อูเกิร์ ติกลี, ประธานเจ้าหน้าที่เทคนิคของ MinIO – ซีรีส์สัมภาษณ์

อูเกิร์ ติกลี เป็นประธานเจ้าหน้าที่เทคนิคของ MinIO ผู้นำด้านการเก็บข้อมูลอ็อบเจ็กต์ที่มีประสิทธิภาพสูงสำหรับ AI ในฐานะ CTO อูเกิร์ ช่วยให้ลูกค้าออกแบบและนำระบบโครงสร้างพื้นฐานข้อมูลระดับองค์กรที่ขับเคลื่อนด้วย API มีความสามารถในการปรับขนาดและเป็นแบบคลาวด์โดยใช้ MinIO

คุณสามารถอธิบายการเดินทางของคุณในการกลายเป็น CTO ของ MinIO และวิธีที่ประสบการณ์ของคุณมีอิทธิพลต่อแนวทางของคุณในการ AI และโครงสร้างพื้นฐานข้อมูลหรือไม่?

ฉันเริ่มอาชีพของฉันในด้านวิศวกรรมโครงสร้างพื้นฐานที่ Merrill Lynch ในฐานะผู้ดูแลระบบสำรองและกู้คืนข้อมูล ฉันรับฟังท้าทายและตำแหน่งทางเทคนิคที่แตกต่างกัน ฉันเข้าร่วม Bank of America ผ่านการซื้อกิจการของ Merrill Lynch ซึ่งฉันเป็นรองประธานฝ่ายวิศวกรรมเก็บข้อมูล แต่บทบาทของฉันก็ขยายออกไปเพื่อรวมการคำนวณและการวิศวกรรมศูนย์ข้อมูลด้วย

ในฐานะส่วนหนึ่งของงาน ฉันทำงานร่วมกับบริษัททุนร่วมลงทุน (VCs) และบริษัทในพอร์ตโฟลิโอของพวกเขาเพื่อนำเทคโนโลยีล่าสุดมาใช้ ในระหว่างการประชุมหนึ่งกับ General Catalyst ฉันถูกนำเสนอแนวคิดและบุคคลเบื้องหลัง MinIO ซึ่งดึงดูดฉันเพราะวิธีการที่พวกเขามองโครงสร้างพื้นฐานข้อมูล – มันแตกต่างจากทุกคนในตลาด บริษัทตระหนักถึงความสำคัญของอ็อบเจ็กต์สโตร์และ API มาตรฐานที่แอปพลิเคชันกำลังเริ่มต้นด้วย ในช่วงหลายปีที่ผ่านมา พวกเขาสามารถคาดการณ์อนาคตของการคำนวณและ AI ก่อนใครหรือก่อนที่จะเรียกว่าอะไรในปัจจุบัน ฉันต้องการเป็นส่วนหนึ่งของการดำเนินวิสัยทัศน์และสร้างบางสิ่งที่แท้จริงเป็นเอกลักษณ์ MinIO เป็นอ็อบเจ็กต์สโตร์ที่ใช้กันอย่างแพร่หลายที่สุดในโลก

ผลกระทบของบทบาทก่อนหน้าและประสบการณ์ของฉันต่อวิธีการที่ฉันเข้าใกล้เทคโนโลยีใหม่ๆ โดยเฉพาะ AI และโครงสร้างพื้นฐานข้อมูล ก็เป็นเพียงการสะสมของโครงการที่ฉันเกี่ยวข้องผ่านหลายปีในการสนับสนุนทีมแอปพลิเคชันในบริษัทบริการทางการเงินที่ต้องการสูง

ตั้งแต่ช่วงเวลาที่มีการจำกัดแบนด์วิธของเครือข่าย ซึ่งนำไปสู่เทคโนโลยี Hadoop ที่เป็นเทคโนโลยีล่าสุดเมื่อ 15 ปีที่แล้ว จนถึงเทคโนโลยีสื่อข้อมูลต่างๆ ตั้งแต่ฮาร์ดดิสก์ไดรฟ์ (HDD) ถึงโซลิดสเตตไดรฟ์ (SSD) เทคโนโลยีเหล่านี้หลายอย่างได้กำหนดมุมมองปัจจุบันของฉันเกี่ยวกับระบบนิเวศ AI และโครงสร้างพื้นฐานข้อมูล

