Intervjuer
Leo Brunnick, Chief Product Officer på Cloudera – Intervjuserie
Lägg till Unite.AI bland dina föredragna källor på Google
Leo Brunnick, Chief Product Officer på Cloudera, är en erfaren teknikchef och entreprenör med mer än tre decennier av erfarenhet av att bygga och skala mjukvara, digitala medier och företags‑teknologiorganisationer. På Cloudera leder han produktledning, teknik och kundsupport och ansvarar för företagets produkt‑ och teknikstrategi när plattformens data‑ och AI‑kapacitet utökas. Innan han började på Cloudera 2025 tillbringade Brunnick sex år på Naviga, senast som Chief Operating Officer, där han ledde mer än 600 medarbetare inom produkt, teknik, marknadsföring, R&D, kundsupport och professionella tjänster. Tidigare i sin karriär grundade och var han VD för Patheos, där den digitala medieplattformen växte till cirka 15 miljoner månatliga besökare innan en lyckad exit, och han tillbringade åtta år som Chief Product Officer på företaget för företagsinnehållshantering Vignette. Hans bakgrund inkluderar också teknikrådgivning på Andersen Consulting samt tjänst som infanteriofficer i den amerikanska marinkåren.
Cloudera är ett företag inom företagsdata och AI som fokuserar på att hjälpa organisationer att hantera, styra, analysera och tillämpa AI på data oavsett var den finns – över offentliga moln, privata datacenter och kantmiljöer. Dess hybridplattform kombinerar datastyrning, analys, maskininlärning, generativ AI och i allt högre grad agentbaserad AI samtidigt som den betonar företagsäkerhet, styrning, integritet och arbetsbelastningsportabilitet. Företagets nuvarande plattformsstrategi inkluderar Cloudera Anywhere Cloud, en arkitektur avsedd att ge företag en enhetlig molnerfarenhet över olika infrastrukturmiljöer, tillsammans med ett öppet data‑lakehouse, en enhetlig data‑fabric, realtidsdatabehandling och verktyg för att utveckla och distribuera AI‑modeller och agenter. Cloudera uppger att deras teknik hanterar mer än 25 exabytes data och används av stora globala företag som vill modernisera sin datainfrastruktur utan att kräva att alla arbetsbelastningar eller känsliga data flyttas till ett offentligt moln.
Din karriär har omfattat teknikkonsultation, ledning av produktorganisationer på Vignette och Naviga, grundande och skalning av Patheos, och nu rollen som Chief Product Officer på Cloudera. Hur har dessa erfarenheter format ditt sätt att tänka kring att bygga företags‑teknologiplattformar i en tid då AI fundamentalt förändrar hur organisationer använder sin data?
I alla dessa situationer gäller samma princip. Teknik är mest värdefull när den gör något komplicerat enklare för människor att använda. Detta är ännu viktigare nu, eftersom AI skapar betydande möjligheter samtidigt som det lägger till ett extra lager av komplexitet för företag som redan navigerar molndata, datacenter och i allt högre grad suveräna miljöer.
När vi bygger denna nästa era på Cloudera funderar jag ofta på hur vi kan möjliggöra för organisationer att dra nytta av ny teknik utan att de måste ompröva allt de redan har byggt. Under de senaste åren har företag byggt upp sina data‑egendomar, applikationer, styrningsmodeller och operativa processer. Det skulle inte vara rimligt att kasta bort allt detta varje gång en ny teknik dyker upp. De plattformar som lyckas i AI‑eran kommer att bygga på det organisationerna redan har samtidigt som de ger dem flexibilitet och kontroll att anpassa sig i takt med att deras behov utvecklas.
Cloudera introducerade nyligen Cloudera Anywhere Cloud för att hjälpa företag att bygga och driva AI över offentliga moln, privat infrastruktur, suveräna moln, lokala miljöer och kanten. Vilket problem såg du hos kunderna som övertygade Cloudera om att denna typ av enhetlig arkitektur var nödvändig?
Det finns ett ökande tryck på kunderna att omsätta AI i praktiken, även när deras data och infrastruktur är spridda över fler miljöer än någonsin tidigare. Data kan finnas i offentliga moln, privata datacenter, suveräna miljöer och i kanten, var och en med sina egna säkerhets-, regulatoriska, prestanda‑ och ekonomiska krav. Att hantera alla dessa miljöer kan skapa en betydande operativ börda för organisationer.
Tanken bakom Anywhere Cloud är att företag inte ska behöva välja mellan molnets smidighet och att behålla kontroll, säkerhet och styrning över sin data. Organisationer behöver ett enhetligt sätt att distribuera, styra och skala data‑ och AI‑tjänster där det är mest meningsfullt för verksamheten. Med en enda kontrollplan kan företag spendera mindre tid på att hantera den underliggande infrastrukturen och mer tid på att fokusera på de resultat de vill uppnå med sin data och AI, oavsett i vilken miljö den finns.
