Saket Saurabh, CEO i współzałożyciel Nexla – seria wywiadów

Saket Saurabh, CEO i współzałożyciel Nexla, jest przedsiębiorcą z głęboką pasją do danych i infrastruktury. Prowadzi rozwój platformy inżynierii danych następnej generacji, zaprojektowanej w celu zapewnienia skalowalności 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 również wkład w wiele innowacyjnych produktów i technologii podczas swojego pobytu w Nvidia.

Nexla umożliwia automatyzację inżynierii danych, aby dane były gotowe do użycia. Osiągają to dzięki unikalnemu podejściu Nexsets – produktów danych, które ułatwiają każdemu integrację, transformację, dostarczanie i monitorowanie danych.

Co inspirowało Ciebie do współzałożycia Nexla, i jak Twoje doświadczenia w inżynierii danych ukształtowały wizję firmy?

Przed założeniem Nexla rozpocząłem swoją podróż inżynierską w Nvidia, budując wysoko skalowalne, wysokiej jakości technologie po stronie obliczeń. Następnie poprowadziłem swój poprzedni startup przez przejęcie i IPO w dziedzinie mobilnej reklamy, 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 została publiczna, szukałem następnego wielkiego wyzwania, które mnie ekscytowało. Biorąc pod uwagę te dwa tła, było dla mnie bardzo jasne, że wyzwania związane z danymi i obliczeniami zbiegają się, ponieważ branża przesuwa się w kierunku bardziej zaawansowanych aplikacji napędzanych danymi i sztuczną inteligencją.

Chociaż nie wiedzieliśmy wtedy, że Generative AI (GenAI) rozwinie się tak szybko, jak to zrobiło, było oczywiste, że uczenie maszynowe i sztuczna inteligencja będą podstawą do wykorzystania danych. Zacząłem więc myśleć o tym, jaki rodzaj infrastruktury jest potrzebny, aby ludzie byli w stanie skutecznie pracować z danymi, i jak możemy to ułatwić nie tylko inżynierom, ale każdemu, aby wykorzystywać dane w swojej codziennej pracy zawodowej.

To doprowadziło do wizji Nexla – uproszczenia i zautomatyzowania inżynierii za danymi, ponieważ inżynieria danych była bardzo dostosowanym rozwiązaniem w większości firm, zwłaszcza przy radzeniu sobie z złożonymi lub dużymi problemami z danymi. Celem było uczynienie danych dostępnymi i przystępnymi dla szerszego grona użytkowników, nie tylko inżynierów danych. Moje doświadczenia w budowaniu skalowalnych systemów i aplikacji danych napędzały tę wizję, aby udemokratyzować dostęp do danych poprzez automatyzację i uproszczenie.

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

Nexsets ilustrują misję Nexla, aby uczynić dane gotowe do użycia dla każdego, rozwiązując podstawowe wyzwanie danych. 3V danych – objętość, prędkość i różnorodność – były trwałym problemem. Branża dokonała pewnego postępu w rozwiązywaniu wyzwań z objętością i prędkością. Jednak różnorodność danych pozostała znaczącą przeszkodą, ponieważ proliferacja nowych systemów i aplikacji doprowadziła do ciągle rosnącej 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.

Jest to kluczowe dla nowoczesnych przedsiębiorstw, ponieważ umożliwia więcej ludziom, nie tylko inżynierom danych, wykorzystywać dane w swojej codziennej pracy. Poprzez abstrahowanie od różnorodności i złożoności danych, Nexsets umożliwiają osobom z biznesu, analitykom i innym bezpośrednio współpracować z danymi, których potrzebują, bez wymagania obszernych umiejętności technicznych.

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 udemokratyzowania dostępu do danych i umożliwienia szerszemu gronu użytkowników czerpania wartości z ich aktywów informacyjnych. Jest to krytyczna zdolność dla nowoczesnych przedsiębiorstw, które starają się stać się bardziej ukierunkowanymi na dane i wykorzystywać dane napędzane spostrzeżenia w całej organizacji.

Co sprawia, że dane są “GenAI–gotowe“, i jak Nexla skutecznie rozwiązuje te wymagania?

Odpowiedź częściowo zależy 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, aby dodać kontekst jako dane wejściowe do Large Language Model (LLM), które nie zostało przeszkolone przy użyciu tych danych. Zatem dane muszą być przygotowane w taki sposób, aby dobrze działały zarówno dla wyszukiwań wektorowych, jak i dla LLM.

