เจย์ มิชรา, ซีโอโอของ Astera Software – สัมภาษณ์ซีรีส์

เจย์ มิชรา เป็น Chief Operating Officer (COO) ของ Astera Software ซึ่งเป็นผู้ให้บริการโซลูชันข้อมูลระดับองค์กรที่เติบโตอย่างรวดเร็ว พวกเขาช่วยให้ผู้ใช้งานทางธุรกิจเชื่อมช่องว่างระหว่างข้อมูลและข้อมูลเชิงลึกด้วยชุดโซลูชันการขุดข้อมูล การตรวจสอบคุณภาพข้อมูล การรวมข้อมูล การจัดเก็บข้อมูล และการแลกเปลี่ยนข้อมูลอิเล็กทรอนิกส์ที่มีประสิทธิภาพสูง ซึ่งใช้โดยทั้งบริษัทขนาดกลางและ Fortune 500 ทั่วหลายอุตสาหกรรม

สิ่งใดที่ดึงดูดคุณเข้าสู่วิชาวิทยาการคอมพิวเตอร์?

ผมมีความหลงใหลในคณิตศาสตร์มาตั้งแต่เด็ก และการเข้าสู่วิชาวิทยาการคอมพิวเตอร์เป็นผลตามมาจากความหลงใหลนั้น การศึกษาระดับอุดมศึกษาของ tôiเป็นคณิตศาสตร์และวิทยาการคอมพิวเตอร์ และเป็นกระบวนการเชื่อมต่อระหว่างโลกของคณิตศาสตร์และวิทยาการคอมพิวเตอร์ที่ดึงดูดใจผม มีหลายสิ่งที่ดึงดูดความสนใจของผม แต่สิ่งที่ดึงดูดความสนใจของผมมากที่สุดคือการทำงานของอัลกอริทึมและกระบวนการอัลกอริทึมที่ซับซ้อน ซึ่งนำไปสู่การเรียนต่อในระดับมหาบัณฑิตด้านวิทยาการคอมพิวเตอร์ และตั้งแต่นั้นมา ผมก็ยังคงความสนใจในด้านวิทยาการคอมพิวเตอร์อย่างต่อเนื่อง

คุณเป็น COO ของ Astera ในปัจจุบัน คุณสามารถบอกเราเกี่ยวกับงานประจำวันของคุณได้หรือไม่?

ในฐานะ COO ของ Astera หน้าที่ของผมมีความหลากหลาย สะท้อนถึงลักษณะที่มีการเปลี่ยนแปลงอย่างรวดเร็วของบริษัท ผมได้เข้าร่วม Astera ตั้งแต่เริ่มต้น และหน้าที่ของผมได้ครอบคลุมหลายด้านขององค์กร รวมถึงการมีส่วนร่วมในการพัฒนาและเขียนโค้ดสำหรับผลิตภัณฑ์ของเรา และการรับรองว่าฟังก์ชันของผลิตภัณฑ์ตรงกับความต้องการที่เปลี่ยนแปลงของลูกค้า ผมทำงานอย่างใกล้ชิดกับลูกค้า เพื่อปรับปรุงโซลูชันของเราให้ตรงตามความต้องการของพวกเขา หน้าที่ของผมไม่จำกัดอยู่เพียงการพัฒนาผลิตภัณฑ์ แต่ยังครอบคลุมการขายและการตลาด โดยที่เรานำเสนอผลิตภัณฑ์ของเราเข้าสู่ตลาด

เนื่องจากเราอยู่ในช่วงการเติบโต ผมจึงรับผิดชอบเพิ่มเติม รวมถึงการดูแลเป้าหมายรายได้และการขยายพอร์ตโฟลิโอผลิตภัณฑ์ไปสู่ตลาดใหม่ๆ โดยพื้นฐานแล้ว ผมมีส่วนร่วมในเกือบทุกด้านของการดำเนินงาน เพื่อให้แน่ใจว่าไม่เพียงแต่เราจะสร้างผลิตภัณฑ์ที่ยอดเยี่ยม แต่ยังสามารถนำเสนอผลิตภัณฑ์เหล่านั้นเข้าสู่ตลาดและบรรลุเป้าหมายทางธุรกิจของเราได้

สำหรับผู้อ่านซึ่งไม่คุ้นเคยกับเทอมนี้ คุณสามารถอธิบายว่า data warehousing คืออะไรได้หรือไม่?

