Амит Шарма, генеральный директор и основатель CData – Интервью

Амит Шарма, генеральный директор и основатель CData Software, – это технологический руководитель, который руководил CData с ранней стадии стартапа до того, как она стала глобальным лидером в области подключения и интеграции данных. С карьерой, охватывающей роли инженера-программиста в Infosys и Elixar, технического архитектора в /n Software, и позже технического директора в CData, он приобрел глубокие знания в области доступа к данным предприятия и инфраструктуры. С тех пор, как он стал генеральным директором в 2014 году, он возглавлял миссию CData по упрощению того, как организации подключаются, интегрируют и используют данные во всех системах, помогая компании занять позицию фундаментального слоя современного движения данных.

CData Software – ведущий поставщик решений для доступа и подключения к данным. Ее продукты для самообслуживания и платформы подключения обеспечивают универсальный доступ к живым данным во всех широко используемых приложениях на месте и в облаке. Миллионы пользователей во всем мире полагаются на CData для поддержки расширенного анализа, ускорения внедрения облачных технологий и создания более связанных, ориентированных на данные организаций. Разработанные для того, чтобы быть доступными для любого пользователя, доступными в любом приложении и масштабируемыми для предприятий всех размеров, CData переопределяет, как бизнес получает доступ и использует данные.

Вы начали свою карьеру в Индии в компании Infosys, а позже перешли в американское предприятие программного обеспечения. Какой ранний урок из этого периода до сих пор влияет на то, как вы руководите сегодня?

Мое время в Infosys дало мне ранний опыт работы с требованиями крупномасштабных технологий предприятия – сложностями, необходимостью надежности и тем, как крупные организации подходят к техническим проблемам. Это сформировало глубокое уважение к структуре и качеству, соответствующему стандартам предприятия. Но когда я перешел в американский стартап, я обнаружил, что процветаю на скорости, гибкости и способности оказать прямое влияние. Сегодня этот двойной опыт руководит тем, как я руковожу CData Software: я настаиваю на стандартах и прочности, соответствующих стандартам предприятия, а также способствую культуре, которая ценит простоту, реальную удобство использования и быстрое выполнение.

После более чем десяти лет в качестве генерального директора CData, какой сдвиг в мышлении или подходе был наиболее важным для масштабирования компании от ранней стадии до глобального предприятия?

Самый большой сдвиг для меня был переход от мышления как создателя технологий к мышлению как создателя организации. В ранние дни моя основная задача была почти полностью сосредоточена на продукте; я должен был убедиться, что он элегантен, надежен и решает реальные проблемы. Когда CData выросла, мне пришлось понять, что отличное программное обеспечение само по себе недостаточно; вам нужны хорошие люди, сильные лидеры и процессы, которые масштабируются без замедления. Это означало инвестиции в найм, расширение полномочий команд и создание повторяющихся систем в продажах, поддержке и операциях, сохраняя при этом нашу культуру инженерии. Сдвиг в мышлении заключался в том, что моя работа не заключалась только в создании отличных технологий, но и в создании среды, в которой отличные технологии могли быть созданы последовательно растущей глобальной командой.

CData давно фокусируется на “упрощении доступа к любым данным, в любом месте”. Как эта миссия эволюционировала, когда отрасль переходит в приложения, родные для ИИ?

С самого начала наша миссия в CData заключалась в том, чтобы сделать данные универсально доступными с помощью знакомых, стандартизированных интерфейсов, потому что мы считали, что самой большой проблемой для инноваций не является хранение или вычисление, а доступ. Эта основная идея не изменилась, но контекст изменился. Когда организации перешли от аналитики к облаку и теперь к ИИ, стоимость фрагментированного, несоответствующего доступа к данным только увеличилась. Что изменилось, так это наша ответственность: теперь это не только подключение приложений к данным, но и обеспечение того, что данные являются надежными, актуальными и пригодными для использования в все более сложных и распределенных средах. В эпоху ИИ доступ сам по себе недостаточен. Данные должны быть сразу же пригодными для использования без недель индивидуальной инженерии.

Когда приложения, родные для ИИ, становятся нормой, наша миссия расширилась и теперь включает в себя подготовку данных для ИИ по умолчанию. Это означает обеспечение последовательной семантики, высокопроизводительного подключения, осведомленного о управлении доступом и реального времени интеграции как структурированных, так и SaaS-источников данных, чтобы модели и агенты могли работать с свежей, надежной информацией, а не хрупкими точечными интеграциями или устаревшими копиями. На практике мы сосредоточены на устранении трения между тем, где живут данные, и тем, где работают системы ИИ, чтобы команды могли перейти от экспериментов к производству быстрее. Мы видим себя не только как поставщика подключения, но и как фундаментальный слой данных для предприятий, управляемых ИИ, который тихо обеспечивает работу систем, которые делают возможными интеллектуальные приложения.

С ускорением генеративного ИИ, что для вас означает “данные, готовые для ИИ”, и где организации наиболее неправильно понимают эту идею?

