Amit Sharma, CData’nın CEO’su ve Kurucusu – Röportaj Serisi

Amit Sharma, CData Software’ın CEO’su ve Kurucusu, teknoloji alanında bir yönetici olarak CData’yı erken aşamalarından küresel bir liderliğe taşımıştır. Infosys ve Elixar’da yazılım mühendisi, /n Software’da teknik mimar ve daha sonra CData’da CTO olarak görev yapan Sharma, empresa veri erişiminde ve altyapısında derin uzmanlık kazanmıştır. 2014’ten beri CEO olarak görev yapan Sharma, organizasyonların sistemler arasında veri bağlantısı, entegrasyonu ve kullanımını basitleştirme misyonunu yönetmiştir.

CData Software veri erişim ve bağlantısı çözümlerinin önde gelen sağlayıcılarından biridir. Kendi kendine hizmet veren veri ürünleri ve bağlantısı platformları, yüzlerce yaygın kullanılan şirket içi ve bulut uygulamalarında canlı verilere evrensel erişim sağlar. Dünya çapında milyonlarca kullanıcı, CData’yı gelişmiş analitik, bulut benimsemesini hızlandırma ve daha bağlı, veri odaklı organizasyonlar oluşturma için kullanmaktadır. Her boyuttaki şirket için ölçeklenebilir ve tüketilebilen bir şekilde tasarlanan CData, şirketlerin verilere erişimini ve kullanımını yeniden tanımlamaktadır.

Kariyerinize Hindistan’da Infosys’te başladınız ve daha sonra ABD’deki企业 yazılımına geçtiniz. O dönemde edindiğiniz ilk ders, bugün nasıl liderlik yapmanıza şekil vermektedir?

Infosys’teki zamanım, büyük ölçekli empresa teknolojisindeki talepleri, karmaşıklıkları, güvenilirlik ihtiyacını ve büyük organizasyonların teknik sorunlara nasıl yaklaştığını anlamamı sağladı. Bu, bana yapı ve empresa kalitesi konusunda derin bir saygı kazandırdı. Ancak ABD’deki bir startup’a geçtiğimde, hız, çeviklik ve doğrudan etki yapma yeteneği konusunda réussi olduğumu keşfettim. Bugün, bu çift geçmiş, CData Software’ı nasıl yönettiğime rehberlik etmektedir: empresa standardı ve sağlamlığına önem veriyorum, ancak aynı zamanda basitlik, gerçek dünya kullanılabilirliği ve hızlı yürütme değerini veren bir kültürü teşvik ediyorum.

CData’nın CEO’su olarak on yılı aşkın bir süredir, şirketin erken günlerinden küresel bir empresa haline gelmesinde en önemli zihinsel değişim veya yaklaşım nedir?

Benim için en büyük değişim, teknoloji geliştiricisi olarak düşünmekten, bir organizasyon geliştiricisi olarak düşünmeye geçmek oldu. Erken günlerde, odaklanmam neredeyse tamamen ürüne yönelikti; güzel, güvenilir ve gerçek problemleri çözen bir ürün olması gerekiyordu. CData büyüdükçe, büyük bir şirketin sadece iyi bir yazılımla değil, iyi bir insan kaynağı, güçlü liderler ve yavaşlatmadan ölçeklenebilecek süreçlere ihtiyaç duyduğunu öğrendim. Bu, daha erken aşamada işe alma, takımları güçlendirme ve satış, destek ve operasyonlar için tekrar edilebilir sistemler oluşturma anlamına geliyordu. Zihinsel değişim, işimin sadece iyi teknoloji geliştirmek değil, iyi teknolojinin tutarlı bir şekilde geliştirilebileceği bir ortam yaratmak olduğunu anlamak oldu.

CData, her zaman “her yerden her veriye erişimi basitleştirme” misyonuna odaklandı. Endüstri AI-yerli uygulamalara daha da derinlemesine girdiğinde bu misyon nasıl evrimleşti?