การเก็บข้อมูล (data warehousing) เป็นรูปแบบการออกแบบที่ใช้ในการรวบรวมข้อมูลทั้งหมดขององค์กรเข้าสู่คลังข้อมูลกลาง ซึ่งจะใช้เป็นพื้นฐานในการสร้างการวิเคราะห์ รายงาน และแดชบอร์ดที่จะแสดงภาพรวมของธุรกิจและคาดการณ์ถึงอนาคต โดยการนำข้อมูลจากแหล่งต่างๆ มารวมกันในคลังข้อมูล ซึ่งออกแบบมาเพื่อให้การรายงานตามเวลาเป็นไปอย่างง่ายดาย

คำว่า “คลังข้อมูล” นี้มาจากคลังเก็บสินค้าในชีวิตจริงที่สินค้าถูกเก็บไว้ในชั้นวางที่มีการจัดระเบียบ แต่เมื่อเข้าสู่โลกของข้อมูล เราจะนำข้อมูลมาจากแหล่งต่างๆ เช่น การผลิต เว็บไซต์ ลูกค้า การขายและการตลาด การเงิน และแผนกทรัพยากรบุคคล มารวมกันในคลังข้อมูล ซึ่งออกแบบมาเพื่อให้การรายงานตามเวลาเป็นไปอย่างง่ายดาย ซึ่งเป็นจุดประสงค์หลักของการเก็บข้อมูล

เทรนด์สำคัญในปัจจุบันในด้าน data warehousing คืออะไร?

การเก็บข้อมูลได้พัฒนาไปมากในช่วง 20-25 ปีที่ผ่านมา ประมาณสิบปีที่แล้ว เราได้เห็นการเกิดขึ้นของการเก็บข้อมูลอัตโนมัติ ซึ่งเป็นการเปลี่ยนแปลงครั้งสำคัญที่เร่งกระบวนการสร้างแบบจำลองข้อมูลและคลังข้อมูล เมื่อเร็วๆ นี้ การอัตโนมัติได้กลายเป็นจุดสนใจหลัก โดยมุ่งเน้นในการแก้ไขปัญหาการทำซ้ำซ้อนของงานเก็บข้อมูล เพื่อประหยัดเวลาและทรัพยากร

ผลิตภัณฑ์ของเรา เช่น Astera Data Warehouse Builder เป็นตัวอย่างของการนำการอัตโนมัติมาใช้ในด้านการเก็บข้อมูล โดยครอบคลุมทุกอย่างตั้งแต่การอัตโนมัติของ ETL (Extract, Transform, Load) และการสร้างแบบจำลองข้อมูล ไปจนถึงการโหลดข้อมูลอัตโนมัติเข้าสู่โครงสร้าง เช่น สตาร์สคีมาหรือคลังข้อมูล นอกจากนี้ยังสามารถดูแลรักษาโครงสร้างเหล่านี้ผ่านกลไกการตรวจจับการเปลี่ยนแปลงข้อมูล (Change Data Capture) การอัตโนมัติแบบครอบคลับนี้ได้กลายเป็นเทรนด์สำคัญในด้านการเก็บข้อมูล

เทรนด์ใหม่ล่าสุดคือการผสมผสานระหว่างการเก็บข้อมูลและปัญญาประดิษฐ์ (AI) โดยเฉพาะ AI ที่สร้างขึ้น ซึ่งไม่เพียงแต่อัตโนมัติเท่านั้น แต่ยังช่วยเหลือผู้ใช้ในการตัดสินใจ

การกำหนดค่าของส่วนประกอบการเก็บข้อมูล ระบบการทำงาน และจุดตัดสินใจสามารถได้รับการแนะนำจาก AI ทำให้การเก็บข้อมูลมีประสิทธิภาพและแข็งแกร่งกว่าเดิม ซึ่งเป็นการอัตโนมัติที่เพิ่มขึ้นและกำลังเปลี่ยนแปลงภูมิทัศน์ของการเก็บข้อมูล การผสมผสานระหว่าง AI และการเก็บข้อมูลเป็นเทรนด์ที่มีแนวโน้มมากสำหรับอนาคต

หลักการสำคัญ 4 ประการในการพัฒนา data warehouse ที่ธุรกิจควรพิจารณาคืออะไร?

