Lior Koriat, VD för Quali – Intervjuserie

Lior Koriat, VD för Quali, är en erfaren teknisk chef och entreprenör med nästan två decennier på Quali, där han har hjälpt till att forma företaget från dess tidiga ingenjörs- och driftsgrund till en global leverantör av molnagnostiska Environment as a Service-lösningar för DevOps, IT och plattformsteam. Sedan han blev VD och styrelseledamot 2011 har han lett Qualis expansion över hela USA, Europa, Asien och Israel, byggande på tidigare roller som VP R&D, COO och VD, där han etablerade ingenjörskap, försäljning, kundsupport, juridik, affärsutveckling och internationella verksamheter. Hans bakgrund inkluderar också att ha grundat och lett Intellitech Engineering, ett förvärvat system- och maskintekniskt företag som servar försvar och civila kunder, samt mentorroller med Google Launchpad Accelerator och UC Berkeley’s Sutardja Center for Entrepreneurship & Technology, där han råder startups om produktstrategi, marknadsföring, DevOps och skalbarhet.

Quali utvecklar infrastrukturautomatiserings- och plattformsingenjörssystem som är utformade för att hjälpa organisationer leverera styrda, självbetjäningsmolnmiljöer utan att sakta ner utvecklingsteam. Deras Torque-plattform tillhandahåller en katalogbaserad självbetjäningslager för plattformsteam, som möjliggör godkända ritningar, rollbaserade åtkomstkontroller, livscykelhantering, kostnadstilldelning, policygenomförande och realtidsövervakning över miljöer. Quali positionerar Torque som ett sätt att standardisera infrastrukturleverans över multi-moln- och hybridmolnmiljöer, med stöd för användningsfall som inkluderar programvaruutveckling, testning, demonstrationer, utbildning, bevis på konceptdistribution, MLOps, agentbaserad AI, CI/CD-pipelineautomatisering och GPU som en tjänst. Deras bredare produktportfölj inkluderar också CloudShell, som omvandlar infrastruktur till återanvändbara lågkods- eller kodfria byggblock för komplexa miljöer över på plats och molninfrastruktur.

Du grundade och skalfade flera tekniska företag innan du ledde Quali, och din karriär spänner över militära system, robotik, infrastrukturteknik och molnautomatisering. Hur har dessa erfarenheter påverkat din vision för att bygga AI-infrastrukturplattformar, och vad övertygade dig om att detta var rätt ögonblick att fokusera på AI-nativ infrastrukturhantering?

Min karriär har konsekvent centrerats kring komplexa system som måste fungera tillförlitligt under krävande förhållanden. Jag började i robotik och rymdteknik, utvecklade automatiserings- och simuleringsystem för försvarsapplikationer, där återanvändbarhet och styrning var operativa krav snarare än ingenjörsmässiga preferenser. Dessa miljöer lärde mig att de svåraste problemen uppstår där flera system och processer måste fungera tillsammans konsekvent över tid.

Den perspektiven bar sig in i Quali. Under det senaste decenniet har företagsinfrastruktur blivit alltmer distribuerad över olika lager. Varje nytt lager löste ett specifikt tekniskt problem, men det introducerade också ett nytt hanteringsgränssnitt, en ny operativ arbetsflöde och en ny källa till komplexitet. Organisationer blev mycket bra på att skapa infrastruktur, men mindre effektiva på att styra den när den väl fanns.

AI accelererade den obalansen, och operativa utmaningar bestämmer alltmer om en AI-initiativ når produktion eller förblir fast i pilotstadiet. Det är därför jag tror att AI-nativ infrastrukturhantering har blivit nödvändig. Utmaningen är att driva AI-infrastruktur kontinuerligt över heterogena miljöer samtidigt som man upprätthåller styrning, säkerhet och kostnadskontroll medan man optimerar användning.

Suverän AI har snabbt blivit en prioritet för regeringar och företag. Vad missförstår de flesta organisationer om suveränitet, och varför tror du att infrastrukturhantering blir lika viktig som modellägarskap?

Många diskussioner om suverän AI fokuserar på dataresidens och infrastrukturägarskap. Det är nödvändiga komponenter, men de adresserar bara en del av den operativa verkligheten.

När organisationer börjar distribuera autonoma agenter skiftar den primära frågan från var infrastrukturen befinner sig till hur AI-system opererar inom den infrastrukturen. Moderna agenter etablerar resurser, hämtar information, initierar arbetsflöden och interagerar med produktionsystem. Var och en av dessa åtgärder kräver policygenomförande.

Det förändrar hur suveränitet bör utvärderas. Att äga infrastrukturen garanterar inte automatiskt operativ kontroll om AI-system kan utföra åtgärder utan deterministisk styrning. Företag behöver visa vem som initierade en åtgärd, vilka policys styrde den, vilka resurser som tillgodosågs och hur dessa beslut kan granskas. Utmaningen är att driva AI-infrastruktur kontinuerligt över heterogena miljöer samtidigt som man upprätthåller styrning, säkerhet och kostnadskontroll medan man optimerar användning.

