Амит Шарма, генеральный директор и основатель CData – Интервью

Амит Шарма, генеральный директор и основатель CData Software, является техническим руководителем, 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 построил глубокий опыт в области доступа к данным предприятия и инфраструктуры. С тех пор, как он стал генеральным директором в 2014 году, он руководил миссией CData по упрощению того, как организации подключаются, интегрируют и используют данные в различных системах, помогая компании занять позицию основного слоя современного движения данных.

CData Software является ведущим поставщиком решений для доступа и подключения к данным. Ее самообслуживающие продукты для работы с данными и платформы подключения обеспечивают универсальный доступ к актуальным данным по сотням широко используемых локальных и облачных приложений. Миллионы пользователей по всему миру полагаются на CData для поддержки продвинутого 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 любого размера, 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 раннее представление о требованиях крупномасштабных технологий предприятия – сложностях, необходимости надежности и том, 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 я процветаю на скорости, гибкости и способности оказывать прямое влияние. Сегодня этот двойной опыт руководит тем, как я руководю CData Software: я настаиваю на соблюдении стандартов и надежности, соответствующих стандартам предприятия, а также способствую культуре, ориентированной на простоту, реальную полезность и быстрое выполнение.

После более чем десяти лет в качестве генерального директора CData, какой сдвиг в мышлении или подходе был наиболее важен для масштабирования компании от ее ранних дней до глобального предприятия?

Самым большим сдвигом для меня было переход от мышления как строителя технологий к мышлению как строителя организации. В ранние дни моя основная задача была почти полностью сосредоточена на продукте; я должен был убедиться, что он был элегантным, надежным и решал реальные проблемы. Когда CData масштабировалась, мне пришлось понять, что отличное программное обеспечение само по себе недостаточно; вам нужны отличные люди, сильные лидеры и процессы, которые масштабируются без замедления. Это означало более раннюю инвестицию в найм, расширение полномочий команд и создание повторяющихся систем в продажах, поддержке и операциях, сохраняя при этом нашу инженерную культуру. Сдвиг в мышлении заключался в том, чтобы понять, что моя работа не заключалась только в создании отличных технологий, но и в создании среды, в которой могли бы быть построены отличные технологии последовательно растущей глобальной командой.

CData давно фокусируется на “упрощении доступа к любым данным, где бы они ни находились”. Как изменилась эта миссия с переходом отрасли 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 приложениям, родным для ИИ, стоимость фрагментированного, несогласованного доступа к данным только увеличилась. То, что изменилось, – это наша ответственность: теперь это не только подключение приложений к данным, но и обеспечение того, чтобы данные были достоверными, 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 включила в себя подготовку данных для ИИ по умолчанию. Это означает обеспечение согласованной семантики, высокопроизводительного подключения, осведомленного о управлении доступом и реального времени интеграции по структурированным и источникам SaaS-данных, чтобы модели и агенты могли работать со свежей, надежной информацией, а не с хрупкими точечными интеграциями или устаревшими копиями. На практике мы сосредоточены на устранении трения между тем, где живут данные, и где работают системы ИИ, чтобы команды могли быстрее перейти от экспериментов к производству. Мы видим себя не только как поставщика подключения, но и как основной слой данных для предприятий, управляемых ИИ, тихо обеспечивающий работу систем, которые делают интеллектуальные приложения возможными.

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

Для меня “данные, готовые к 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 хранилища. Это об обеспечении того, чтобы системы, модели и агенты могли последовательно получать доступ к правильным данным в нужное время через стандартизированные, осведомленные о управлении интерфейсы. Готовность к 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 передовые модели в конечном итоге работают на неполной или устаревшей информации.

Где я вижу, что организации неправильно понимают эту концепцию, – это в предположении, что централизация автоматически означает готовность. Команды часто считают, что как только данные консолидируются в одну платформу, они “готовы к ИИ”, когда на самом деле они создали новый сегмент. Другие чрезмерно инвестируют в инструменты, не решая проблемы качества данных, семантики и подключения, которые являются непритязательными 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 победят, – это те, которые будут относиться к готовности данных как к операционной дисциплине, а не как 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 к 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 для ИИ. За последнее десятилетие компании построили озера, хранилища и трубопроводы, но они редко строили сплоченный слой доступа, который обеспечивает, что данные согласованы, актуальны и доступны по системам. Когда лидеры начинают развертывать ИИ в реальных рабочих процессах, они обнаруживают, что их основная инфраструктура не может поддерживать скорость, масштаб или надежность, которую требует ИИ. Цифра 6% не отражает отсутствие амбиций, а скорее реальность, что ИИ выявляет слабости, которые всегда были там, но не имели большого значения в традиционной аналитике.

Что данные говорят об отрасли, – 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 своей основной базы данных. Мы вступаем в корректирующую фазу, в которой внимание смещается от пилотных проектов к операционной готовности – стандартизированному доступу, осведомленному о управлении подключении и реальному времени 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 большом масштабе.

