Ian Leysen, CEO și co-fondator al Datadobi – Seria de interviuri

Ian Leysen, CEO și co-fondator al Datadobi, este un executiv în tehnologie cu peste trei decenii de experiență în inginerie software, asigurarea calității și managementul datelor la nivel enterprise. A co-fondat Datadobi în 2009 după ce a petrecut opt ani la EMC în calitate de Senior Manager of Quality Assurance, precedat de roluri de conducere la Mediagenix și Wave Research. Pe parcursul carierei sale, Leysen s-a concentrat intens pe construirea de organizații de inginerie software de înaltă calitate, înființând de la zero trei echipe de asigurare a calității. La Datadobi, el supraveghează o companie axată pe ajutorul marilor întreprinderi în gestionarea, guvernarea, migrarea și protejarea datelor nestructurate în medii on‑premises, cloud și hibride. Compania a evoluat dincolo de rădăcinile sale în migrarea de date la scară largă pentru a oferi StorageMAP, o platformă neutră față de furnizori, concepută să ofere organizațiilor o vizibilitate și un control sporit asupra complexelor ecosisteme de date nestructurate, inclusiv pregătirea datelor enterprise pentru inițiative AI.

Datadobi ajută întreprinderile să obțină o vizibilitate și un control mai mari asupra volumelor în creștere rapidă de date nestructurate. Software‑ul său poate scana miliarde de fișiere pentru a identifica date învechite, duplicate, lacune de proprietate și riscuri potențiale, aplicând în același timp metadate și etichete de clasificare care susțin guvernanța și politicile automatizate pentru arhivare, ștergere și retenție. Acest aspect a devenit din ce în ce mai important pe măsură ce organizațiile pregătesc datele enterprise pentru AI generativ, unde informațiile slab înțelese sau învechite pot genera zgomot, probleme de conformitate și riscuri de securitate. Datadobi permite, de asemenea, companiilor să identifice seturi de date potențial valoroase, să le organizeze pentru utilizare ulterioară și să mute informațiile selectate în lacuri de date sau lakehouses, menținând trasabilitatea și guvernanța. Platforma oferă, în plus, informații privind costurile de stocare și impactul de carbon, ajutând organizațiile să ia decizii mai bine informate despre ce date să păstreze și unde ar trebui să fie stocate.

Aţi petrecut opt ani conducând asigurarea calităţii la EMC înainte de a co‑fonda Datadobi în 2010. Ce aţi observat în mediile de stocare și date enterprise la scară largă care v‑a convins că există o companie de înființat și cum a evoluat viziunea inițială pe măsură ce datele nestructurate au devenit din ce în ce mai importante pentru AI?

La EMC, am petrecut ani urmărind cum întreprinderile investeau masiv în infrastructura de stocare, având aproape deloc vizibilitate asupra a ceea ce era efectiv stocat. Eram excelenți în a ajuta clienții să stocheze și să protejeze datele, dar nimeni nu punea întrebarea mai dificilă: ce reprezintă aceste date, cine le deține, mai are cineva nevoie de ele și care este valoarea lor? Acea diferență dintre capacitatea infrastructurii și înțelegerea datelor reprezenta oportunitatea. Am înființat Datadobi pentru a ajuta organizațiile să mute și să gestioneze datele nestructurate inteligent, nu doar să le transfere de la un array la altul.

Ceea ce s‑a schimbat sunt mizele. Acum cincisprezece ani, un share de fișiere neadministrat reprezenta o problemă de cost și conformitate. Astăzi, același share neadministrat devine o responsabilitate în momentul în care cineva îl direcționează către un model sau agent AI. Datele nestructurate au trecut de la a fi ceva ce organizațiile stochează la a fi elementul care determină dacă inițiativele lor AI reușesc sau eșuează. Ideea noastră inițială, că infrastructura de stocare singură nu poate spune ce înseamnă datele pentru afacere, nu s‑a schimbat. Doar că a devenit urgentă într-un mod în care nu a fost niciodată înainte.

Aţi susținut că AI generativ nu a creat problema datelor enterprise, ci a expus și accelerat probleme care există de decenii. Care sunt cele mai mari slăbiciuni pe care AI le dezvăluie acum în modul în care organizațiile au gestionat istoric datele?

Organizațiile au avut dificultăți în a înțelege datele enterprise de decenii. AI nu a creat această dificultate, ci a eliminat locurile în care acestea se ascundeau. Când datele stăteau liniștite pe un share de fișiere sau într-un arhiv, nimeni nu trebuia să răspundă pentru conținutul lor. În momentul în care direcționaţi un model lingvistic mare sau un pipeline RAG spre ele, fiecare slăbiciune devine vizibilă și cu consecințe.