Jag förväntar mig att infrastrukturhantering kommer att bli lika strategiskt viktig som modellutveckling eftersom den tillhandahåller den operativa ramen som tillåter organisationer att skala AI på ett ansvarsfullt sätt. När företag antar flera modeller, flera moln och alltmer autonoma arbetsflöden blir hantering den lager som håller dessa miljöer säkra och ansvariga över hela infrastrukturbeståndet.

AI-agenter ges alltmer befogenhet att etablera resurser, distribuera arbetsbelastningar och fatta operativa beslut. Vilka skyddsmekanismer måste finnas på plats innan företag kan lita på autonoma system med kritisk infrastruktur?

Många organisationer distribuerar redan AI-agenter i produktion. Frågan är hur dessa agenter opererar inom tydligt definierade gränser.

Det första kravet är deterministisk policygenomförande på exekveringslagret. Agenter bör endast kunna utföra åtgärder som följer fördefinierade infrastrukturpolicys. Dessa policys kan inte förlita sig på att modellen bestämmer om en åtgärd är lämplig. De måste genomföras oberoende av modellen själv.

Åtkomstkontroll är lika viktig. Persistenta behörigheter skapar onödig operativ risk. Åtkomst bör etableras för den specifika uppgiften som utförs, begränsas till de resurser som krävs och återkallas automatiskt när arbetet är slutfört. Den modellen tillåter organisationer att expandera automatisering utan att expandera sin angreppsyta.

Varje åtgärd behöver också en fullständig granskningslogg. När AI-system blir alltmer autonoma behöver företag förstå vilken agent som utförde en åtgärd, när den inträffade, vilken policy auktoriserade den och vilka ändringar gjordes. Den nivån av spårbarhet stöder operativ felsökning samt regelefterlevnad.

Jag tror också att autonom infrastruktur bör operera inom styrda miljöer snarare än över obehindrad infrastruktur. Väldefinierade miljöer tillhandahåller explicita resursgränser, livscykelkontroll och operativa policys innan en agent börjar utföra arbetsbelastningar. Det tillåter organisationer att öka automatisering samtidigt som de upprätthåller förutsägbar operativ beteende när AI-distributioner fortsätter att skala.

Du diskuterar ofta övergången från traditionell automatisering till vad du kallar en intelligent kontrollplan. Vad förändras fundamentalt när infrastruktur börjar operera kring avsikt snarare än statiska regler och arbetsflöden?

Traditionell automatisering utför fördefinierade steg. Det fungerar när infrastruktur är förutsägbar, arbetsbelastningar är stabila och förändringar sker genom mänskligt hanterade arbetsflöden. AI-infrastruktur fungerar inte på det sättet.

AI-arbetsbelastningar är dynamiska. GPU-efterfrågan ändras snabbt, miljöer skapas och rivs ofta, och agenter kan behöva åtkomst till resurser för specifika uppgifter. En intelligent kontrollplan förstår syftet med en miljö, vem som äger den, vad den kostar, vilka policys som gäller och om den levande tillståndet fortfarande matchar det avsedda tillståndet.

Den kontexten förändrar infrastrukturhantering. Systemet kan upptäcka avvikelser, rekommendera optimering, genomföra policy och fatta livscykelbeslut mot det avsedda resultatet snarare än ett statiskt skript.

GPU-infrastruktur har blivit en av de största flaskhalsarna i AI-distribution. Tror du att branschen närmar sig GPU-användning på fel sätt, och vilka operativa förändringar kunde dramatiskt förbättra effektiviteten utan att bara lägga till mer hårdvara?

Branschen behandlar ofta GPU-problemet som ett inköpsproblem. I många företag är det mer omedelbara problemet användning.

Vi ser organisationer med GPU-kluster som är fördefinierade för toppbegäran, som ligger inaktiva mellan träningskörningar eller som förblir kopplade till miljöer efter att arbetet har avslutats. Det skapar höga kostnader utan att matcha affärsverdi.

Att förbättra GPU-effektivitet börjar med livscykelkontroll. Miljöer bör etableras på begäran, matchas till arbetsbelastningen, tillskrivas ett team eller projekt och rivas ner automatiskt när uppgiften är slutförd. Företag behöver också insyn i användning, kostnad per arbetsbelastning och affärsändamål bakom varje miljö.

Att lägga till hårdvara kan fortfarande vara nödvändigt, men ohanterad GPU-kapacitet utvidgar bara kostnadsproblemet.

Många företag opererar idag över offentliga moln, privata moln, lokala miljöer och edge-infrastruktur. Hur ser du hybrid-AI-miljöer utvecklas under de kommande fem åren, och vilka utmaningar förblir olösta idag?

Hybrid-AI kommer att bli den standardmässiga företagsmodellen. Organisationer kommer att använda offentliga moln för flexibilitet, lokala infrastrukturer för kontroll och kostnadshantering och edge-miljöer där latens, dataort och operativa krav kräver det.

