Jeronimo De Leon, Senior Produktchef för AI på Backblaze – Intervjuer

Jeronimo De Leon är en erfaren produktledare med över 10 års erfarenhet av att driva AI-drivna innovationer i företags- och startup-miljöer. För närvarande arbetar han som Senior Produktchef för AI på Backblaze, där han leder utvecklingen av AI/ML-funktioner, fokuserar på hur Backblaze förbättrar AI-data-livscykeln för kundernas MLOps-arkitektur och implementerar AI-verktyg och -agenter för att optimera interna operationer.

Backblaze är ett molnlagrings- och backup-företag som erbjuder obegränsade, automatiska datorbackup för individer och företag, samt skalbara objektlagringslösningar för företag, media och applikationsarbetsbelastningar. Deras tjänster fokuserar på prisvärdhet, datasäkerhet, enkel återställning och sömlös kompatibilitet med befintliga system.

Du har över ett decennium av erfarenhet av AI-drivna produktledning – från att arbeta med LLM på Intelas och RAG på Welcome.AI till att lansera Bloombergs chatbot och nu leda AI-insatserna på Backblaze. Hur har dessa erfarenheter format din syn på molnlagringens roll i att skala AI/ML-arbetsflöden?

Sedan jag började arbeta med AI-projekt på IBM Watson har jag sett hur innovations takten dramatiskt har accelererat. Det som tidigare tog år att gå från forskning till produktion sker nu på månader. Men de grundläggande infrastrukturutmaningarna förblir desamma: var är data, var lagrar vi den och hur kan vi komma åt den effektivt?

Tidigare var begränsningarna beräknings- och modellbegränsningar, men nu har vi en överflöd av förtränade modeller och det finns många beräkningsleverantörer. Men när man startar ett projekt idag måste man fortfarande börja med ett datainsamling- och bearbetningsprojekt, det är fortfarande detsamma idag. Jag ser konsekvent att organisationer stöter på samma flaskhals när de försöker konsolidera data från olika källor. De organisationer som lyckas är de som löser dataåtkomst tidigt och skapar en grund som kan skalas med deras AI-mognad. Dina lagringsarkitekturbeslut bestämmer hur snabbt du kan komma till modellträning och innovation.

Var ser du molnlagring spela den mest kritiska rollen över AI-livscykeln – från datainsamling och bearbetning till träning, finjustering, inferens och övervakning?

Molnlagring är kritisk över hela AI-livscykeln, med viktiga etapper i dataaggregering, bearbetning, träning och inferens. I början accelererar systematisk konsolidering, katalogisering och säkerhet av arkiv nya projekt och gör det enkelt att testa nya modeller. Rent, välbehandlat data slår ofta mer data, vilket gör lagring central för kvalitet såväl som skala. En av mina favoritcitat från Backblaze är: “Det är inte hamstrande om det är data.” Du vet aldrig hur värdefullt det kommer att vara, så organisationer bör samla in så mycket som möjligt. Under träning säkerställer skalbar lagring genomströmning av stora datamängder, och vid inferens möjliggör insamling av prediktionsutdata och användarfeedback kontinuerlig iteration. Till slut är lagring den grund som bestämmer hur snabbt du kan innovativa med AI.

Vilka är de största hindren organisationer möter när de skalar lagring för AI, och hur skiljer sig dessa utmaningar mellan mindre startup-företag och stora företag?

De största hindren för att skala lagring för AI är kostnad, datahantering och åtkomst. Att lagra stora volymer data är bara en del av utmaningen; det måste också vara organiserat, återvunnet och styras med rätt kontroller. Rent, välstrukturerat data är ofta mer värdefullt än att bara ha mer av det.

För startup-företag är den första utmaningen att skaffa tillräckligt med data för att träna och förbättra sina modeller. När de har det blir kostnad och arkitektur nästa hinder.

För stora företag är utmaningen komplexitet. Deras data är riklig men fragmenterad över silos, äldre system och regelefterlevnad, vilket gör konsolidering och åtkomst svårt.

De organisationer som lyckas behandlar lagring som en strategisk möjliggörare som kan skalas i kostnad, prestanda och åtkomst tillsammans med deras AI-mognad.

Bland kostnad, latens, säkerhet och regelefterlevnad, vilken ser du som den mest pressande barriären för att skala AI idag, och hur bör organisationer prioritera att hantera den?

Bland kostnad, latens, säkerhet och regelefterlevnad är latens en av de mest pressande barriärerna. Den påverkar direkt både modellträning och inferens, och inferens i synnerhet formar användarupplevelsen. Organisationer gör allt de kan för att minska latens i detta skede, eftersom fördröjningar i att leverera förutsägelser kan undergräva antagandet.

Kostnad förblir en konstant utmaning när datavolymer växer, och regelefterlevnad blir allt viktigare när organisationer skalar, särskilt i reglerade branscher. Startup-företag fokuserar ofta först på kostnad och latens, medan företag måste balansera latens med styrning och regleringskrav. Prioriteten bör vara att bygga lagring som minimerar latens för träning och inferens, samtidigt som den är kostnadseffektiv och regelefterlevnad när AI-antagandet expanderar.

Företag betonar ofta behovet av flexibilitet och enkel åtkomst till data för att driva AI-innovation. Från din synvinkel, vad ser du som sann flexibilitet i dataåtkomst, och varför är det så viktigt?