MinIO เป็นที่รู้จักในด้านความสามารถในการเก็บข้อมูลอ็อบเจ็กต์ที่มีประสิทธิภาพสูง MinIO มีอะไรที่ตอบสนองความต้องการขององค์กรที่ขับเคลื่อนด้วย AI ในปัจจุบัน?

เมื่อ AB และ Garima คิดค้น MinIO ประเด็นหลักของพวกเขาคือการคิดถึงปัญหา – พวกเขารู้ว่าข้อมูลจะเติบโตต่อไปและเทคโนโลยีการเก็บข้อมูลที่มีอยู่ไม่เข้ากันกับการเติบโตนั้น การเกิดขึ้นอย่างรวดเร็วของ AI ทำให้มุมมองล่วงหน้าของพวกเขากลายเป็นความเป็นจริง ตั้งแต่นั้นมา การเก็บข้อมูลอ็อบเจ็กต์กลายเป็นรากฐานสำหรับโครงสร้างพื้นฐาน AI (LLM ที่สำคัญทั้งหมด เช่น OpenAI และ Anthropic ถูกสร้างขึ้นบนอ็อบเจ็กต์สโตร์) และศูนย์ข้อมูลสมัยใหม่ถูกสร้างขึ้นบนรากฐานของอ็อบเจ็กต์สโตร์

MinIO ได้เปิดตัวแพลตฟอร์มการเก็บข้อมูลอ็อบเจ็กต์ใหม่พร้อมคุณสมบัติระดับองค์กรที่สำคัญเพื่อสนับสนุนองค์กรในการดำเนินโครงการ AI ของตน: MinIO Enterprise Object Store ได้รับการออกแบบสำหรับความท้าทายด้านประสิทธิภาพและขนาดที่นำมาโดย AI ที่มีขนาดใหญ่ และช่วยให้ลูกค้าสามารถจัดการกับความท้าทายที่เกี่ยวข้องกับวัตถุหลายพันล้านและหลายร้อยพันการดำเนินการเข้ารหัสลับต่อนาทีต่อ節點ได้ง่ายขึ้น มีคุณสมบัติเชิงพาณิชย์ 6 รายการที่มุ่งเป้าไปที่ความท้าทายด้านการดำเนินงานและเทคนิคที่สำคัญที่เผชิญกับ AI : Catalog (แก้ปัญหาเรื่องชื่อและเมตาดาต้าของอ็อบเจ็กต์สโตร์), Firewall (สร้างขึ้นสำหรับข้อมูล), ระบบจัดการคีย์ (แก้ปัญหาในการจัดการคีย์เข้ารหัสลับหลายพันล้าน), Cache (ทำงานเป็นบริการแคช), Observability (ช่วยให้ผู้ดูแลระบบสามารถมองเห็นส่วนประกอบทั้งหมดของระบบ) และสุดท้ายคือ Enterprise Console (ทำหน้าที่เป็นหน้าต่างเดียวสำหรับทุกๆ ส่วนของ MinIO)

การจัดการ AI ในระดับที่เพิ่มขึ้นเรื่อยๆ กำลังกลายเป็นสิ่งสำคัญมากขึ้น คุณสามารถอธิบายได้ว่าทำไมจึงเป็นเช่นนี้ และ MinIO ช่วยเหลือความต้องการเหล่านี้สำหรับองค์กรสมัยใหม่ได้อย่างไร?