Для меня “данные, готовые для ИИ” означают данные, которые доступны, надежны, актуальны и понятны как для людей, так и для машин без слоев индивидуальной инженерии. Это не только о том, чтобы переместить данные в озеро или склады. Это об обеспечении того, что системы, модели и агенты могут последовательно получать доступ к правильным данным в правильное время через стандартизированные, управляемые интерфейсы. Готовность ИИ зависит меньше от того, где хранятся данные, и больше от того, могут ли они быть обнаружены, запрошены, доверены и интегрированы в реальном времени. Без этой основы даже самые совершенные модели в конечном итоге работают на неполной или устаревшей информации.

Где я вижу, что организации неправильно понимают эту концепцию, так это в предположении, что централизация автоматически означает готовность. Команды часто считают, что как только данные консолидируются в одну платформу, они “готовы для ИИ”, когда на самом деле они только создали новый силос. Другие чрезмерно инвестируют в инструменты, не решая проблемы качества данных, семантики и подключения, которые являются непривлекательными проблемами, которые делают или ломают реальные системы ИИ. ИИ не терпит неудач из-за моделей; он терпит неудачи из-за беспорядочных, недоступных или устаревших данных. Организации, которые выиграют, будут теми, которые относятся к готовности данных как к операционной дисциплине, а не к одноразовому проекту миграции.

Ваше новое исследование, Состояние подключения данных ИИ: прогноз на 2026 год, показывает, что только 6% лидеров ИИ считают, что их инфраструктура данных полностью готова для ИИ. Почему, по вашему мнению, разрыв в готовности так велик, и что это говорит об текущем направлении отрасли?

Разрыв так велик, потому что большинство организаций инвестировали в сбор и хранение данных задолго до того, как они инвестировали в то, чтобы сделать их пригодными для использования в ИИ. За последнее десятилетие компании построили озера, склады и трубопроводы, но они редко строили сплоченный слой доступа, который обеспечивает, что данные являются последовательными, актуальными и доступными во всех системах. В результате лидеры обнаруживают, что когда они начинают развертывать ИИ в реальных рабочих процессах, их основная инфраструктура не может поддержать скорость, масштаб или надежность, которую требует ИИ. Цифра в 6% не отражает отсутствие амбиций, а скорее реальность того, что ИИ выявляет слабости, которые всегда были там, но не имели такого большого значения в традиционном анализе.

Что данные говорят нам об отрасли, так это то, что мы находимся на ранней стадии кривой внедрения ИИ, а не на поздней. Организации агрессивно экспериментируют на уровне приложений, но они теперь понимают, что успех зависит от модернизации основы данных. Мы вступаем в корректирующую фазу, в которой внимание смещается от впечатляющих пилотов к операционной готовности – стандартизированному доступу, управляемой интеграции и реальному подключению. Победителями не будут компании, которые строят наиболее доказательства концепции, а те, которые модернизируют свою инфраструктуру данных достаточно быстро, чтобы переместить эти эксперименты в производство в масштабе.

Исследование также показывает, что 71% команд ИИ тратят более четверти своего времени на “водопровод” данных. Что в этой работе является по-настоящему стратегическим, а не просто техническим долгом?

Некоторая часть “водопровода” данных абсолютно стратегична, когда речь идет о создании прочного доступа к данным через стандартизированные интерфейсы и проектировании с учетом масштабируемости и управления с самого начала. Инвестиции в последовательное подключение, общие семантики и надежные шаблоны интеграции являются фундаментальной работой, которая приносит дивиденды во всех приложениях и моделях, которые следуют позже. Проблема заключается в том, что большинство команд не делают такого рода “водопровода”. Они перестраивают одноразовые трубопроводы, пишут хрупкие соединители и заплатки интеграций, которые решают проблему только один раз. Это технический долг, замаскированный под прогресс.

Что стратегично, так это все, что уменьшает будущее трение: устранение индивидуального кода в пользу стандартов, построение повторно используемых сервисов данных и подключение систем способами, которые масштабируются во всех командах и случаях использования. Когда “водопровод” становится невидимым и повторяющимся, он перестает быть налогом на команды ИИ и становится усилителем. Реальная цель не состоит в том, чтобы тратить меньше времени на данные. Это остановка траты времени на одни и те же проблемы с данными снова и снова.

Одна из поразительных точек данных в отчете заключается в том, что 46% предприятий теперь требуют реального времени доступа к шести или более источникам данных для одного случая использования ИИ. Отражает ли это то, что вы видите у клиентов, и что делает этот уровень подключения таким сложным?

Да, это соответствует тому, что мы видим у клиентов. Современные случаи использования ИИ, будь то прогностический анализ, системы рекомендаций или автономные рабочие процессы, редко полагаются на одну систему. Предприятия часто нуждаются в комбинации ERP, CRM, SaaS-приложений, потоковых платформ и баз данных наследия, чтобы получить значимые идеи. Проблема не только в количестве источников; это разнообразие, разные протоколы, форматы и частоты обновления, и ожидание, что эти данные будут доступны в реальном времени для моделей ИИ.