Den olösta utmaningen är konsekvens. De flesta företag opererar redan över flera leverantörer, moln, automatiseringsverktyg och infrastrukturstyper. AI lägger till GPU-kluster, modellserveringsmiljöer, finjusteringspipeliner och agenterbaserade arbetsbelastningar till den mixen.

Under de kommande fem åren kommer de ledande organisationerna att vara de som skapar en operativ standard över dessa miljöer. De kommer att behöva konsekvent etablering, policygenomförande, kostnadstilldelning, granskning och livscykelhantering, oavsett var arbetsbelastningen körs.

DevOps förvandlade programvarudistribution under det senaste decenniet. Tror du att AI-infrastruktur kräver en helt ny operativ modell, eller är det den naturliga utvecklingen av DevOps och plattformsingenjörskap?

AI-infrastruktur utvidgar DevOps, men den introducerar också krav som traditionella DevOps-praxis inte var utformade för att hantera.

DevOps förbättrade programvarudistribution genom att standardisera pipelines, automatisera upprepningsbara arbete och ge team snabbare tillgång till de resurser de behövde. AI-infrastruktur kräver samma disciplin, men arbetsbelastningarna är mer resurskrävande, mindre förutsägbara och mer beroende av specialiserad infrastruktur.

Plattformsingenjörskap blir centralt i den här miljön. Team behöver styrda självbetjäningsåtkomst till validerade miljöer, snarare än biljettbaserad etablering eller manuell konfiguration. Den operativa modellen värdesätter fortfarande hastighet och automatisering, men den kräver också starkare styrning, kostnadskontroll och infrastrukturkontext från början.

Nollberöringsoperationer har länge varit ett mål i infrastrukturhantering. Hur nära är vi att verkligen autonom infrastruktur, och vilka är de största tekniska och organisatoriska hindren som fortfarande står i vägen?

Vi är mycket närmare autonom infrastruktur än de flesta människor förstår, men den begränsande faktorn är styrning snarare än automatisering. AI-agenter kan redan etablera miljöer, distribuera arbetsbelastningar, undersöka avvikelser och rekommendera åtgärder. Utmaningen är att se till att dessa åtgärder sker inom tydligt definierade policygränser.

Organisationer behöver också förtroende för att autonoma system kan förklara vad de gjorde, varför de gjorde det och under vilken policy de agerade. Den nivån av spårbarhet saknas fortfarande i många företagsmiljöer. Autonom infrastruktur kommer att bli mainstream när styrning, granskning och policygenomförande är inbyggda i den operativa lagern snarare än att läggas till efteråt.

När AI-arbetsbelastningar blir mer dynamiska och resurskrävande, blir kostnadsoverskridningar ett stort problem. Vilka är de vanligaste misstagen företag gör när de försöker skala AI-infrastruktur, och hur kan de undvika dem?

Många organisationer fokuserar på att förvärva mer beräkningskraft innan de förstår hur effektivt de använder den infrastruktur de redan har.

Vi ser regelbundet miljöer som förblir aktiva efter att projekt har avslutats, GPU-resurser reserverade för arbetsbelastningar som aldrig körs och liten insyn i vilka team eller applikationer som driver infrastrukturkostnader. AI-arbetsbelastningar förstärker dessa ineffektiviteter eftersom efterfrågan ändras snabbt och GPU-infrastruktur är dyr.

Lösningen börjar med styrning. Varje miljö bör ha en definierad ägare, affärsändamål, livscykel och kostnadsprofil från och med den etableras. När organisationer kombinerar policybaserad etablering med automatisk rivning och kontinuerlig insyn i användning, blir infrastrukturutgifterna mycket lättare att förutsäga och motivera.

Om man tittar framåt, vad kommer att skilja organisationer som framgångsrikt operationaliserar AI i stor skala från de som kämpar, och vilka infrastrukturtrender bör tekniska ledare uppmärksamma just nu som fortfarande flyger under radarn?

De organisationer som lyckas kommer att behandla AI-infrastruktur som en operativ förmåga snarare än en samling teknologier. Modeller kommer att fortsätta förbättras, och hårdvara kommer att fortsätta bli mer kraftfull. Att driva dessa miljöer konsekvent över flera team och plattformar kommer att förbli den svårare utmaningen.

En trend som förtjänar mer uppmärksamhet är övergången till infrastrukturintelligens. Infrastrukturplattformar börjar förstå kontexten av vad de hanterar, vem som äger en miljö, vilken arbetsbelastning den stöder, hur mycket den kostar, om den följer policy och när den bör optimeras eller pensioneras. Den operativa kontexten kommer att bli alltmer värdefull när företag distribuerar fler AI-agenter och mer heterogen infrastruktur.

Jag förväntar mig också att styrning kommer att bli en konkurrensfördel. De organisationer som kan etablera infrastruktur snabbt samtidigt som de upprätthåller synlighet, policygenomförande, kostnadskontroll och granskning kommer att flytta AI-projekt från pilot till produktion mycket snabbare än de som fortfarande förlitar sig på fragmenterade operativa modeller.

Tack för den underbara intervjun, läsare som vill lära sig mer kan besöka Quali.