1. การกำหนดวัตถุประสงค์ที่ชัดเจน

สิ่งสำคัญคือต้องเข้าใจว่าคุณต้องการอะไรจากคลังข้อมูลของคุณ พยายามหลีกเลี่ยงการเก็บข้อมูลมากเกินไปโดยไม่มีวัตถุประสงค์ที่ชัดเจน แทนที่จะระบุวัตถุประสงค์ที่คุณต้องการบรรลุจากคลังข้อมูลของคุณ คุณกำลังมองหารายงานและข้อมูลเชิงลึกอะไร? โดยการมุ่งเน้นไปที่เป้าหมายของคุณ คุณสามารถรับรองได้ว่าคุณนำข้อมูลที่เกี่ยวข้องมาใช้เท่านั้น และไม่สะสมข้อมูลมากเกินไป

2. การเลือกโครงสร้างที่เหมาะสม

รูปแบบโครงสร้างมีความสำคัญมาก และจะกำหนดว่าโซลูชันการเก็บข้อมูลของคุณจะสำเร็จหรือไม่ มีหลายตัวเลือกตั้งแต่การเก็บข้อมูลแบบ Inmon ไปจนถึงแบบจำลองดาวของ Ralph Kimball และรูปแบบใหม่ๆ เช่น Data Vault และแนวทางหนึ่งตารางใหญ่ ที่เสนอโดยผู้ให้บริการฐานข้อมูลคอลัมน์ ไม่มีรูปแบบใดที่เหมาะสมสำหรับทุกสถานการณ์

เราเห็นได้ว่าโดยทั่วไปแล้ว จะใช้รูปแบบดาวที่วางอยู่บนยอดของ Data Vault ดังนั้น การผสมผสานระหว่าง Data Vault และ Star Schema จึงยังคงเป็นรูปแบบที่ใช้กันมากที่สุด แต่สำหรับแต่ละความต้องการหรือสถานการณ์จะมีคำตอบที่แตกต่างกัน ดังนั้น ควรให้ความช่วยเหลือจากผู้เชี่ยวชาญเพื่อดูว่ารูปแบบโครงสร้างใดเหมาะสมกับสถานการณ์ของคุณ

3. การเลือกเครื่องมือที่เหมาะสม

เครื่องมือมีความสำคัญและสามารถสร้างความแตกต่างอย่างมากในการใช้เวลาและทรัพยากรที่ต้องการในการสร้างและดูแลโซลูชันการเก็บข้อมูล ควรให้ความสนใจกับความสามารถของผลิตภัณฑ์และดูผลิตภัณฑ์ที่สามารถตอบสนองความต้องการส่วนใหญ่ภายใต้หลังคาเดียวกัน มีหลายด้านที่สำคัญ เช่น ETL (Extract, Transform, Load), การตรวจสอบคุณภาพข้อมูล, การสร้างแบบจำลองข้อมูล, การโหลดข้อมูล และการเผยแพร่ข้อมูล หากพยายามใช้ผลิตภัณฑ์หลายตัวสำหรับแต่ละด้านเหล่านี้ จะทำให้เกิดความยุ่งยาก

4. ทีมของคุณ

สุดท้าย แต่ไม่น้อยที่สุด ทีมที่คุณรวบรวมเพื่อสร้างโซลูชันการเก็บข้อมูลของคุณเป็นส่วนสำคัญที่สุด เราแนะนำให้มีคนมีพื้นฐานด้านรูปแบบโครงสร้างข้อมูล ในด้านการประกอบทีม ควรใช้ทีมที่มีหน้าที่หลากหลาย โดยมีผู้ใช้งานทางธุรกิจและบุคคลที่มีพื้นฐานด้านการเขียนโปรแกรมหรืออย่างน้อยมีความเชี่ยวชาญด้านข้อมูล และมีการทำงานร่วมกันอย่างใกล้ชิดระหว่างผู้ดูแลข้อมูลและธุรกิจ โดยการสร้างทีมที่ทำงานร่วมกันอย่างมีประสิทธิภาพ คุณสามารถสร้างทีมที่มีประสิทธิภาพในการสร้างและดูแลโซลูชันการเก็บข้อมูลของคุณ