Niezależnie od tego, czy używasz RAG, Retrieval Augmented Fine-Tuning (RAFT) czy przeprowadzasz szkolenie modelu, istnieją kilka kluczowych wymagań:

• Format danych: GenAI LLM często działa najlepiej z danymi w określonym formacie. Dane muszą być sformatowane w taki sposób, aby modele mogły je łatwo spożytkować i przetworzyć. Powinny również być “podzielone” w taki sposób, aby pomóc LLM lepiej wykorzystać dane.
• Łączność: GenAI LLM potrzebuje dynamicznego dostępu do odpowiednich źródeł danych, zamiast polegania 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. Musisz również zarządzać danymi używanymi przez LLM, aby pomóc zapobiec naruszeniom danych.
• Skalowalność: GenAI LLM może być intensywny dla danych i obliczeń, więc podstawowa infrastruktura danych musi być w stanie skalować, aby spełnić wymagania tych modeli.

Nexla rozwiązuje te wymagania dla danych “GenAI-gotowych” kilkoma kluczowymi sposobami:

• 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 najświeższe dane, których potrzebuje, kiedy potrzebuje, 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 chunkowania danych i obsługi wielu modeli kodowania.
• Samodzielna usługa i współpraca: Z Nexla konsumentom danych nie tylko udostępnia się dostęp do danych i budowanie Nexsets i przepływów. Mogą one również współpracować i udostępniać swoją pracę za pośrednictwem rynku, który zapewnia, że dane są w odpowiednim formacie i poprawia produktywność dzięki ponownemu użyciu.
• Automatyczna generacja: Integracja i GenAI są oba trudne. 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 włącza solidne kontrole bezpieczeństwa i zarządzania na całym etapie, w tym współpracę, aby zapewnić, że wrażliwe dane przedsiębiorstwa są dostępne i używane w bezpieczny i zgodny sposób.
• Skalowalność: Platforma Nexla jest zaprojektowana, aby skalować, aby spełnić wymagania obciążeń GenAI, zapewniając niezbędną moc obliczeniową i elastyczną skalę.

Konwergentna integracja, samodzielna usługa i współpraca, automatyczna generacja, a także zarządzanie danymi są potrzebne, aby umożliwić demokratyzację danych.

Jak różnorodne typy i źródła danych przychodzą do sukcesu modeli GenAI, i jaka rolę odgrywa Nexla w ułatwianiu procesu integracji?

Modele GenAI potrzebują dostępu do wszelkiego rodzaju informacji, aby dostarczyć najlepsze spostrzeżenia i wygenerować odpowiednie dane wyjściowe. Jeśli nie zapewnisz tej informacji, nie powinieneś oczekiwać dobrych wyników. Jest to takie samo jak w przypadku ludzi.

Modele GenAI muszą być szkolone na szerokim zakresie danych, od strukturalnych baz danych po niestrukturalne dokumenty, aby zbudować kompleksowe zrozumienie świata. Różne źródła danych, takie jak artykuły prasowe, raporty finansowe i interakcje z klientami, zapewniają cenne informacje kontekstowe, które te modele mogą wykorzystać. 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, orchestruje i ładuje dane, aby konsumentom danych mogli się skoncentrować tylko na danych i na tym, aby uczynić je gotowymi do GenAI.

Jakie trendy kształtują ekosystem danych w 2025 roku i dalej, szczególnie ze wzrostem GenAI?

Firmy koncentrują się głównie na wykorzystaniu GenAI do budowy asystentów lub pilotów, aby pomóc ludziom znaleźć odpowiedzi i podjąć lepsze decyzje. Agenci AI, agenci, którzy automatyzują zadania bez udziału ludzi, to zdecydowanie rosnący trend, gdy wkraczamy 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.

Innym głównym trendem na 2025 rok jest rosnąca złożoność systemów AI. Te systemy stają się bardziej zaawansowane, łącząc komponenty z różnych źródeł, aby utworzyć spójne rozwiązania. Jest to podobne do tego, jak ludzie polegają na różnych narzędziach przez cały dzień, aby wykonać zadania. Systemy AI będą podążać tą samą ścieżką, orchestrując wiele narzędzi i komponentów. Ta orchestracja przedstawia znaczące wyzwanie, ale także kluczowy obszar rozwoju.

Z perspektywy trendów widzimy popych do rozwoju sztucznej inteligencji generatywnej poza prostym dopasowaniem wzorców do rzeczywistego rozumowania. W tej przestrzeni zachodzi wiele postępu technologicznego. Chociaż te postępy mogą nie w pełni przekładać się na wartość komercyjną w 2025 roku, reprezentują one kierunek, w którym zmierzamy.