เกือบทุกสิ่งที่องค์กรสร้างขึ้นในปัจจุบันอยู่บนอ็อบเจ็กต์สโตร์ ซึ่งจะเพิ่มขึ้นเรื่อยๆ เมื่อผู้ที่ใช้โครงสร้างพื้นฐานด้วยอุปกรณ์ถูกขัดขวางในยุคของทะเลสาบข้อมูลสมัยใหม่และ AI องค์กรกำลังมองหโครงสร้างพื้นฐานใหม่ๆ เพื่อจัดการข้อมูลที่เข้ามาในระบบ และสร้างแอปพลิเคชันข้อมูลบนฐานของมัน – สิ่งนี้ต้องใช้ความสามารถในการปรับขนาดและความยืดหยุ่นที่ไม่มีใครสามารถรองรับได้ นั่นคือที่ที่ MinIO เข้ามาและทำไมบริษัทจึงยืนอยู่ห่างจากการแข่งขันเพราะได้รับการออกแบบมาเพื่อตอบสนองความต้องการของ AI – การเก็บข้อมูลขนาดใหญ่ของข้อมูลที่มีโครงสร้างและไม่มีโครงสร้าง และให้ประสิทธิภาพในระดับที่ต้องการ

คล้ายกับความต้องการของการเรียนรู้ของเครื่อง (ML) ในรุ่นก่อนๆ ของ AI ข้อมูลและทะเลสาบข้อมูลสมัยใหม่ถือเป็นสิ่งสำคัญต่อความสำเร็จของ “การคาดการณ์” AI อย่างไรก็ตาม ด้วยความก้าวหน้าของ “การสร้าง” AI ภูมิทัศน์นี้ได้ขยายออกไปเพื่อรวมส่วนประกอบอื่นๆ เช่น ข้อมูล AI Ops, ระบบท่อข้อมูลเอกสาร, โมเดลพื้นฐาน และฐานข้อมูลเวกเตอร์

ส่วนประกอบเพิ่มเติมทั้งหมดนี้ใช้การเก็บข้อมูลอ็อบเจ็กต์ และส่วนใหญ่เชื่อมต่อกับ MinIO โดยตรง ตัวอย่างเช่น Milvus ซึ่งเป็นฐานข้อมูลเวกเตอร์ ใช้ MinIO และเครื่องมือค้นหาสมัยใหม่หลายตัวเชื่อมต่อกับ MinIO ผ่าน API S3

AI หนี้สินทางเทคนิคเป็นเรื่องที่น่ากังวลสำหรับหลายองค์กร คุณสามารถอธิบายกลยุทธ์ที่ MinIO ใช้เพื่อช่วยให้ลูกค้าหลีกเลี่ยงปัญหานี้ โดยเฉพาะอย่างยิ่งในแง่ของการใช้ GPU อย่างมีประสิทธิภาพมากขึ้น?

โซ่เหล็กมีความแข็งแรงเท่ากับลิงค์ที่อ่อนแอที่สุด – และโครงสร้างพื้นฐาน AI/ML ของคุณมีประสิทธิภาพเท่ากับส่วนประกอบที่ช้ากว่า หากคุณฝึกโมเดลการเรียนรู้ของเครื่องด้วย GPU ส่วนประกอบที่อ่อนแอกว่าอาจเป็นโซลูชันการเก็บข้อมูล ผลลัพธ์คือสิ่งที่ฉันเรียกว่า “ปัญหา GPU ที่ถูกขัดขวาง” ปัญหา GPU ที่ถูกขัดขวางเกิดขึ้นเมื่อโซลูชันเครือข่ายหรือการเก็บข้อมูลของคุณไม่สามารถเสิร์ฟข้อมูลการฝึกให้กับตรรกะการฝึกของคุณได้เร็วพอที่จะใช้ประโยชน์จาก GPU ของคุณอย่างเต็มที่ ทำให้พลังการคำนวณมีค่า