I en nylig föreläsning jag höll betonade jag idén om smart arkivering. Sann flexibilitet i dataåtkomst börjar med att centralisera information i ett strukturerat, sökbart arkiv. Det innebär att unifiera olika format, normalisera och tagga för konsekvens och möjliggöra indexering för framtida frågor. Detta tillvägagångssätt säkerställer att data inte bara lagras utan också görs användbart.

Det är viktigt eftersom det skapar grunden för analys och modellering. När data är strukturerad och sökbar kan teamen arbeta snabbare, experimentera mer fritt och minska latens i både träning och inferens. Utan denna typ av flexibilitet blir lagring snabbt en flaskhals istället för en möjliggörare för AI-innovation.

Kan du dela verkliga användningsfall – såsom med kunder som Decart AI eller Wynd Labs – som visar hur rätt molnlagringsapproach kan direkt möjliggöra AI-innovation?

Detta är två utmärkta exempel på hur rätt molnlagringsapproach direkt möjliggör AI-innovation. Decart fokuserade på modellträning, där det var viktigt att flytta data till beräkning effektivt. Med Backblaze B2 skalande de till 16 PB på 90 dagar, tränade över flera GPU-kluster med noll avgift för utgående data och uppnådde tio gånger högre effektivitet än konkurrenterna. Den tillförlitligheten och effektiviteten gav dem möjlighet att innovativa snabbare.

Wynd Labs fokuserade på kundåtkomst till data. De samlar in petabyte dagligen och serverar tiotals petabyte månadsvis. Med Backblazes höga prestanda och avgiftsfria utgående data kunde de skala till företagskrav och återinvestera resurser i produktutveckling. Den möjligheten att leverera dataåtkomst i skala låste upp nya möjligheter för deras plattform.

I båda fallen omvandlade rätt lagringsstrategi infrastrukturen från ett hinder till en möjliggörare, vilket gjorde det möjligt för företagen att fokusera på att innovativa i AI snarare än att hantera kostnad och komplexitet.

När AI-modeller och datamängder blir alltmer komplexa, vilken vägledning skulle du ge organisationer som försöker balansera lagringsprestanda med kostnadseffektivitet?

Organisationer måste tänka på sin långsiktiga dataanvändning med deras produkt i åtanke. Insamling, bearbetning, flyttning och körning av inferens på data kommer alla att vara centrala för hur deras produkt utvecklas. Om de inte tar hänsyn till det nu kommer kostnaderna och lagringsutmaningarna bara att förvärras över tid. Eftersom AI kommer att vara en central del av deras produkt och organisation, måste lagring utformas tidigt för att balansera prestanda med kostnadseffektivitet så att den kan skalas smidigt när de växer.

Säkerhet och regelefterlevnad är särskilt pressande i reglerade branscher. Hur ser du molnlagring utvecklas för att stödja styrningsbehov samtidigt som team kan innovativa snabbt?

Styrning är en viktig del av lagring. Att strömlinjeforma åtkomst med en solid grund för hur data hanteras, säkerställs och granskas är kritiskt. Jag ser molnlagring utvecklas med starkare inbyggda kontroller som kryptering som standard, finmaskiga behörigheter, granskningsloggar och datalokaliseringsalternativ. Lika viktigt är datahärstamning. I AI är det viktigt att veta var data kommer ifrån, hur det har bearbetats och hur det matar in i modeller för både regelefterlevnad och förtroende.

Samtidigt förbättrar lagringsplattformar användbarheten så att team kan röra sig snabbt. När styrning, härstamning och åtkomst fungerar tillsammans kan organisationer uppfylla regleringskrav samtidigt som de kan innovativa i AI med hastighet.

För organisationer som utvärderar eller migrerar till B2, vilken råd eller vägledning ger du när det gäller implementering – särskilt när det gäller dataöverföring, integration med befintliga MLOps- eller beräkningsstackar eller optimering för genomströmning och utgående data?

Eftersom B2 är S3-kompatibelt integreras det direkt i befintliga MLOps- och beräkningsstackar utan omarkitektur. Vi arbetar ofta med kunder på en bevis av koncept för att validera överföring, prestanda och integration innan skala. Därefter fokuserar vi på att optimera genomströmning, dataförflyttning och dataorkestrering så att team kan träna över kluster, köra inferens och iterera snabbt utan att bromsas av infrastrukturhinder.

När AI-arbetsbelastningar fortsätter att skala – särskilt med trender kring LLM, exabyte-stora datamängder och hybrid- eller multi-molnstrategier – hur utvecklar Backblaze sina lagringserbjudanden för att möta dessa nya behov?

På Backblaze fokuserar vi inte bara på hur data används idag, utan också på hur det kommer att orkestreras i framtiden. Lagring är inte längre bara ett arkiv, utan ett verktyg som möjliggör snabb åtkomst, effektiv förflyttning och tillförlitlig orkestrering av data över miljöer. Med LLM och exabyte-stora datamängder kommer denna grund av enkel åtkomst och hög genomströmning att vara kritisk inte bara för träning och inferens, utan också för den nya klassen av AI-agenter som förlitar sig på data för att göra processer mer autonoma. Resultatet är en lagringsgrund som möjliggör innovation nu och förbereder organisationer för vad som kommer härnäst.

Tack för den underbara intervjun, läsare som vill lära sig mer bör besöka Backblaze.