Du har sagt att företags‑AI har “övervunnit den offentliga‑moln‑endast‑modellen”. Vilka är de största begränsningarna som företag stöter på när de försöker köra produktions‑AI helt i offentliga molnmiljöer, och vilka arbetsbelastningar flyttar i allt högre grad någon annanstans?
De plattformar som lyckas i AI‑eran kommer att bygga på det organisationerna redan har och ge dem flexibiliteten att anpassa sig i takt med att deras behov utvecklas. Offentligt moln förblir en viktig del av företags‑teknikstrategin, men det är inte det enda alternativet. När AI går in i produktion måste företag avgöra var deras data och arbetsbelastningar ska köras baserat på faktorer som reglering, säkerhet och kostnad.
Detta visar att beslut om var arbetsbelastningar ska placeras nu fattas mer medvetet. Vissa AI‑applikationer skulle utan tvekan vara lämpliga i det offentliga molnet, medan arbetsbelastningar som involverar mycket känslig eller reglerad data kan behöva stanna i ett privat datacenter eller en suverän miljö. I andra fall är arbetsbelastningar bättre placerade i kanten eftersom latens är en viktig faktor. Målet är inte att lämna det offentliga molnet; snarare är det att ge företag flexibiliteten att köra varje typ av arbetsbelastning på den plats som är mest lämplig för den, utan att tvingas skapa en separat driftsmodell för varje miljö.
Cloudera Anywhere Cloud inkluderar en agentbaserad copilot som kan översätta förfrågningar i naturligt språk till dataarbetsflöden och infrastrukturåtgärder. Hur autonom tror du att dessa system kommer att bli, och var bör företag behålla mänsklig tillsyn när agenter får större kontroll över kritisk datainfrastruktur?
Agenter kommer fortsätta att ta på sig det repetitiva operativa arbetet som för närvarande upptar data‑ och infrastrukturteamens tid. Om en agent kan uttrycka ett resultat i naturligt språk och sedan omvandla det till ett arbetsflöde eller en infrastrukturåtgärd, kommer det att kraftigt minska friktionen och göra avancerade datakapaciteter tillgängliga för ett större antal personer.
Större autonomi skapar också ett större behov av effektiv styrning. Företag måste ha tydliga policys som specificerar vad en agent får åtkomst till, vilka åtgärder den får utföra på egen hand, och när mänskligt godkännande krävs. Ju större den potentiella påverkan av en åtgärd är, desto viktigare blir dessa kontroller. Autonomi och styrning bör utvecklas parallellt för att ge agenter tillräcklig frihet att uppnå verkliga produktivitetsvinster samtidigt som organisationen behåller tillsyn och kontroll över sina nyckeldata och sin infrastruktur.
Cloudera samarbetar med NVIDIA för att erbjuda inbyggd GPU‑acceleration via cuDF för Apache Spark 4.1‑arbetsbelastningar, med potentiella prestandaförbättringar på upp till 4 × utan att organisationer behöver skriva om befintliga PySpark‑ eller SQL‑applikationer. Varför är det så viktigt att eliminera behovet av kodomskrivningar för att påskynda antagandet av AI i företag?
Företag har gjort betydande investeringar i sina befintliga applikationer, kompetenser och datapipelines. Att byta till en ny teknik kräver mer än bara ingenjörsarbete. Det kan medföra risk, fördröja resultat och skapa störningar i redan fungerande system.
Accelerering utan kod hjälper till att lösa den utmaningen. Organisationer kan använda sina befintliga PySpark‑ och SQL‑arbetsbelastningar för att dra nytta av GPU‑acceleration utan att fundamentalt förändra hur deras team arbetar. Detta gör tekniken enklare att införa samtidigt som prestandan för datapipelines som stödjer analys och AI förbättras och befintliga investeringar skyddas.
GPU:er används i allt större utsträckning bortom modellträning och inferens, även för datapreparering och analys. Förväntar du dig att GPU‑acceleration blir en standarddel av företagets datastack, och hur skulle detta kunna förändra ekonomin för att förbereda massiva dataset för AI?
Enligt mig kommer företag bli mycket bättre på att anpassa sin infrastruktur efter sina arbetsbelastningar. GPU:er har redan förändrat hur modellträning och inferens utförs, och data‑engineering är nästa uppenbara innovationsområde, eftersom förberedelse av stora dataset kan vara en betydande flaskhals när AI‑applikationer ska tas i produktion.
Den ekonomiska effekten är lika betydande, eftersom snabbare bearbetning kan göra mer än bara slutföra ett Spark‑jobb snabbare. Minskade beräkningstider kan sänka infrastrukturskostnaderna samtidigt som data‑team kan iterera snabbare, en allt viktigare faktor i takt med att AI‑arbetsbelastningar växer. Enligt vår forskning har 84 % av svarande sett AI‑arbetsbelastningar öka infrastrukturskostnaderna, vilket gör det viktigare för företag att granska hela datapipelinen för möjligheter att förbättra både prestanda och kostnad. GPU‑accelererad databehandling kan bli en viktig del av den ekvationen.