Principala provocare este că majoritatea organizațiilor au gestionat stocarea, nu datele. Știu unde se află volumele și „bucket‑urile” lor, dar nu ce conțin: ce fișiere sunt învechite, care conțin informații sensibile sau reglementate, care sunt duplicate de zeci de ori în mediul lor și cine are efectiv acces. AI expune, de asemenea, cât de fragmentată a devenit proprietatea. Datele se acumulează în sistemele on‑premises, în multiple cloud‑uri și în depozite SaaS, iar nimeni nu deține imaginea completă. Acestea nu sunt probleme noi. AI a făcut ca costul ignorării lor să devină imediat și vizibil.

Organizațiile își concentrează adesea investițiile în AI pe modele mai puternice, GPU‑uri și infrastructură. De ce nu pot mai multe resurse de calcul sau stocare să rezolve problema fundamentală a pregătirii datelor și unde ar trebui să investească în schimb întreprinderile?

Mai multă putere de calcul face ca un răspuns greșit să apară mai repede. Nu îl face însă corect, sigur sau conform. GPU‑urile și infrastructura de stocare execută decizii pe care nu le iau ele însele. Dacă alimentaţi un model puternic cu date învechite, duplicate, cu permisiuni incorecte sau sensibile, obțineţi un model puternic care generează rezultate nesigure sau riscante la scară și rapid.

Credem că piața a ajuns la un punct de cotitură important: istoric, organizațiile optimizau stocarea; din ce în ce mai mult, trebuie să optimizeze datele. Asta înseamnă să investească în disciplina care se situează deasupra stratului de infrastructură, abilitatea de a vedea întregul ecosistem de date, de a înțelege ce reprezintă fiecare bucată de date și cine este responsabil, de a decide ce trebuie păstrat, mutat, arhivat sau șters și apoi de a executa acea decizie în mod consecvent. Cheltuielile de infrastructură fără această disciplină înseamnă doar că organizațiile pot face lucruri greșite mai repede.

Asta este exact problema pe care platforma noastră de management al datelor nestructurate a fost creată să o rezolve. Ea oferă organizațiilor o singură vizualizare a stocării on‑premises, cloud și SaaS, clasifică datele prin etichetare și analiză de metadate, astfel încât echipele să vadă ce este redundant, învechit sau cu adevărat valoros, și apoi să execute deciziile – migrare, arhivare sau ștergere a datelor – prin fluxuri de lucru bazate pe politici, care funcționează continuu, nu ca un proiect unic. Această combinație de vizibilitate, clasificare și execuție consecventă transformă „avem multe date” în „știm exact ce avem și ce să facem cu ele”.

„Date pregătite pentru AI” a devenit o expresie comună în industrie. Din perspectiva dumneavoastră, ce face ca datele nestructurate să fie pregătite pentru AI și ce criterii ar trebui să folosească organizațiile înainte de a permite datelor să intre într-un AI generativ, într-un sistem de generare augmentată prin recuperare (RAG) sau într-un pipeline de antrenament?

Datele pregătite pentru AI sunt date pe care o organizație le-a validat deja, nu doar pe care le deține. În practică, asta înseamnă că organizația poate răspunde cu încredere la o serie de întrebări înainte ca datele să ajungă la un model sau la un pipeline: Sunt aceste date exacte și actuale sau au stat neatinse ani de zile? Sunt duplicate în altă parte într-un mod care ar putea denatura sau contrazice rezultatele? Conțin informații sensibile, reglementate sau personale care nu ar trebui expuse? Cine are permisiunea de a le accesa și reflectă acest lucru în continuare cine ar trebui să poată? Adaugă efectiv valoare de business cazului de utilizare sau este doar zgomot?

Fără răspunsuri la aceste întrebări, introducerea datelor într-un AI generativ sau într-un pipeline RAG înseamnă doar mutarea problemei de guvernanță în aval, într-un sistem mult mai bun la expunerea a ceea ce găsește decât share‑urile de fișiere. Pregătirea pentru AI este o disciplină de inteligență a datelor, nu o bifă pe care o bifaţi o singură dată înainte de începerea unui proiect.

Întreprinderile pot avea miliarde de fișiere răspândite în infrastructuri on‑premises, multiple cloud‑uri, arhive și unități de business. Cum pot determina care date conțin o valoare de business semnificativă și care sunt redundante, învechite, triviale sau pur și simplu zgomot care ar putea degrada performanța AI?