องค์กรสามารถตั้งค่าโซลูชันการเก็บข้อมูลที่อยู่ในศูนย์ข้อมูลเดียวกันกับโครงสร้างพื้นฐานการคำนวณของตน ซึ่งควรอยู่ในคลัสเตอร์เดียวกันกับโครงสร้างพื้นฐานการคำนวณของพวกเขา เนื่องจาก MinIO เป็นโซลูชันการเก็บข้อมูลที่ถูกกำหนดไว้โดยซอฟต์แวร์ จึงมีความสามารถในการให้ประสิทธิภาพที่ต้องการในการเลี้ยง GPU ที่หิวโหย – การทดสอบประสิทธิภาพล่าสุดได้ 325 GiB/s สำหรับการรับ (GET) และ 165 GiB/s สำหรับการส่ง (PUT) โดยใช้เพียง 32 โหนดของ NVMe SSD

คุณมีประสบการณ์อัน丰富ในการสร้างโครงสร้างพื้นฐานข้อมูลที่มีประสิทธิภาพสูงสำหรับองค์กรการเงินระดับโลก ประสบการณ์เหล่านี้มีอิทธิพลต่อการทำงานของคุณที่ MinIO อย่างไร โดยเฉพาะอย่างยิ่งในแง่ของการออกแบบโซลูชันสำหรับความต้องการอุตสาหกรรมที่หลากหลาย?

ฉันช่วยสร้างคลาวด์ส่วนตัวครั้งแรกสำหรับ Bank of America และการริเริ่มนี้ช่วยประหยัดเงินหลายพันล้านดอลลาร์โดยการให้คุณสมบัติและฟังก์ชันการทำงานที่มีอยู่ในคลาวด์สาธารณะภายในองค์กรด้วยต้นทุนที่ต่ำกว่า ไม่เพียงแต่การริเริ่มนี้เท่านั้น แต่ความต้องการแอปพลิเคชันที่หลากหลายที่ฉันทำงานที่ BofA Merrill Lynch ได้กำหนดรูปแบบการทำงานของฉันที่ MinIO ในการออกแบบโซลูชันสำหรับลูกค้าของเราในปัจจุบัน

ตัวอย่างเช่น การเรียนรู้จากประสบการณ์ที่ผิดหรือ “ยาก” โดยทำงานร่วมกับทีมที่สร้างคลัสเตอร์ Hadoop ที่ใช้เฉพาะส่วนเก็บข้อมูลของเซิร์ฟเวอร์ ในขณะที่เซิร์ฟเวอร์ CPU ถูกใช้งานไม่เต็มที่หรืออยู่ในสถานะไม่ทำงาน สิ่งเหล่านี้ทำให้ฉันสามารถใช้โซลูชันข้อมูลและคำนวณที่แยกจากกันในโครงสร้างพื้นฐานข้อมูลสมัยใหม่ของวันนี้ได้ ซึ่งช่วยให้ลูกค้าและพันธมิตรของเราได้รับประโยชน์จากโซลูชันที่ดีกว่าและราคาถูกกว่าโดยใช้เทคโนโลยีเครือข่ายความเร็วสูงและอ็อบเจ็กต์สโตร์ที่มีประสิทธิภาพสูง เช่น MinIO และเครื่องมือค้นหาหรือการประมวลผลใดๆ

การผสมผสานคลาวด์นำเสนอความท้าทายและความซับซ้อนที่เป็นเอกลักษณ์ คุณสามารถอธิบายสิ่งเหล่านี้ได้โดยละเอียดและอธิบายว่าโมเดล “การระเบิด” ของ MinIO ไปยังคลาวด์ช่วยควบคุมค่าใช้จ่ายคลาวด์ได้อย่างมีประสิทธิภาพ?