CData’nın misyonu, tanımlı ve standart arayüzler kullanarak evrensel veri erişimi sağlamaktı, çünkü en büyük engel veri depolama veya hesaplama değil, veri erişimi olduğunu düşünüyorduk. Bu temel fikir değişmedi, ancak bağlam değişti. Şirketler analitikten buluta ve şimdi AI’ye geçtiğinde, parçalı ve tutarlı olmayan veri erişiminin maliyeti arttı. Evrimleşen şey, sorumluluğumuzdur: artık sadece uygulamaları verilere bağlamak değil, verilerin güvenilir, gerçek zamanlı ve kompleks ve dağıtılmış ortamlarda kullanılabilir olmasını sağlamak. AI döneminde, erişimin yeterli olmadığı, verilerin anında kullanılabilir olması gerektiği bir döneme giriyoruz.

AI-yerli uygulamalar norm haline geldikçe, misyonumuz veri erişimi sağlamakla kalmayıp, verilerin AI’ye hazır olmasını sağlamakla genişledi. Bu, tutarlı anlamları, yüksek performanslı bağlantıyı, yönetilen erişimi ve gerçek zamanlı entegrasyonu sağlamak anlamına geliyor, böylece modeller ve ajanlar taze, güvenilir bilgiyle çalışabilsinler. Pratik olarak, verilerin nerede yaşadığı ve AI sistemlerinin çalıştığı arasındaki sürtüşmeyi ortadan kaldırmaya odaklanıyoruz, böylece ekipler deneylerden üretime daha hızlı geçiş yapabilsinler. Bizim kendimizi sadece bir bağlantısı sağlayıcı olarak değil, AI odaklı şirketlerin temel veri katmanı olarak görüyoruz.

Yenilikçi AI hızlandıkça, “AI’ye hazır veri” size ne anlama geliyor ve şirketlerin bu kavramı en çok nerede yanlış anladığını düşünüyorsunuz?

Bana göre “AI’ye hazır veri”, insanların ve makinelerin tarafından erişilebilen, güvenilir, güncel ve anlaşılabilir veri anlamına geliyor. Sadece verilerin bir göle veya depolama alanına taşınması değil, sistemlerin, modellerin ve ajanların verilere sürekli ve yönetilen arayüzler aracılığıyla erişebilmesi anlamına geliyor. AI’ye hazır olma, verilerin nerede depolandığından daha çok, verilerin keşfedilebileceği, sorgulanabileceği, güvenilebileceği ve gerçek zamanlı entegre edilebileceğiyle ilgili. Bu temel olmadan, даже en gelişmiş modeller eksik veya eski bilgilerle çalışmak zorunda kalıyor.

Şirketlerin bu kavramı en çok yanlış anladığı yer, merkezi hale getirmeyle hazır olma arasında bir eşleme yapmaları. Takımlar, verilerin bir platforma konsolide edildiğinde “AI’ye hazır” olduklarını düşünüyorlar, oysa ki yeni bir silo yaratmış oluyorlar. Diğerleri, veri kalitesi, anlamları ve bağlantısı sorunlarını çözmeksizin araçlara过much yatırım yapıyorlar. AI başarısız olmuyor çünkü modeller değil, çünkü erişilemeyen, güvensiz veya eski veriler nedeniyle başarısız oluyor. Kazanacak olan şirketler, veri hazırlığını operasyonel bir disiplin olarak değil, bir kerelik göç projesi olarak gören şirketler olacak.

Yeni araştırmanız, AI Veri Bağlantısı Durumu: 2026 Görünümü, sadece %6’sının AI için veri altyapısının tamamen hazır olduğunu belirtiyor. Bu uçurum neden bu kadar büyük ve endüstri şu anda nereye gidiyor?

Uçurum bu kadar büyük çünkü çoğu organizasyon, verilere erişimi sağlamak için必要 altyapıyı daha önce yatırım yapmadı. Geçen on yılda şirketler, göller, depolar ve boru hatları inşa ettiler, ancak nadiren tutarlı bir erişim katmanı oluşturdular. AI uygulamalarını gerçek iş akışlarına dağıtmaya başladıklarında, temel altyapılarının AI’nin hız, ölçek ve güvenilirlik gereksinimlerini karşılayamadığını keşfediyorlar. %6’lık oran, bir azmin eksikliğini yansıtmıyor, ancak AI’nin daha önce önemli olmayan ancak şimdi kritik hale gelen zayıflıkları ortaya çıkardığını gösteriyor.

