Skip Levens, Marknadschef, Media & Underhållning, Quantum – Intervjuerien

Skip Levens är en produktledare och AI-strateg på Quantum, en ledare inom datalagring för AI och ostrukturerad data. Han ansvarar för närvarande för att driva engagemang, medvetenhet och tillväxt för Quantums lösningar från slutpunkt till slutpunkt. Under sin karriär, som har inkluderat stopp på organisationer som Apple (AAPL ), Backblaze, Symply och Active Storage, har han framgångsrikt lett marknadsföring och affärsutveckling, evangelism, lanserat nya produkter, byggt relationer med nyckelstakeholders och drivit intäktsökning.

Quantum erbjuder lösningar för datalagring som hjälper organisationer att hantera, berika och skydda ostrukturerad data, såsom video- och ljudfiler, i stor skala. Deras teknik fokuserar på att omvandla data till värdefulla insikter, vilket möjliggör för företag att extrahera värde och fatta informerade beslut. Quantums plattform erbjuder säkra, skalbara och flexibla lösningar som kombinerar lokala infrastrukturer med molnfunktioner. Företagets tillvägagångssätt möjliggör för företag att hantera datatillväxt på ett effektivt sätt samtidigt som de säkerställer säkerhet och flexibilitet under hela datalivscykeln.

Kan du ge en översikt av Quantums tillvägagångssätt för AI-driven datalagring för ostrukturerad data?

Genom att hjälpa kunder att integrera artificiell intelligens (AI) och maskinlärning (ML) i sina viktigaste affärsprocesser hjälper Quantum kunder att effektivt hantera och låsa upp meningsfulla värden från sin ostrukturerade data, skapar åtgärdsbara affärsinsikter som leder till bättre affärsbeslut. Genom att bygga sina egna AI/ML-verktyg kan företag gå från att bara hantera datatillströmningen till att utnyttja insikter som en ny drivkraft för effektivitet och slutligen förstärker mänsklig expertis i alla faser av affärsprocesser.

Hur analyserar Quantums AI-teknik ostrukturerad data, och vad är några nyckelinnovationer som särskiljer er plattform från konkurrenter?

I de första stadierna av att anta AI/ML-verktyg upptäcker många organisationer att deras arbetsflöden blir oordnade och frånkopplade, och kan förlora spåret av sin data, vilket gör det svårt att upprätthålla säkerhets- och skyddsnormer. Alltför ofta hämmas tidig utveckling av olämplig lagring och filsystemprestanda.

Vi utvecklade Myriad, en högpresterande, programvarudefinierad fillagring och intelligent tyg miljö för att elegant möta utmaningarna med att integrera AI/ML-pipeline och högpresterande arbetsflöden tillsammans – att förena arbetsflöden utan de hårdvarurelaterade begränsningarna och begränsningarna i andra system. Myriad är en tydlig avvikelse från äldre hårdvara och lagringsbegränsningar, och byggd med de senaste lagrings- och molnteknologierna, är den helt mikrotjänstbaserad och orkestrerad av Kubernetes för att vara ett högt responsivt system som sällan kräver administrativ interaktion. Myriad är exklusivt utformad för att dra den högsta prestandan från NVMe och intelligent tyg nätverk och nästan omedelbar fjärrdirektminnesåtkomst (RDMA) mellan varje komponent. Resultatet är ett innovativt system som svarar intelligently och automatiskt på förändringar och kräver minimal administrativ interaktion för att utföra vanliga uppgifter. Genom att göra intelligent tyg en del av systemet är Myriad också ett intrinsikalt belastningsbalanserat system som erbjuder flera 100 Gbps-portar av bandbredd som en enda, balanserad IP-adress.

Att kombinera Myriad med vår molnliknande objektlagringsystem, ActiveScale, möjliggör för organisationer att arkivera och bevara även de största datalagren och innehållet. Kombinationen erbjuder kunderna en verklig lösning för datalagring från slutpunkt till slutpunkt för deras AI-pipeliner. Dessutom, när den levereras tillsammans med vår CatDV-lösning, kan kunderna märka och katalogisera data för att ytterligare berika sin data och förbereda den för analys och AI.