การไปสู่การทำงานหลายคลาวด์ไม่ควรนำไปสู่งบประมาณ IT ที่พองตัวและความไม่สามารถบรรลุเป้าหมาย – มันควรช่วยจัดการค่าใช้จ่ายและเร่งแผนงานขององค์กร สิ่งหนึ่งที่ต้องพิจารณาคือการนำกลับคลาวด์ – ความเป็นจริงคือการย้ายการดำเนินงานจากคลาวด์ไปยังโครงสร้างพื้นฐานภายในองค์กรสามารถนำไปสู่การประหยัดต้นทุนอย่างมีนัยสำคัญ ขึ้นอยู่กับกรณี และคุณควรพิจารณาคลาวด์เป็นรูปแบบการดำเนินงาน ไม่ใช่จุดหมายปลายทาง ตัวอย่างเช่น องค์กรเริ่มต้นการทำงานของ GPU แต่จากนั้นใช้เวลาในการประมวลผลข้อมูลเพื่อให้เหมาะกับ GPU ซึ่งใช้เวลาและเงินอย่างไร้ประโยชน์ – องค์กรต้องปรับปรุงโดยการเลือกเทคโนโลยีที่เป็นเนทีฟคลาวด์และสามารถพกพาไปใช้ในหลายคลาวด์ได้โดยไม่มีค่าใช้จ่ายที่สำคัญ การใช้หลักการทำงานคลาวด์แรกและยึดติดกับกรอบนั้นให้ความยืดหยุ่นในการปรับตัวเข้ากับข้อกำหนดการดำเนินงานที่เปลี่ยนแปลง

โซลูชันที่เป็นเนทีฟของ Kubernetes มีความสำคัญต่อโครงสร้างพื้นฐานสมัยใหม่ MinIO ที่รวมเข้ากับ Kubernetes เพิ่มความสามารถในการปรับขนาดและความยืดหยุ่นสำหรับโครงสร้างพื้นฐานข้อมูล AI อย่างไร?

MinIO ได้รับการออกแบบให้เป็นเนทีฟของ Kubernetes และเข้ากันได้กับ S3 ตั้งแต่เริ่มต้น นักพัฒนาสามารถติดตั้งการเก็บข้อมูลอ็อบเจ็กต์ที่มีความคงอยู่สำหรับแอปพลิเคชันคลาวด์เนทีฟทั้งหมดได้อย่างรวดเร็ว การรวมกันของ MinIO และ Kubernetes ให้พล랫ฟอร์มที่ทรงพลังที่ช่วยให้แอปพลิเคชันสามารถปรับขนาดข้ามโครงสร้างพื้นฐานหลายคลาวด์และไฮบริดคลาวด์ได้ และยังคงถูกจัดการและรักษาความปลอดภัยจากศูนย์กลาง โดยหลีกเลี่ยงการล็อกอินของคลาวด์สาธารณะ

ด้วย Kubernetes เป็นเครื่องยนต์ MinIO สามารถทำงานได้ทุกที่ที่ Kubernetes ทำงาน – ซึ่งในโลกของคลาวด์เนทีฟ/AI สมัยใหม่ คือแทบจะทุกที่

เมื่อมองไปข้างหน้า มีการพัฒนาที่คาดหวังหรือการปรับปรุงที่ผู้ใช้สามารถคาดหวังจาก MinIO ในบริบทของโครงสร้างพื้นฐานข้อมูล AI?