Ett av löftena med Cloudera Anywhere Cloud är att låta organisationer placera arbetsbelastningar där regulatoriska, ekonomiska eller operativa krav kräver det utan att kontinuerligt flytta eller kopiera deras data. Hur viktigt är det att föra AI‑beräkningarna till datan, snarare än att föra all företagsdata till AI?
Detta är avgörande eftersom företag har lagt år på att bygga upp enorma mängder data i olika miljöer, och att flytta all denna data till ett ställe för AI är ofta opraktiskt. Det kan vara kostsamt och tidskrävande, samtidigt som säkerhets-, sekretess‑ eller suveränitetskrav kan hindra organisationer från att flytta viss data helt och hållet.
För närvarande är det inte praktiskt för företag att säkert flytta all sin data till de olika applikationer och miljöer där AI implementeras. Att föra AI till datan gör det möjligt för organisationer att använda mer av den data de redan har samtidigt som den behålls där den ska vara. Det ger också flexibiliteten att köra arbetsbelastningar där det är mest meningsfullt utifrån affärs- och tekniska krav. Allteftersom AI blir mer integrerat i hela företaget kommer förmågan att arbeta konsekvent oavsett var data finns bli allt viktigare.
Data suveränitet har blivit en stor oro när regeringar och reglerade industrier inför AI. Hur förändrar suveräna AI-krav den arkitektur som företag behöver, och förväntar du dig att suveräna moln och privat AI‑infrastruktur blir avsevärt viktigare under de kommande åren?
Absolut. Suveränitet blir en arkitekturkrav, inte bara en efterlevnadsfråga. Organisationer måste veta var deras data lagras och var deras AI‑arbetsbelastningar körs, samt vem som har åtkomst till och hur immateriella rättigheter och känslig information skyddas.
Organisationer kan inte längre anta att allt kan centraliseras i ett enda offentligt moln. De behöver flexibiliteten att operera över suveräna moln, privat infrastruktur, offentliga moln och lokala system samtidigt som de tillämpar konsekvent styrning i varje miljö. Dessa krav kommer bara att bli viktigare när AI rör sig längre in i reglerade industrier och kritiska affärsprocesser. Organisationer som kan innovera samtidigt som de behåller kontrollen över sin data och AI‑miljöer kommer att vara bättre positionerade för att skala AI på ett ansvarsfullt sätt.
När autonoma AI‑agenter får åtkomst till företagsdata, applikationer och infrastruktur kan traditionell datastyrning bli otillräcklig. Hur måste styrningen utvecklas när användarna som får åtkomst till och agerar på företagsdata i allt högre grad är AI‑agenter snarare än människor?
Tidigare har styrning mest baserats på att människor och applikationer kan komma åt data. Agenter tillför en ny dimension, eftersom de kan få åtkomst till information, resonera kring den och vidta åtgärder baserade på vad de upptäcker.
På grund av detta måste företag tillämpa idéer som identitet, behörigheter, härkomst, observerbarhet och zero‑trust‑åtkomst på agenter för att säkerställa säkerhet och styrning av sin data. Organisationer bör veta vilken agent som åtkom vilken data, vad den gjorde med informationen, vilka åtgärder den vidtog och om dessa åtgärder stämde överens med företagets policyer. Styrning kan inte införas efter att en agent har agerat; den måste byggas in i miljön så att policyer och skyddsåtgärder följer med data och kontinuerligt verkställs oavsett om den berörda enheten är en person, en applikation eller en autonom agent.
Cloudera betonar öppna standarder som Apache Iceberg, Polaris, Spark, Kafka och Trino snarare än att kräva att kunderna arbetar helt inom en proprietär stack. När AI‑infrastruktur konsolideras kring stora plattformar, hur viktigt blir öppna standarder och interoperabilitet för att förhindra en ny generation av AI‑leverantörslåsning?
Ju mer AI blir en del av företagsinfrastrukturen, desto viktigare blir öppna standarder. AI utvecklas snabbt, och organisationer måste undvika att fatta arkitekturbeslut idag som kan begränsa de modeller, motorer, infrastrukturer eller teknologier de kan använda i framtiden.
Teknologier som Apache Iceberg, Spark, Kafka, Trino och öppna kataloger ger organisationer flexibiliteten att använda olika verktyg för olika arbetsbelastningar samtidigt som de upprätthåller interoperabilitet i sina dataomgivningar. Detta är särskilt viktigt när företag i allt högre grad opererar över offentliga moln, suverän infrastruktur och privata datacenter, där de behöver friheten att bestämma var deras data och AI‑arbetsbelastningar körs utan att behöva bygga om kring en enda leverantör.
En öppen strategi gör det också enklare att anta nya AI‑funktioner samtidigt som man bygger på befintliga investeringar, snarare än att upprepade gånger flytta eller kopiera data i takt med att tekniken utvecklas. När AI‑landskapet fortsätter att förändras ger öppna standarder organisationer flexibiliteten att utveckla sin arkitektur över tid samtidigt som de behåller valfrihet och kontroll över sin data, infrastruktur och tekniska beslut.
Tack för den fantastiska intervjun, läsare som vill lära sig mer bör besöka Cloudera.