Kan du dela insikter om användningen av AI med videoövervakning vid olympiska spelen i Paris, och vilka andra storskaliga evenemang eller organisationer har använt denna teknik?

Maskinlärning kan utveckla återkommande åtgärder som känner igen mönster av intresse på video och härleder insikter från en flod av realtidsvideo data i en skala som är större och snabbare än vad som är möjligt för en människa att göra på egen hand. Videoövervakning kan till exempel använda AI för att fånga och flagga misstänkt beteende när det inträffar, även om det finns hundratals kameror som matar modellen information. En människa som försöker utföra denna uppgift skulle bara kunna bearbeta en händelse i taget, medan AI-stödd videoövervakning kan hantera tusentals fall samtidigt.

Vilka är de primära utmaningarna som organisationer står inför när de implementerar AI för ostrukturerad dataanalys, och hur hjälper Quantum att mildra dessa utmaningar?

Organisationer måste helt ompröva sitt tillvägagångssätt för lagring, samt data- och innehållshantering som helhet. De flesta organisationer växer sin lagringsförmåga organiskt, vanligtvis som svar på enstaka behov, och detta skapar en multiföretagsförvirring och olycklig komplexitet.

Med antagandet av AI måste organisationer nu förenkla lagringen som ligger till grund för deras verksamhet. Ofta kräver detta att man implementerar en “varm” del av den initiala datainmatningen, eller en landningszon där applikationer och användare kan arbeta så snabbt som möjligt. Sedan läggs en stor “kall” typ av lagring till som kan enkelt arkivera stora mängder data och skydda den på ett kostnadseffektivt sätt, med möjlighet att flytta data tillbaka till en “varm” bearbetningsarbetsflöde nästan omedelbart.

Hur integrerar Quantums AI-innovationer med andra AI-stödda verktyg och tekniker för att förbättra organisatorisk tillväxt och effektivitet?

Många människor tror att lagring för AI/ML-verktyg bara handlar om att mata grafikprocessorer (GPUs), men det är bara en liten del av ekvationen. Även om hastighet och hög prestanda kan vara instrumentala för att mata data så snabbt som möjligt till GPU:erna som utför dataanalys, handlar den större bilden om hur en organisation kan integrera iterativ och pågående AI/ML-utveckling, utbildning och inferensloopar baserat på anpassad data.

Kan du förklara AI-aktiverade arbetsflödeshanteringsfunktioner och hur de rationaliserar dataprocesser?

Vi bygger en mängd AI-aktiverade arbetsflödeshanteringsverktyg som integreras direkt i lagringslösningar för att automatisera uppgifter och ge värdefulla realtidsinsikter, vilket möjliggör snabb och informerad beslutsfattning över hela organisationen.

Vad är utsikterna för AI-stödd datalagring, och vilka trender ser du i de kommande åren?

När dessa verktyg utvecklas och blir multimodala kommer det att möjliggöra mer uttrycksfulla och öppna sätt att arbeta med din data. I framtiden kommer du att kunna ha en “konversation” med ditt system och presenteras med information eller analyser av intresse, såsom “Vad är den snabbast växande typen av data i min ‘varma zon’ nu?”.

Vilken roll spelar era molnbaserade analyser och lagring som en tjänst i den övergripande datalagringsstrategin?

Organisationer med betydande och expanderande lagringskrav har ofta svårt att hålla jämna steg med efterfrågan, särskilt när de opererar på begränsade budgetar. Offentlig molnlagring kan leda till höga och oförutsägbara kostnader, vilket gör det svårt att korrekt uppskatta och köpa flera års lagringsbehov i förväg.

Hur planerar Quantum att ligga före i den snabbt utvecklande AI- och datalagringslandskapet?

I dagens värld är det inte tillräckligt att bara vara en “lagringsleverantör”. Nyutvecklad data och affärsutmaningar kräver en intelligent, AI-aktiverad dataplattform som hjälper kunder att maximera värdet av sin data.

Tack för den utmärkta intervjun, läsare som vill lära sig mer kan besöka Quantum.