การร่วมมือและเปิดตัวผลิตภัณฑ์ล่าสุดของเราคือสัญญาณที่ชี้ให้เห็นว่าเราจะไม่ชะลอความเร็วในการพัฒนาผลิตภัณฑ์ใดๆ ในเร็วๆ นี้ และเราจะยังคงผลักดันสิ่งที่มีประโยชน์ต่อลูกค้าของเรา ตัวอย่างเช่น เราได้ร่วมมือกับ Carahsoft เพื่อทำให้พอร์ตโฟลิโอการเก็บข้อมูลอ็อบเจ็กต์ที่ถูกกำหนดไว้โดยซอฟต์แวร์ของ MinIO มีให้สำหรับภาคส่วนรัฐบาล การป้องกันประเทศ สถาบันการศึกษาและอื่นๆ สิ่งนี้ช่วยให้องค์กรในภาคส่วนสาธารณะสามารถสร้างโครงสร้างพื้นฐานข้อมูลที่หลากหลาย ตั้งแต่ทะเลสาบข้อมูลสมัยใหม่ไปจนถึงโซลูชันการเก็บข้อมูลที่มีจุดประสงค์เฉพาะที่จุดสิ้นสุดอัตโนมัติ โดยร่วมมือกัน เรากำลังนำโซลูชันขั้นตอนต่อไปและเป็นเอกลักษณ์เหล่านี้ไปสู่ลูกค้าในภาคส่วนสาธารณะ ช่วยให้พวกเขาแก้ไขปัญหาด้านโครงสร้างพื้นฐานข้อมูลได้อย่างง่ายดายและมีประสิทธิภาพ การร่วมมือนี้เกิดขึ้นในขณะที่มีการผลักดันให้ภาคส่วนสาธารณะสามารถพร้อมสำหรับ AI ได้ โดยมีข้อกำหนดของ OMB ที่ระบุว่าทุกหน่วยงานของรัฐบาลต้องมีเจ้าหน้าที่ AI (เช่นเดียวกับสิ่งอื่นๆ) โดยรวมแล้ว การร่วมมือนี้ช่วยเสริมสร้างท่าทาง AI ของอุตสาหกรรมและให้เครื่องมือที่จำเป็นแก่ภาคส่วนสาธารณะเพื่อความสำเร็จ

นอกจากนี้ MinIO ยังเตรียมพร้อมสำหรับอนาคต โครงสร้างพื้นฐานข้อมูล AI ยังคงอยู่ในช่วงเริ่มต้น มีหลายด้านที่จะชัดเจนมากขึ้นในอีกสองสามปีข้างหน้า ตัวอย่างเช่น องค์กรส่วนใหญ่ต้องการใช้เอกสารและข้อมูลที่เป็นของตนเองกับโมเดลพื้นฐานและ Retrieval Augmented Generation (RAG) การบูรณาการเพิ่มเติมในการใช้งานนี้จะง่ายสำหรับ MinIO เนื่องจากข้อมูลทั้งหมดนี้ถูกเก็บไว้บน MinIO แล้ว

สุดท้าย สำหรับผู้นำด้านเทคโนโลยีที่ต้องการสร้างหรือปรับปรุงโครงสร้างพื้นฐานข้อมูลสำหรับ AI คุณมีคำแนะนำอะไรจากประสบการณ์และข้อมูลเชิงลึกที่ MinIO?

เพื่อให้โครงการ AI ใดๆ ประสบความสำเร็จ มีสามองค์ประกอบหลักที่คุณต้องยึดมั่น: มีข้อมูลที่ถูกต้อง โครงสร้างพื้นฐานที่ถูกต้อง และแอปพลิเคชันที่ถูกต้อง สิ่งนี้เริ่มต้นด้วยการทำความเข้าใจสิ่งที่คุณต้องการ – อย่าออกไปซื้อ GPU ที่มีราคาแพงเพราะกลัวจะพลาดเรือ AI ฉันเชื่อมั่นว่ากลยุทธ์ AI ระดับองค์กรจะล้มเหลวในปี 2024 หากองค์กรมุ่งเน้นไปที่โมเดลเองเท่านั้นและไม่ใช่ข้อมูล การคิดโมเดลลง (model down) เทียบกับการคิดข้อมูลขึ้น (data up) เป็นข้อผิดพลาดที่สำคัญ – คุณต้องเริ่มต้นด้วยข้อมูล ก่อสร้างโครงสร้างพื้นฐานข้อมูลที่เหมาะสม จากนั้นจึงคิดถึงโมเดลของคุณ เมื่อองค์กรกำลังเคลื่อนไปสู่โครงสร้างพื้นฐาน AI -first มันเป็นสิ่งสำคัญที่โครงสร้างพื้นฐานข้อมูลของคุณจะช่วยให้ข้อมูลของคุณ – ไม่ใช่ขัดขวางมัน

ขอขอบคุณสำหรับสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านสามารถเรียนรู้เพิ่มเติมได้ที่ MinIO