ความสำเร็จในการเก็บข้อมูลขึ้นอยู่กับการบรรลุสมดุลระหว่างหลักการเหล่านี้ หลักการเหล่านี้ เมื่อปฏิบัติตามอย่างรอบคอบ ได้พิสูจน์แล้วว่าเป็นสูตรสำเร็จในประสบการณ์ของเรา

ทำไมบริษัทต่างๆ จึงต้องการ data stack ที่ทันสมัย?

ขึ้นอยู่กับวิธีการที่เรากำหนด “ทันสมัย” ซึ่งอาจเปลี่ยนแปลงไปตามเวลา ไม่ว่าจะเป็นปี เดือน หรือแม้กระทั่งวัน เราต้องพิจารณาเครื่องมือที่ออกแบบมาเพื่อรองรับภูมิทัศน์ของข้อมูลที่เปลี่ยนแปลงไป ในช่วงไม่กี่ปีที่ผ่านมา มีการเปลี่ยนแปลงที่สำคัญในลักษณะและปริมาณของข้อมูล การเกิดขึ้นของ Big Data ได้เปลี่ยนแปลงภูมิทัศน์ของข้อมูล โดยมีข้อมูลหลั่งเข้ามาจากแหล่งต่างๆ เช่น เว็บไซต์ขายของออนไลน์ ฐานข้อมูลการผลิต และส่วนต่างๆ ของธุรกิจของคุณ

ในอดีต ข้อมูลส่วนใหญ่จะเป็นข้อมูลที่มีโครงสร้าง แต่ปัจจุบันข้อมูลที่ไม่มีโครงสร้างมีบทบาทสำคัญเช่นกัน นอกจากนี้ ความเร็วที่ข้อมูลถูกสร้างและพร้อมใช้งานเพิ่มขึ้น ดังนั้นจึงจำเป็นต้องประเมินและปรับเครื่องมือของเราอย่างต่อเนื่องเพื่อตอบสนองต่อความท้าทายของข้อมูลที่เปลี่ยนแปลงไป

data stack ที่ทันสมัยได้รับการออกแบบมาเพื่อรับมือกับการเปลี่ยนแปลงทั้งหมดในโครงสร้างและความเร็วของข้อมูล และพร้อมที่จะปรับตัวเข้ากับรูปแบบโครงสร้างที่พัฒนาขึ้นในช่วงไม่กี่ปีที่ผ่านมา ดังนั้น หากคุณต้องการใช้ข้อมูลของคุณให้เกิดประโยชน์สูงสุด คุณจะต้องดูการปรับปรุง data stack ของคุณ นี่เป็นวิธีเดียวที่จะตามทันความท้าทายใหม่ๆ ของข้อมูล

เราได้เห็นว่าบริษัทต่างๆ มักจะยึดติดกับโซลูชันที่มีอยู่ซึ่งดูเหมือนจะทำงานได้ แต่สิ่งสำคัญคือต้องตระหนักว่าข้อมูลนั้นมีลักษณะที่เปลี่ยนแปลงอยู่ตลอดเวลา และนำเสนอความท้าทายและโอกาสใหม่ๆ อย่างต่อเนื่อง โซลูชันที่มีอยู่อาจไม่ได้รับการออกแบบมาเพื่อปรับตัวเข้ากับการเปลี่ยนแปลงเหล่านี้ ดังนั้น เพื่อให้สามารถใช้ข้อมูลของตนให้เกิดประโยชน์สูงสุด บริษัทต่างๆ จึงต้องยอมรับแนวคิดในการปรับปรุง data stack ของตน

ไม่ใช่เรื่องของการทำลายสิ่งที่ทำงานได้ แต่เป็นเรื่องของการยังคงคล่องตัวและตอบสนองต่อลักษณะที่เปลี่ยนแปลงไปของข้อมูล โดยการประเมินและรวมการปรับปรุงเทคโนโลยีข้อมูลอย่างต่อเนื่อง ธุรกิจสามารถยังคงแข่งขันและตัดสินใจอย่างมีข้อมูลในโลกที่ขับเคลื่อนด้วยข้อมูลมากขึ้น

ความท้าทายในการจัดการข้อมูลในปัจจุบันที่เห็นในอุตสาหกรรมคืออะไร?