Veriler, endüstrinin AI benimseme eğrisinin masih erken olduğunu gösteriyor, değil geç olduğunu. Şirketler, uygulama katmanında agresif bir şekilde deneyler yapıyor, ancak AI’nin başarısı, temel veri temelini modernize etmeye bağlı olduğunu anlamaya başlıyorlar. Bağlantı, gerçek zamanlı boru hatları ve yönetilen erişim gibi temel öğeleri sağlayan şirketler, deneylerden üretime geçiş yapma yarışında önde olacaklar.

Araştırma, AI takımlarının %71’inin veri boru hattı işleriyle uğraşmak için zamanının dörtte birinden fazlasını harcadığını vurguluyor. Bu işin hangi kısmı gerçekten stratejik, hangi kısmı sadece teknik borç?

Bazı “veri boru hattı” işleri gerçekten stratejiktir, özellikle de standart arayüzler ve ölçeklenebilirlik için tasarlananlar. Bu tür temel çalışmalar, sonraki tüm uygulamalar ve modeller için temeli oluşturur. Problemin çoğu takım, bir kerelik boru hatları inşa ediyor, kırılgan bağdaştırıcılar yazıyor ve sadece bir problemi çözen entegrasyonlar yapıyor. Bu, teknik borç olarak gizlenen ilerleme.

Stratejik olan şey, gelecekteki sürtüşmeyi azaltan her şey: özel kodu standartlarla değiştirmek, paylaşılan veri hizmetleri oluşturmak ve sistemleri, takımlar ve kullanım örnekleri boyunca ölçeklenebilir bir şekilde bağlamak. Boru hatları görünmez ve tekrar edilebilir olduğunda, AI takımları üzerinde bir vergi olmaktan çıkıp bir olanak haline gelir. Gerçek hedef, veri üzerinde zaman harcamayı azaltmak değil, aynı veri sorunlarıyla tekrar tekrar uğraşmamaktır.

Raporunuzda dikkat çeken bir veri noktası, şirketlerin %46’sının tek bir AI kullanım durumu için altı veya daha fazla veri kaynağına gerçek zamanlı erişim gerektirdiğini gösteriyor. Müşterilerinizle olan deneyimleriniz bu veriyle uyumlu mu ve bu düzeyde bağlantının neden bu kadar zor?

Evet, bu veri müşterilerimizle olan deneyimlerimize uyuyor. Modern AI kullanım durumları, ister öngörülü analitik, öneri motorları veya otomatik iş akışları olsun, genellikle tek bir sistemle ilişkili değil. Şirketler, ERP, CRM, SaaS uygulamaları, akış platformları ve eski veritabanlarını birleştirmek zorunda kalıyor. Zorluk, sadece kaynakların sayısı değil, çeşitlilik, farklı protokoller, formatlar ve güncelleme sıklıkları ve verilerin AI modelleri tarafından tüketilebilmesi için gerçek zamanlı olarak erişilebilir olması.

Bu düzeyde bağlantının zor olmasının nedeni, geleneksel entegrasyon yaklaşımlarının AI’nin gerektirdiği hız, ölçek ve güvenilirlik için tasarlanmamış olması. Bir kerelik bağdaştırıcılar ve toplu boru hatları, AI çözümlerini inşa etmek için yeterli değil. Gerçek zamanlı erişim, standartlaştırılmış, yönetilen arayüzler, sistemler arası tutarlı anlamlar ve veri kalitesi ve erişilebilirliğini sağlamak için izleme gerektirir. Bu temel olmadan, ekipler, AI çözümleri inşa etmek yerine boru hatlarını yangınla mücadele ediyor ve bu, inovasyonu yavaşlatıyor ve risk getiriyor. Başarılı olan şirketler, bağlantıyı bir teknik görev olarak değil, bir stratejik yetenek olarak gören şirketler olacak.

Raporunuz, olgun AI veri altyapısının tanımlayıcı özelliklerini anlamsal tutarlılık, bağlam ve bağlantı olarak vurguluyor. Şirketlerin bu öncelikleri sıralarken nasıl düşünecekler?

Sıralamayı düşünürken, şirketlerin önce bağlantıyla başlaması gerekiyor. Veriler sistemler arasında güvenilir bir şekilde erişilemiyorsa, her şey önemsiz hale geliyor. AI modelleri, ulaşamadıkları şeylerden öğrenemez. Tüm kritik veri kaynakları boyunca standartlaştırılmış, yönetilen bağlantılar oluşturmak, her şeyin temelini oluşturuyor. Bu katman olmadan, ekipler, gelecekte daha fazla iş yapacak, kırılgan boru hatları inşa ediyor.

