Saket Saurabh, VD och medgrundare av Nexla – Intervjuserie

Saket Saurabh, VD och medgrundare av Nexla, är en entreprenör med en djup passion för data och infrastruktur. Han leder utvecklingen av en nästa generations, automatiserad dataingenjörsplattform som är utformad för att ge skala och hastighet till de som arbetar med data.

Tidigare grundade Saurabh ett framgångsrikt mobilstartupp som uppnådde betydande milstolpar, inklusive förvärv, börsnotering och tillväxt till ett flermiljondollarsföretag. Han bidrog också till flera innovativa produkter och teknologier under sin tid på Nvidia (NVDA ).

Nexla möjliggör automatisering av dataingenjörskap så att data kan vara redo att användas. De uppnår detta genom en unik tillvägagångssätt med Nexsets – dataprodukter som gör det enkelt för alla att integrera, transformera, leverera och övervaka data.

Vad inspirerade dig att medgrundade Nexla, och hur har dina erfarenheter inom dataingenjörskap format din vision för företaget?

 Före att grunda Nexla började jag min resa inom dataingenjörskap på Nvidia, där jag byggde högt skalbara, högkvalitativa teknologier på beräkningsidan. Efter det tog jag mitt tidigare företag genom en förvärvs- och börsnoteringsresa inom mobilreklamområdet, där stora mängder data och maskinlärning var en central del av vårt erbjudande, med bearbetning av cirka 300 miljarder poster om dagen.

När jag tittade på landskapet 2015 efter att mitt föregående företag hade gått publikt, sökte jag efter nästa stora utmaning som exciterade mig. Kommande från dessa två bakgrunder var det mycket tydligt för mig att data- och beräkningsutmaningarna konvergerade när industrin rörde sig mot mer avancerade tillämpningar som drivs av data och AI.

Medan vi inte visste vid den tiden att generativ AI (GenAI) skulle utvecklas så snabbt som den har, var det uppenbart att maskinlärning och AI skulle vara grunden för att ta tillvara på data. Så jag började tänka på vilken typ av infrastruktur som behövs för att människor ska kunna lyckas med att arbeta med data, och hur vi kan göra det möjligt för alla, inte bara ingenjörer, att utnyttja data i sina dagliga professionella liv.

Det ledde till visionen för Nexla – att förenkla och automatisera ingenjörskapet bakom data, eftersom dataingenjörskap var en mycket skräddarsydd lösning inom de flesta företag, särskilt när det gäller komplexa eller storskaliga dataproblem. Målet var att göra data tillgänglig och hanterbar för en bredare grupp användare, inte bara dataingenjörer. Mina erfarenheter av att bygga skalbara datasystem och applikationer bränslede denna vision att demokratisera tillgång till data genom automatisering och förenkling.

Hur exemplifierar Nexsets Nexlas uppdrag att göra data redo att användas för alla, och varför är denna innovation avgörande för moderna företag?

Nexsets exemplifierar Nexlas uppdrag att göra data redo att användas för alla genom att ta itu med den grundläggande utmaningen med data. De 3 V av data – volym, hastighet och variation – har varit ett bestående problem. Industrin har gjort vissa framsteg i att hantera utmaningar med volym och hastighet. Men variationen av data har förblivit en betydande hinder eftersom spridningen av nya system och applikationer har lett till en alltmer ökande mångfald i datastrukturer och format.

Nexlas tillvägagångssätt är att automatiskt modellera och ansluta data från olika källor till en konsekvent, paketerad enhet, en dataprodukt som vi kallar en Nexset. Detta tillåter användare att komma åt och arbeta med data utan att behöva förstå den underliggande komplexiteten i de olika datakällorna och strukturerna. En Nexset fungerar som en gateway, som tillhandahåller en enkel, rak interface till data.

Detta är avgörande för moderna företag eftersom det möjliggör för fler människor, inte bara dataingenjörer, att utnyttja data i sitt dagliga arbete. Genom att abstrahera bort variationen och komplexiteten i data gör Nexsets det möjligt för affärsanvändare, analytiker och andra att direkt interagera med den data de behöver, utan att kräva omfattande teknisk expertis.

Vi har också arbetat med att göra integrationen enkel att använda för mindre tekniska datakonsumenter – från användargränssnittet och hur människor samarbetar och styr data till hur de bygger omvandlingar och arbetsflöden. Att abstrahera bort komplexiteten i datavariationen är nyckeln till att demokratisera tillgång till data och ge en bredare grupp användare möjlighet att utnyttja sina informationsresurser. Detta är en kritisk förmåga för moderna företag som söker bli mer datadrivna och utnyttja datadrivna insikter över hela organisationen.

Vad gör data “GenAI-klar”, och hur hanterar Nexla dessa krav effektivt?

SVaret beror delvis på hur du använder GenAI. De flesta företag implementerar GenAI Retrieval Augmented Generation (RAG). Det kräver först att data förbereds och kodas för att laddas in i en vektordatabas, och sedan hämtas data via sökning för att lägga till som kontext som indata till en Large Language Model (LLM) som inte har tränats med denna data. Så data måste förberedas på ett sätt som fungerar bra för både vektorsökningar och för LLM.

Osv…