Что делает этот уровень подключения сложным, так это то, что традиционные подходы к интеграции никогда не были разработаны для масштаба, скорости и надежности, которые требует ИИ. Одноразовые соединители и пакетные трубопроводы просто не могут справиться. Реальный доступ в реальном времени требует стандартизированных, управляемых интерфейсов, последовательной семантики во всех системах и мониторинга для обеспечения качества и доступности данных. Без этой основы команды тратят больше времени на борьбу с трубопроводами, чем на построение решений ИИ, что замедляет инновации и вводит риск. Организации, которые преуспевают, являются теми, которые рассматривают подключение как стратегическую способность, а не просто техническую обязанность.

Отчет подчеркивает семантическую последовательность, контекст и подключение как определяющие характеристики зрелой инфраструктуры данных ИИ. Как организации должны думать о последовательности этих приоритетов?

Когда речь идет о последовательности, организации должны начинать с подключения. Если данные не доступны надежно во всех системах, все остальное становится нерелевантным. Модели ИИ не могут учиться на том, к чему они не могут получить доступ. Установление стандартизированных, управляемых подключений ко всем критическим источникам данных закладывает основу для всего, что следует. Без этого слоя команды строят хрупкие, одноразовые трубопроводы, которые создают больше работы в будущем.

Как только подключение установлено, семантическая последовательность становится следующим приоритетом. Данные нуждаются в общем языке, чтобы информация из нескольких источников могла быть правильно интерпретирована и объединена. Контекст естественно следует: понимание не только значений, но и их значения в бизнес-процессе, времени и отношениях обеспечивает, что модели ИИ могут делать точные, действенные прогнозы. Рассматривая эти элементы как структурированную последовательность – подключение первым, семантику вторым, контекст третьим – позволяет организациям строить инфраструктуру данных, готовую для ИИ, которая масштабируется и поддерживает надежные, готовые к производству интеллектуальные системы.

Поставщики программного обеспечения, родного для ИИ, теперь требуют примерно в три раза больше внешних интеграций, чем традиционные поставщики. Что движет этим расширяющимся разрывом, и что он раскрывает о том, куда движется программное обеспечение?

Расширяющийся разрыв обусловлен самой природой ИИ: приложения, родные для ИИ, процветают на разнообразных, реальных данных из нескольких источников. В отличие от традиционного программного обеспечения, которое часто работает в одной системе или наборе, модели ИИ нуждаются в ингестии, корреляции и анализе информации из ERP-систем, платформ CRM, SaaS-приложений, потоковых источников и многое другое. Каждая интеграция необходима для того, чтобы дать ИИ достаточный контекст и покрытие, чтобы генерировать точные прогнозы, рекомендации или автоматические действия.

Этот тренд раскрывает, что программное обеспечение переходит от изолированных приложений к взаимосвязанным, интеллектуальным экосистемам. Победителями не будут продукты, которые работают хорошо самостоятельно. Они будут платформами, которые могут бесшовно получать доступ и интегрировать данные, где бы они ни находились. На практике это означает, что подключение, стандартизация и реальное время интеграции больше не являются приятными бонусами. Они являются фундаментальными возможностями для программного обеспечения, родного для ИИ, чтобы доставить реальную ценность.

Оглядываясь вперед на пять лет, что, по вашему мнению, станет наиболее значительным препятствием для успеха ИИ – подключение, реальные трубопроводы, семантическое моделирование, управление или что-то совсем другое?

Оглядываясь вперед, я считаю, что управление и безопасность станут наиболее значительным препятствием для успеха ИИ. Хотя подключение и реальные трубопроводы остаются фундаментальными – модели ИИ могут быть только такими эффективными, как данные, к которым они могут получить доступ – организации быстро понимают, что неуправляемый ИИ является нездоровым и потенциально опасным. Когда ИИ переходит из экспериментов в производство и начинает влиять на критические бизнес-решения, риски предвзятости, нарушений, утечки данных и операционных ошибок умножаются экспоненциально.

Проблема не только в том, чтобы переместить данные; это перемещение правильных данных, с правильными контролями, в правильные системы, способами, которые можно отслеживать и аудировать. Организации, которые не внедряют сильные кадры управления и протоколы безопасности с самого начала, столкнутся с растущим давлением регулирования, репутационным риском и, в конечном итоге, системами ИИ, которым они не могут доверять или масштабировать. Мы уже видим ранние признаки: бизнес колеблется, чтобы развернуть ИИ, потому что они не могут обеспечить происхождение данных, контроль доступа или соблюдение эволюционирующих правил.

Самые успешные организации через пять лет будут теми, которые рассматривают управление и безопасность не как после мысли, а как основные усилители ИИ. Да, вам нужны подключение и реальные трубопроводы, чтобы получить доступ к данным; но без управления и безопасности данные становятся обязательством, а не активом. Будущее ИИ не только о скорости или масштабе; это о доверии, подотчетности и ответственной эксплуатации на каждом уровне стека данных.

Спасибо за отличное интервью, читатели, которые хотят узнать больше, должны посетить CData Software.