1. ความเร็วและความเร็วในการรวมข้อมูล

หนึ่งในความท้าทายที่เราเผชิญอยู่ในปัจจุบันคือปริมาณข้อมูลที่หลั่งเข้ามาจากแอปพลิเคชันต่างๆ หากคุณพิจารณาองค์กร IT ทั่วไป พวกเขาจะต้องจัดการกับแอปใหม่ๆ ที่เกิดขึ้นทุกครั้ง ซึ่งอาจเป็นหลายสิบหรือหลายร้อยต่อปี โดยเฉพาะในองค์กรขนาดกลาง

ข้อมูลทั้งหมดนี้มีข้อมูลเชิงลึกที่มีคุณค่า และความท้าทายหลักคือความสามารถในการรวมแหล่งข้อมูลใหม่เหล่านี้เข้ากับคลังข้อมูลที่มีอยู่และรวมเข้าด้วยกันในมุมมองที่เป็นหนึ่งเดียว ความเร็วที่องค์กรสามารถปรับตัวและรวมกระแสข้อมูลใหม่ๆ เหล่านี้ได้คือความท้าทายที่ใหญ่ที่สุด

2. รูปแบบข้อมูลที่แตกต่างกัน

ความท้าทายอีกประการหนึ่งมาจากลักษณะของข้อมูล โดยเฉพาะการเพิ่มขึ้นของข้อมูลที่ไม่มีโครงสร้าง องค์กรจะต้องตัดสินใจว่าจะเก็บข้อมูลนี้ไว้ในคลังข้อมูลโดยตรงเพื่อใช้ในอนาคตหรือจะแปลงและเปลี่ยนเป็นรูปแบบที่มีโครงสร้างมากกว่าเพื่อใช้ได้ทันที

ความท้าทายในการจัดการกับข้อมูลที่ไม่มีโครงสร้างยังคงอยู่ และเราเห็นว่าแม้แต่บริษัทขนาดกลางหรือเล็กๆ ก็ได้รับผลกระทบจากมัน ดังนั้น การสร้างกลยุทธ์ที่มีประสิทธิภาพในการจัดการกับข้อมูลที่ไม่มีโครงสร้างจึงเป็นสิ่งจำเป็น

3. การเผยแพร่และแบ่งปันข้อมูล

ในขณะที่การรวมข้อมูลและการรวมเป็นหนึ่งเดียวมีความสำคัญ ความสามารถในการแบ่งปันข้อมูลได้อย่างมีประสิทธิภาพก็มีความสำคัญเช่นกัน องค์กรต้องการกลไกในการเผยแพร่และแบ่งปันข้อมูลให้กับแผนกภายใน บริษัทที่ให้บริการ ผู้ร่วมธุรกิจ และผู้มีส่วนได้ส่วนเสียอื่นๆ ความท้าทายนี้ไม่เพียงแต่เกี่ยวกับการทำให้ข้อมูลสามารถเข้าถึงได้เท่านั้น แต่ยังเกี่ยวกับการรับรองความปลอดภัย ความเป็นส่วนตัว และการปฏิบัติตามกฎระเบียบด้วย

วิธีการที่ Astera รวม AI เข้ากับกระบวนการทำงานของลูกค้า?