La o asemenea scară, nimeni nu va răspunde la această întrebare fișier cu fișier, iar revizuirea manuală nu este o strategie viabilă. Organizațiile au nevoie mai întâi de vizibilitate la nivel enterprise: o singură vizualizare exactă a tuturor depozitelor on‑premises, cloud și SaaS, pentru că nu poți lua o decizie privind datele pe care nu le poți vedea. De acolo, este vorba despre aplicarea inteligenței datelor pentru a clasifica ce există în mediu, astfel încât datele ROT (redundante, învechite și triviale) să fie identificate și separate de datele care aduc cu adevărat valoare de business.

Aici disciplina trebuie să treacă dincolo de simpla vizibilitate. Să vezi datele este necesar, dar nu suficient. Organizațiile trebuie să avanseze prin înțelegerea a ce reprezintă și înseamnă acele date, să decidă ce trebuie să li se facă – păstrare, mutare, arhivare, ștergere sau utilizare pentru alimentarea AI – și apoi să execute acea decizie în mod consecvent la nivelul a miliarde de obiecte. Săriți direct de la vizibilitate la ingestia AI este exact modul în care zgomotul degradează performanța modelului și cum datele cu adevărat valoroase sunt îngropate în el.

Securitatea și guvernanța devin deosebit de importante când sistemele AI pot expune informații care anterior erau greu de descoperit de către angajați. Cum ar trebui organizațiile să evalueze permisiunile, informațiile sensibile, proprietatea și riscurile de reglementare înainte de a expune datele enterprise către sistemele AI?

Acesta este unul dintre domeniile în care AI a modificat cel mai mult calculul riscului. Un fișier cu permisiuni excesive sau învechite era o expunere teoretică, deoarece, în realitate, o persoană ar fi trebuit să știe că există și să îl caute. Un sistem AI cu acces larg poate expune același fișier oricui pune întrebarea potrivită, instantaneu. Ascunderea nu a fost niciodată un control real, dar AI a eliminat ultimul fragment de protecție pe care îl oferea accidental.

Înainte ca orice dată să fie expusă unui sistem AI, organizațiile au nevoie de o imagine clară a celor care au acces și dacă acel acces mai are sens, ce informații sensibile sau reglementate conține, cine este proprietarul și responsabil și ce obligații de reglementare îi sunt asociate – rezidență a datelor, retenție și cerințe de confidențialitate printre altele. Această evaluare nu poate fi un audit unic înainte de lansare. Datele enterprise se schimbă continuu, astfel încât permisiunile, proprietatea și riscurile trebuie revizuite în mod continuu, nu doar în momentul în care un proiect AI devine activ.

Datadobi susține trecerea discuției de la gestionarea infrastructurii de stocare la gestionarea datelor ca activ de business. Cum arată această tranziție în practică și cum schimbă relația dintre echipele IT, echipele de date, liderii de securitate și unitățile de business?

În practică, înseamnă că discuția nu mai este despre capacitate, tier‑uri și uptime, ci despre rezultate: reducerea costurilor, reducerea riscurilor, conformitatea reglementară și facilitarea AI. Acestea erau tratate ca inițiative separate, fiecare cu propriile instrumente și responsabili. Credem că această perspectivă devine tot mai depășită. Toate depind de înțelegerea acelorași date enterprise de bază, iar ceea ce este necesar este un nou model operațional centrat pe date care le conectează, în loc să trateze fiecare inițiativă ca depinzând de un sistem separat și izolat. Platforma noastră este modul în care punem în practică acel model operațional.

Aceasta schimbă în mod natural cine este în discuție. IT nu mai este singurul proprietar al conversației, deoarece deciziile privind ce date să păstreze, să mute sau să expună AI sunt decizii de business, informate de inteligența datelor, nu decizii de infrastructură. Liderii de securitate și conformitate au nevoie de vizibilitate în același peisaj de date pe care IT îl gestionează. Unitățile de business au nevoie de o voce în ceea ce privește datele care contează cu adevărat pentru rezultatele lor. Managementul datelor încetează să mai fie o funcție de back‑office IT și devine o disciplină operațională partajată între IT, securitate și business, luând decizii pe baza aceleiași informații.

O provocare a AI enterprise este că datele se schimbă constant. Este pregătirea pentru AI ceva ce organizațiile pot atinge o singură dată sau necesită un proces continuu de descoperire, clasificare, guvernanță, arhivare și mutare a datelor pe măsură ce evoluează?

Este un proces continuu, punct final. Datele enterprise se schimbă continuu, noi fișiere sunt create, permisiunile se modifică, angajații intră și ies, reglementările evoluează, astfel că managementul datelor trebuie să devină o capacitate operațională continuă, nu o succesiune de proiecte independente. Tratarea pregătirii pentru AI ca o curățenie unică înainte de lansarea unui proiect este similară cu a declara o clădire sigură după o singură vizită a unui lăcătuș și a nu mai verifica ușile niciodată.