Innym kluczowym trendem jest zwiększona aplikacja technologii przyspieszonych do inferencji AI, szczególnie ze stroną firm takich jak Nvidia. Tradycyjnie GPU były wykorzystywane głównie do szkolenia modeli AI, ale inferencja w czasie wykonywania – punkt, w którym model jest aktywnie wykorzystywany – 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. Oznacza to, że dalsze ulepszenia modeli nie będą pochodzić z dodawania więcej danych podczas szkolenia, ale z tego, jak modele działają podczas inferencji. W czasie wykonywania wykorzystywanie nowych informacji do poprawy wyników modelu staje się kluczowym punktem.

Podczas gdy niektóre ekscytujące technologie zaczynają osiągać swoje granice, nowe podejścia będą nadal pojawiać się, podkreślając wagę elastyczności dla organizacji przyjmujących AI. To, co działa dobrze dzisiaj, może stać się przestarzałe w ciągu sześciu miesięcy do roku, więc musisz być przygotowany, aby dodać lub zastąpić źródła danych i dowolne komponenty swoich potoków AI. Utrzymywanie elastyczności i otwartości na zmiany jest kluczowe do utrzymania się w szybko ewoluującym krajobrazie.

Jakie strategie mogą przedsiębiorstwa przyjąć, aby rozbić silo danych i poprawić przepływ danych między systemami?

Po pierwsze, ludzie muszą zaakceptować, że silosy danych zawsze będą istniały. Zawsze tak było. Wiele organizacji próbuje scentralizować wszystkie swoje dane w jednym miejscu, wierząc, że stworzy to idealne rozwiązanie i odblokuję znaczącą wartość, ale okazuje się to niemal niemożliwe. Często staje się to długotrwałym, kosztownym przedsięwzięciem, szczególnie dla dużych przedsiębiorstw.

Więc rzeczywistością jest, że silosy danych pozostaną. Gdy tylko to zaakceptujemy, pytanie staje się: Jak możemy efektywniej pracować z silosami danych?

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 wobec tej naturalnej podziału, ale upewnienie się, że te biura mogą efektywnie współpracować. Dlatego inwestujemy w narzędzia produktywności, takie jak Zoom lub Slack, aby połączyć ludzi i umożliwić bezproblemowe przepływy pracy w różnych lokalizacjach.

Podobnie silosy danych są fragmentowanymi systemami, które zawsze będą istniały w zespołach, działach lub innych granicach. Kluczem nie jest ich eliminowanie, ale sprawienie, by współpracowały gładko. Właśnie dlatego inwestujemy w technologie, 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 silosów danych, upraszczają proces współpracy z danymi rozproszonymi w różnych silosach. To tworzy wydajność i minimalizuje negatywne skutki silosów.

W istocie strategia powinna polegać na poprawie współpracy między silosami, a nie na próbach ich zwalczania. Wiele przedsiębiorstw popełnia błąd, próbując skonsolidować wszystko w ogromnym jeziorze danych. Ale, aby być szczerym, to niemal nie do pokonania bitwa.

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

Widzę to w ten sposób, 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 obejmowała rozwój rozwiązań punktowych, czyli narzędzi zaprojektowanych do rozwiązania konkretnych, wąsko określonych problemów.

Gdy mówimy o skalowalności, ludzie często myślą o skalowaniu w kierunku obsługi większych wolumenów 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, którymi muszą zarządzać organizacje.

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

Nexla rozwiązuje ten problem, zachowując równowagę między łatwością użycia a elastycznością. Z jednej strony oferujemy prostotę dzięki funkcjom takim jak szablony i przyjazne interfejsy użytkownika. Z drugiej strony oferujemy elastyczność i możliwości przyjazne dla deweloperów, które pozwalają zespołom ciągle udoskonalać platformę. Deweloperzy mogą dodawać nowe możliwości do systemu, ale te ulepszenia pozostają dostępne jako proste przyciski i kliknięcia dla użytkowników niebędących technicznymi. To podejście unika pułapki nadmiernie wyspecjalizowanych narzędzi, jednocześnie dostarczając szeroki zakres funkcjonalności na poziomie przedsiębiorstwa.

To, co naprawdę wyróżnia Nexla, to jego zdolność do łączenia 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 wizualnie zaprojektować 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 wymagania od użytkowników zarządzania tymi złożonościami ręcznie.