เรามองเห็น AI ตัดกับจัดการข้อมูลในสองวิธีที่แตกต่างกัน

1. การเพิ่มความสามารถในการใช้งานด้วย AI ที่สร้างขึ้น

ความมุ่งมั่นของเราในการใช้งานที่ดีเป็นหลักการสำคัญของปรัชญาการพัฒนาผลิตภัณฑ์ของเรา ในช่วง 12-13 ปีที่ผ่านมา เราได้สร้างชื่อเสียงในการออกแบบผลิตภัณฑ์ที่มีการเรียนรู้ที่สั้น ทำให้ผู้ใช้สามารถใช้งานได้อย่างมีประสิทธิภาพด้วยการฝึกอบรมเพียงเล็กน้อย

ด้วยการนำ AI ที่สร้างขึ้นมาใช้ Astera ได้นำความสามารถในการใช้งานไปสู่ระดับที่สูงกว่า โดยใช้ AI ในการสร้างอินเทอร์เฟซผู้ใช้ที่ช่วยให้ผู้ใช้สามารถโต้ตอบกับผลิตภัณฑ์โดยใช้คำสั่งภาษาธรรมชาติ อินเทอร์เฟซ AI นี้ทำให้การกำหนดค่างานง่ายขึ้นและเป็นมิตรต่อผู้ใช้มากขึ้น

นอกจากนี้ Astera ยังรวมการอัตโนมัติที่ขับเคลื่อนด้วย AI เพื่อจัดการกับงานที่ต้องใช้เวลาหลายชั่วโมงในการทำงานด้วยมือ ซึ่งเป็นต้นทุนหลักในการสร้างโซลูชันจัดการข้อมูล ไม่ใช่แค่การซื้อผลิตภัณฑ์ แต่เป็นเวลาและความพยายามที่ใช้ในการกำหนดค่าผลิตภัณฑ์ เราได้พยายามแก้ไขปัญหานี้ด้วย AI

ตัวอย่างเช่น ผลิตภัณฑ์ของ Astera เช่น ReportMiner ช่วยให้ผู้ใช้สามารถขุดข้อมูลจากเอกสารที่ไม่มีโครงสร้างได้โดยการสร้างเทมเพลตการขุดข้อมูลตามกฎ AI สามารถสร้างเทมเพลตเริ่มต้นได้ภายในไม่กี่วินาที ซึ่งเป็นงานที่ใช้เวลา 2-3 ชั่วโมงสำหรับผู้ใช้โดยทั่วไป เทมเพลตที่สร้างโดย AI อาจไม่สมบูรณ์แบบ แต่สามารถจัดการงานได้ถึง 90% ทำให้ผู้ใช้สามารถปรับแต่งและเสร็จสิ้นงานได้ภายในไม่กี่นาทีแทนหลายชั่วโมง

เรากำลังทำสิ่งเดียวกันนี้ทั่วทั้ง data stack ของเรา โดยที่เราจะได้รับการเพิ่มความสามารถในการใช้งานที่สำคัญด้วย AI

2. ฟังก์ชัน AI เป็นชุดเครื่องมือ

Astera มี data stack ที่รวมถึงการรับข้อมูล การแปลงข้อมูล การตรวจสอบคุณภาพข้อมูล การเก็บข้อมูล API และการเผยแพร่ข้อมูล บริษัทตระหนักถึงความสำคัญของการนำเสนอฟังก์ชัน AI เป็นชุดเครื่องมือที่หลากหลายให้กับผู้ใช้

ในเครื่องมือนี้ ลูกค้าของ Astera สามารถเข้าถึง AI ตลอดแนวการวิทยาศาสตร์ข้อมูล ตั้งแต่การสร้างและใช้โมเดลการเรียนรู้ของเครื่อง ไปจนถึงการดำเนินการ ML (Machine Learning) Astera ยังสนับสนุนการใช้โมเดลที่เปิดเผยต่อสาธารณะ รวมถึงโมเดลภาษาที่ใหญ่ (Large Language Models) และอำนวยความสะดวกในการปรับให้เหมาะสมสำหรับการใช้งานเฉพาะ

ฟังก์ชัน AI ที่กว้างขึ้นนี้ทำให้ผู้ใช้ของ Astera สามารถใช้ AI สำหรับงานที่เกี่ยวข้องกับข้อมูลต่างๆ รวมถึงการนำโมเดลการเรียนรู้ของเครื่องไปใช้ การดำเนินการ ML และการปรับให้เหมาะสมของโมเดลที่เปิดเผยต่อสาธารณะ นอกจากนี้ Astera ยังคงทำงานอย่างต่อเนื่องในการขยายการสนับสนุน AI เพื่อครอบคลุมพื้นที่ เช่น ฐานข้อมูลเวกเตอร์ การค้นหาความคล้ายคลึง และการฝังตัว

วิธีการที่ดีที่สุดในการใช้ AI และโมเดล ML ในการจัดการข้อมูลสำหรับบริษัทขนาดใหญ่คืออะไร?