Результаты исследования также показывают, что 71% команд ИИ тратят более четверти своего времени на “сантехнику” данных. Какая часть этой работы на самом деле стратегическая, а не просто технический долг?

Некоторая часть “сантехники” данных действительно стратегическая, когда речь идет о создании прочного доступа к данным через стандартизированные интерфейсы и проектировании масштабируемости и управления с самого начала. Инвестиции в согласованное подключение, общие семантики и надежные модели интеграции – это основная работа, которая приносит дивиденды во всех приложениях и моделях, которые следуют позже. Проблема заключается в том, что большинство команд не занимаются этим типом “сантехники”. Они перестраивают одноразовые трубопроводы, пишут хрупкие соединители и заплатки для интеграции, которые решают проблему только один раз. Это технический долг, замаскированный под прогресс.

Что стратегически важно, – это все, что снижает будущее трение: устранение индивидуального кода в пользу стандартов, создание повторно используемых сервисов данных и подключение систем способами, которые масштабируются по командам и случаям использования. Когда “сантехника” становится невидимой и повторяемой, она перестает быть налогом на команды ИИ и становится усилителем. Реальная цель – не тратить меньше времени на данные. Это остановить трату времени на одни и те же проблемы с данными снова и снова.

Одна из поразительных цифр 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 так сложным?

Да, это соответствует тому, что мы видим у клиентов. Современные случаи использования ИИ, будь то прогностическая аналитика, рекомендательные двигатели или автономные рабочие процессы, редко полагаются на одну систему. Предприятиям часто необходимо объединить ERP, CRM, SaaS-приложения, потоковые платформы и базы данных наследия, чтобы получить значимые идеи. Проблема не только в количестве источников; это разнообразие, разные протоколы, форматы и частота обновления, и ожидание, что эти данные будут доступны в реальном времени для моделей ИИ.

Что делает этот уровень подключения сложным, – 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 поспевать. Реальный доступ в реальном времени требует стандартизированных, управляемых интерфейсов, согласованных семантик по системам и мониторинга, чтобы обеспечить качество и доступность данных. Без этой основы команды тратят больше времени на тушение пожаров в трубопроводах, чем на построение решений ИИ, что замедляет инновации и вводит риск. Организации, которые преуспевают, – это те, которые относятся к подключению как к стратегической возможности, а не просто к технической задаче.

Отчет подчеркивает согласованную семантику, контекст и подключение в качестве определяющих характеристик зрелой инфраструктуры данных ИИ. Как должны организации думать о последовательности этих приоритетов?

Когда речь идет о последовательности, организации должны начинать с подключения. Если данные не доступны надежно по системам, все остальное становится нерелевантным. Модели ИИ не могут учиться на том, к чему они не могут получить доступ. Установление стандартизированных, осведомленных о управлении подключений по 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, согласованная семантика становится следующим приоритетом. Данные нуждаются в общем языке, чтобы информация из нескольких источников могла быть правильно интерпретирована и объединена осмысленно. 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. Относясь к этим элементам как к структурированной последовательности – подключению сначала, семантике второму, контексту третьему – позволяет организациям построить инфраструктуру данных, готовую к 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 это раскрывает о том, куда движется программное обеспечение?

Расширяющийся разрыв обусловлен самой природой ИИ: приложения, родные для ИИ, процветают на разнообразных, актуальных данных из нескольких источников. В отличие от традиционного программного обеспечения, которое часто работает в одной системе или наборе, модели ИИ нуждаются в том, чтобы потреблять, коррелировать и анализировать информацию по ERP-системам, платформам CRM, SaaS-приложениям, потоковым источникам и многим другим. 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, а являются фундаментальными возможностями для программного обеспечения, родного для ИИ, чтобы доставить реальную ценность.

Оглядываясь вперед на пять лет, что, по вашему мнению, станет самой значительной проблемой для успеха ИИ – подключение, реальное время трубопроводов, моделирование семантики, управление или что-то совершенно другое?

Оглядываясь вперед, я считаю, что управление и безопасность станут самой значительной проблемой для успеха ИИ. Хотя подключение и реальное время трубопроводов остаются фундаментальными, организации быстро понимают, что неуправляемый ИИ неустойчив и потенциально опасен. Когда ИИ переходит от экспериментов к производству и начинает влиять на критические бизнес-решения, риски предвзятости, нарушений соблюдения, 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 проверять. Организации, которые не смогут встроить сильные рамки управления и протоколы безопасности с самого начала, столкнутся с растущим давлением регулирования, риском репутации и, в конечном итоге, системами ИИ, которым они не могут доверять или масштабировать. Мы уже видим ранние признаки: бизнес, колеблющийся, 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 будут относиться к управлению и безопасности не как к после мысленным, а как к основным усилителям ИИ. Да, вам нужно подключение и реальное время трубопроводов, чтобы получить данные, движущиеся, – 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.