Platforma jest również luźno sprzężona, co oznacza, że systemy źródłowe i docelowe są od siebie oddzielone. 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 specyfiki języka 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 do dostępu do danych, niezależnie od ich pochodzenia. Priorytetowanie doświadczenia konsumenta pozwoliło nam zaprojektować platformę, która upraszcza dostęp do danych, jednocześnie zachowując elastyczność niezbędną do obsługi różnorodnych przypadków użycia.

Czy możesz podzielić się przykładami, jak cechy bezkode i niskokodowe przekształciły proces inżynierii danych dla Twoich klientów?

Cechy bezkode i niskokodowe przekształciły proces inżynierii danych w prawdziwie współpracujące doświadczenie dla użytkowników. Na przykład w przeszłości zespół operacji konta DoorDash, który zarządza danymi dla kupców, musiał dostarczyć wymagania zespołowi inżynierskiemu. Inżynierowie budowali rozwiązania, prowadząc do iteracyjnego procesu, który zużywał dużo czasu.

Teraz, dzięki narzędziom bezkode i niskokodowym, ta dynamika uległa zmianie. Dzienny zespół operacji może używać interfejsu niskokodowego, aby obsłużyć swoje zadania bezpośrednio. Zespół inżynierski może szybko dodawać nowe funkcje i możliwości za pomocą tego samego interfejsu niskokodowego, umożliwiając natychmiastowe aktualizacje. Zespół operacyjny może następnie bezproblemowo korzystać z tych funkcji bez opóźnień.

Ta zmiana przekształciła proces w współpracę, a nie w twórczy wąskie gardło, skutkując znaczącymi oszczędnościami czasu. Klienci zgłaszali, że zadania, które wcześniej zajmowały dwa do trzech miesięcy, mogą teraz być wykonane w ciągu mniej niż dwóch tygodni – 5-krotna do 10-krotna poprawa prędkości.

Jak rola inżynierii danych ewoluuje, szczególnie ze wzrostem przyjmowania 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 efektywne. Na przykład z GenAI tempo, w jakim łączniki mogą być generowane, przetestowane i wdrożone, znacznie się poprawiło. Jednak ten postęp wprowadza również nowe wyzwania, w tym rosnącą złożoność, problemy z bezpieczeństwem i potrzebę solidnego zarządzania.

Jednym z pilnych problemów jest potencjalne niewłaściwe wykorzystanie danych przedsiębiorstwa. Firmy martwią się, że ich własne dane zostaną przypadkowo użyte do szkolenia modeli AI i stracą przewagę konkurencyjną lub doświadczą naruszenia danych, gdy dane zostaną udostępnione innym. Rosnąca złożoność systemów i ogromna ilość danych wymagają, aby zespoły inżynierskie 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.

Chociaż sztuczna inteligencja generatywna 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 normami zarządzania i monitorowanie, w jaki sposób dane wygenerowane przez AI są wykorzystywane w decyzjach biznesowych.

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

Inną kluczową odpowiedzialnością zespołów inżynierskich 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 wykorzystywane przez osoby na obrzeżach organizacji, takich jak agenci wsparcia klienta, którzy mogą nie mieć ekspertyzy, aby zakwestionować niepoprawne dane wyjściowe. To szersze upowszechnienie technologii zwiększa odpowiedzialność zespołów inżynierskich za zapewnienie dokładności i niezawodności danych.

Co nowych funkcji lub postępów można oczekiwać od Nexla, podczas gdy dziedzina inżynierii danych kontynuuje swój rozwój?

Koncentrujemy się na kilku postępach, aby rozwiązać nowe wyzwania i możliwości, gdy inżynieria danych kontynuuje ewolucję. Jednym z nich są rozwiązania oparte na AI, aby rozwiązać różnorodność 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 kupców, system może automatycznie zamapować je na standardową strukturę. Dziś ten proces często wymaga znaczącego wkładu ludzkiego, ale zdolności oparte na AI Nexla mają na celu zminimalizowanie ręcznej pracy i poprawę wydajności.

Jesteśmy również zaawansowani w naszej technologii łączników, aby wesprzeć 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.

Trzecią rzeczą, nad którą pracujemy, jest udoskonalenie monitorowania i zapewnienia jakości. Gdy więcej użytkowników korzysta z danych w różnych systemach, znaczenie monitorowania i zapewnienia jakości danych znacznie wzrosło. 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 również podejmuje kroki, aby otworzyć część naszych 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.