1. อยู่ในระดับแนวหน้าของการพัฒนา AI และ ML

สาขาของโมเดลภาษาที่ใหญ่นั้นกำลังพัฒนาอย่างรวดเร็ว เพื่อให้ได้ข้อได้เปรียบในการแข่งขัน บริษัทขนาดใหญ่ควรติดตามความก้าวหน้าล่าสุด ตัวอย่างเช่น Astera เป็นผู้นำในการนำ AI ที่สร้างขึ้นมาใช้ โดยใช้โมเดลเช่น OpenAI และ LAMA การติดตามเทคโนโลยีที่เกิดขึ้นใหม่จะช่วยให้คุณพร้อมที่จะใช้ประโยชน์จากเทคโนโลยีเหล่านี้ได้อย่างมีประสิทธิภาพ

2. ทดลองใช้โมเดลและคอนฟิกหลายแบบ

การใช้การปรับให้เหมาะสมของโมเดลภาษาที่ใหญ่ เราสามารถใช้โมเดลขนาดเล็ก เช่น 8-13 พันล้านพารามิเตอร์ และใช้งานได้ภายในท้องถิ่น ซึ่งเป็นสิ่งที่ได้ผลดีสำหรับเรา และเราขอแนะนำให้ทดลองใช้โมเดลและคอนฟิกต่างๆ เพื่อดูว่าอะไรที่เหมาะสมกับคุณ

โมเดลภาษาที่ใหญ่มีหลายรูปแบบ แต่ละรูปแบบมีความสามารถเฉพาะตัว ควรสร้างคอนฟิกที่ช่วยให้คุณสามารถเลือกจากตัวเลือกที่หลากหลายได้ เช่นเดียวกับที่นักพัฒนาและนักวิทยาศาสตร์ข้อมูลทำในการเดินทางด้านวิทยาศาสตร์ข้อมูลของพวกเขา

3. ให้ความสำคัญกับการใช้งานภายในมากกว่า API

เมื่อทำงานกับผลิตภัณฑ์ที่ขับเคลื่อนด้วยข้อมูล การลดความล่าช้าเป็นสิ่งสำคัญ การพึ่งพา API เพียงอย่างเดียวสำหรับการเข้าถึง AI และ ML อาจทำให้เกิดความล่าช้าที่ไม่สามารถยอมรับได้ โดยเฉพาะอย่างยิ่งเมื่อจัดการกับปริมาณข้อมูลขนาดใหญ่ จึงควรให้ความสำคัญกับการใช้งานโมเดลที่ปรับให้เหมาะสมภายในท้องถิ่นสำหรับสถานการณ์เฉพาะของคุณ

ทำไม Astera จึงเป็นโซลูชันที่เหนือกว่าแพลตฟอร์มที่แข่งขันกัน?

• โซลูชันของ Astera มีอินเทอร์เฟซที่ไม่ต้องเขียนโค้ดและใช้งานง่าย พร้อมด้วยความสามารถในการใช้งานที่ได้รับการปรับปรุงด้วย AI ซึ่งทำให้ผู้ใช้ทุกคนสามารถดำเนินการกระบวนการข้อมูลที่ซับซ้อนได้ โดยไม่คำนึงถึงความสามารถทางเทคนิค
• คุณสมบัติการอัตโนมัติของ data stack ของเราลดงานซ้ำซ้อนและช่วยประหยัดเวลาและทรัพยากรในการพัฒนา
• แพลตฟอร์มที่รวมถึงของเราช่วยให้ผู้ใช้สามารถดำเนินการกระบวนการข้อมูลตั้งแต่ต้นจนจบได้โดยไม่ต้องเปลี่ยนโซลูชัน ซึ่งจะกำจัดค่าใช้จ่ายในการเรียนรู้และการจัดการระบบที่แยกจากกัน

ขอขอบคุณสำหรับการสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านสามารถเยี่ยมชม Astera Software เพื่อเรียนรู้เพิ่มเติม