Baglantı kurulduktan sonra, anlamsal tutarlılık bir sonraki öncelik oluyor. Verilerin, birden fazla kaynaktan gelen bilginin doğru bir şekilde yorumlanabilmesi için ortak bir dil gerekiyor. Bağlam, anlamsal tutarlılığın ardından geliyor: değerlerin anlamını, iş süreci, zamanlama ve ilişkileri anlamak, AI modellerinin doğru, eyleme geçirilebilir öngörüler yapmasını sağlıyor. Bu öğeleri bir dizi olarak ele almak – önce bağlantı, sonra anlamsal tutarlılık, sonra bağlam – şirketlerin AI’ye hazır bir veri altyapısı oluşturmasına olanak tanıyor.

AI-yerli yazılım sağlayıcıları şimdi geleneksel satıcılardan yaklaşık üç kat daha fazla dış entegrasyona ihtiyaç duyuyor. Bu açığı genişleten şey nedir ve bu, nereye gidiyor?
AI-yerli uygulamaların, çeşitli, gerçek zamanlı verilere ihtiyaç duyması, bu açığı genişletiyor. Geleneksel yazılımların aksine, AI modelleri, ERP sistemleri, CRM platformları, SaaS uygulamaları, akış kaynakları ve daha fazlasından bilgi alması gerekiyor. Her entegrasyon, AI’nin doğru öngörüler, öneriler veya otomatik eylemler yapması için gerekli.

Bu trend, yazılımın, izole uygulamalardan, birbirine bağlı, akıllı ekosistemlere doğru gittiğini gösteriyor. Kazanacak olanlar, kendi başlarına iyi çalışan ürünler değil, verilerin nerede yaşarsa yaşasın, kolayca erişebilecekleri ve entegre edebilecekleri platformlar olacak. Pratik olarak, bu, bağlantının, standardizasyonun ve gerçek zamanlı entegrasyonun artık birer lüks değil, AI-yerli yazılımların gerçek değer sunmak için temel yetenekler olduğu anlamına geliyor.

Beş yıl sonrasına baktığınızda, AI başarısının en önemli engelini ne olarak görüyorsunuz – bağlantı, gerçek zamanlı boru hatları, anlamsal modelleme, yönetim veya başka bir şey?

Beş yıl sonrasına baktığımızda, AI başarısının en önemli engelini yönetim ve güvenlik olarak görüyorum. Bağlantı ve gerçek zamanlı boru hatları, AI’nin temel gereksinimleri olarak kalacak, ancak şirketler, AI’nin üretim aşamasına geçtiği ve kritik iş kararlarını etkilediği noktada, AI’nin güvensiz olmasının ve potansiyel olarak tehlikeli olmasının riskini anlamaya başlıyorlar. Verilerin doğru, kontrol edilen ve izlenebilir bir şekilde, doğru sistemlere aktarılması gerekiyor.

Sorun artık sadece veri taşımak değil, doğru veriyi, doğru kontrollerle, doğru sistemlere, izlenebilir ve denetlenebilir bir şekilde aktarmak. Yönetim ve güvenlik çerçevelerini ve protokollerini baştan itibaren entegre etmeyen şirketler, artan düzenleyici baskıya, itibar riskine ve sonunda güvenilemeyen veya ölçeklenemeyen AI sistemlerine maruz kalacaklar. Zaten erken işaretleri görüyoruz: AI’yi dağıtmak istemeyen şirketler, veri kökenini, erişim kontrollerini veya değişen düzenlemelere uymayı garantileyemiyorlar.

Beş yıl sonraki en başarılı şirketler, yönetimi ve güvenliği, sonradan düşünülen şeyler olarak değil, AI’nin temel ermögleyici unsurları olarak görecek şirketler olacak. Evet, verilere erişimi sağlamak ve gerçek zamanlı boru hatları oluşturmak gerekiyor, ancak yönetimi ve güvenliği olmadan, bu veriler bir yük haline geliyor, değil bir varlık. AI’nin geleceği, sadece hız veya ölçek hakkında değil, güven, hesap verebilirlik ve veri yığınındaki her katmanda sorumlu dağıtım hakkında.

Harika röportaj için teşekkür ederiz, daha fazla bilgi edinmek isteyen okuyucular CData Software‘i ziyaret edebilir.