Ceea ce organizațiile au nevoie este o disciplină operațională care să treacă continuu prin vizibilitate, înțelegere, decizie și execuție, descoperind ce date există, clasificându-le și înțelegându-le, decidând ce trebuie să li se facă și apoi acționând în conformitate, în mod recurent. Organizațiile care depășesc concurența vor fi cele care pot parcurge acest ciclu în mod continuu și la scară enterprise, nu cele care tratează pregătirea pentru AI ca un proiect cu o dată de finalizare.

Pe măsură ce întreprinderile implementează tot mai mult agenți AI care pot căuta în sistemele multiple și pot întreprinde acțiuni autonome, devine managementul datelor nestructurate și mai important? Ce riscuri noi apar când un agent AI poate accesa informații răspândite în întreaga organizație, în loc să răspundă doar la o solicitare a utilizatorului?

Devine semnificativ mai important, deoarece un agent schimbă natura expunerii. Un chatbot care răspunde la o singură solicitare este limitat la ceea ce întreabă și vede o singură persoană. Un agent care poate căuta în sistemele multiple și poate întreprinde acțiuni autonome poate traversa mult mai mult din mediul organizațional decât orice angajat ar face în mod tipic și poate acționa asupra a ceea ce găsește – mutând, partajând sau utilizând date – fără ca un om să revizuiască fiecare pas.

Acest lucru introduce riscuri care depășesc simpla descoperire. Dacă un agent are acces la date pe care nu ar trebui să le aibă (fișiere cu permisiuni incorecte, înregistrări sensibile învechite, informații care ar fi trebuit arhivate sau șterse cu ani în urmă), poate acționa asupra acelor date cu viteză și scară de mașină, nu doar să le expună unui utilizator curios. Organizațiile care implementează agenți cu succes sunt cele care au tratat guvernanța datelor ca o condiție prealabilă, nu ca o idee ulterioară, deoarece un agent va exploata cu fidelitate orice lacune existente în inteligența datelor.

Pentru o întreprindere care a acumulat decenii de date nestructurate și dorește să scaleze inițiativele AI, ce pași practici aţi recomanda să se ia în primul rând și ce greșeli ar trebui să evite liderii când încep să își controleze ecosistemul de date?

Începeţi cu vizibilitatea. Nu puteţi lua decizii bune despre datele pe care nu le vedeţi, așa că primul pas practic este să obţineţi o imagine exactă, la nivel enterprise, a datelor existente în mediile on‑premises, cloud și SaaS. De acolo, treceţi la înţelegerea și clasificarea acelor date pentru a şti ce este valoros, ce este sensibil și ce este doar zgomot, înainte de a lua decizii privind retenţia, migrarea, arhivarea sau ştergerea.

Există, de asemenea, o realitate bugetară pe care liderii nu o pot ignora. Majoritatea CIO‑urilor nu beneficiază de un buget separat și nelimitat pentru AI, ci lucrează cu un fond fix de bani în care AI concurează cu tot ce menţine funcţionarea afacerii. Instinctul de a finanţa AI prin reducerea investiţiilor în infrastructura existentă este greșit, deoarece aceeași infrastructură, stocare, conducte de date și guvernanță sunt exact cele de care AI depinde pentru a reuşi. Calea mai sustenabilă este să creezi spațiu în cadrul ecosistemului existent: îmbunătăţirea vizibilităţii și reducerea risipei de stocare prin tipul de optimizare a datelor pentru care a fost creat StorageMAP eliberează buget real, fără a atinge capacitatea de care iniţiativele AI vor avea cu adevărat nevoie.

Cea mai mare greșeală pe care o observ este că organizațiile trec direct la execuție, îndreptând AI spre ecosistemul lor de date sau lansând un proiect de curățare, fără să construiască mai întâi fundația de vizibilitate și înțelegere. A doua greșeală este să trateze aceasta ca pe o inițiativă unică, în loc de o capacitate operațională; datele continuă să se schimbe, așa că disciplina trebuie să fie continuă. A treia greșeală este să o lase ca pe un exercițiu pur tehnic. Organizațiile care reușesc tratează aceasta ca pe o decizie de business, cu IT, securitate și părțile interesate din business aliniate în privința valorii datelor și a ceea ce trebuie să se întâmple cu ele, nu doar ca pe un proiect de migrație sau stocare încredințat exclusiv IT‑ului.

Vă mulțumim pentru interviul excelent, cititorii care doresc să afle mai multe ar trebui să viziteze Datadobi.