólnych problemach systemowych, takich jak bezpieczeństwo, zarządzanie i zapewnienie integralności danych. Te wyzwania nie mogą być rozwiązane wyłącznie przez AI.

Pomimo że generatywna AI może zautomatyzować zadania niższego poziomu, rola inżynierii danych przesuwa się w kierunku orchestracji szerszego ekosystemu. Inżynierowie danych działają teraz bardziej jak dyrygenci, zarządzając licznymi połączonymi komponentami i procesami, takimi jak ustawianie zabezpieczeń, aby zapobiec błędom lub nieautoryzowanemu dostępowi, zapewnianie zgodności z standardami zarządzania i monitorowanie, w jaki sposób wygenerowane dane wyjściowe AI są używane w decyzjach biznesowych.

Błędy i pomyłki w tych systemach mogą być kosztowne. Na przykład, systemy AI mogą pobierać nieaktualne informacje o polityce, prowadząc do niepoprawnych odpowiedzi, takich jak obietnica zwrotu pieniędzy klientowi, gdy nie jest to dozwolone. Te rodzaje problemów wymagają surowego nadzoru i dobrze zdefiniowanych procesów, aby wyłapać i rozwiązać te błędy, zanim wpłyną na firmę.

Inną kluczową odpowiedzialnością zespołów inżynierii danych jest adaptacja do zmiany demografii użytkowników. Narzędzia AI nie są już ograniczone do analityków lub użytkowników technicznych, którzy mogą kwestionować ważność raportów i danych. Te narzędzia są teraz używane przez osoby na obrzeżach organizacji, takie jak agenci wsparcia klienta, którzy mogą nie mieć ekspertyzy, aby zakwestionować niepoprawne dane wyjściowe. To szersze udostępnianie technologii zwiększa odpowiedzialność zespołów inżynierii danych, aby zapewnić dokładność i niezawodność danych.

Jakie nowe funkcje lub postępy można oczekiwać od Nexla, gdy dziedzina inżynierii danych będzie nadal rosła?

Skoncentrowani jesteśmy na kilku postępach, aby rozwiązać nowe wyzwania i możliwości, gdy inżynieria danych będzie nadal ewoluować. Jednym z nich jest AI-driven rozwiązanie do rozwiązania różnorodności danych. Jednym z głównych wyzwań w inżynierii danych jest zarządzanie różnorodnością danych z różnych źródeł, więc wykorzystujemy AI, aby uproszczyć ten proces. Na przykład, gdy otrzymujemy dane z setek różnych sprzedawców, system może automatycznie mapować je do standardowej struktury. Dziś ten proces często wymaga znaczącego wkładu ludzkiego, ale zdolności AI Nexla mają na celu zminimalizowanie ręcznej pracy i poprawę wydajności.

Pracujemy również nad rozwojem naszej technologii łączników, aby obsłużyć następną generację przepływów danych, w tym możliwość łatwego generowania nowych agentów. Ci agenci umożliwiają bezproblemowe połączenia z nowymi systemami i pozwalają użytkownikom wykonywać określone akcje w tych systemach. To jest szczególnie ukierunkowane na rosnące potrzeby użytkowników GenAI i ułatwia integrację i interakcję z różnymi platformami.

Trzeci, kontynuujemy innowacje w zakresie poprawy monitorowania i zapewnienia jakości. Gdy więcej użytkowników korzysta z danych w różnych systemach, ważność monitorowania i zapewnienia jakości danych znacznie wzrosła. Naszym celem jest dostarczenie solidnych narzędzi do monitorowania systemów i zapewnienia jakości, aby dane pozostały niezawodne i przydatne, nawet gdy użytkowanie się skaluje.

Wreszcie, Nexla podejmuje kroki, aby otworzyć część swoich podstawowych możliwości. Myślimy, że dzieląc się naszą technologią z szerszą społecznością, możemy umożliwić więcej ludziom skorzystanie z zaawansowanych narzędzi i rozwiązań inżynierii danych, co ostatecznie odzwierciedla nasze zaangażowanie w promowanie innowacji i współpracę w tej dziedzinie.

Dziękujemy za wspaniałe odpowiedzi, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić Nexla.