Jay Mishra, Astera Software’nun COO’su – Röportaj Serisi

Jay Mishra, Astera Software’nin Hedeflenen İşletme Müdürü (COO)’sidir, hızlı büyüyen bir entreprise hazır veri çözümleri sağlayıcısıdır. İşletme kullanıcılarının veri-insan arayüzü boşluğunu, kullanıcı dostu ancak yüksek performanslı veri çıkarma, veri kalitesi, veri entegrasyonu, veri ambarı ve elektronik veri değişim çözümleri seti ile köprüler. Bu çözümler, çeşitli endüstrilerdeki orta ölçekli ve Fortune 500 şirketleri tarafından kullanılır.

Sizce bilgisayar bilimine ilk olarak ne çekti?

Matematiğe karşı derin bir ilgi duyuyorum ve bilgisayar bilimine olan yolculuğum bu ilgiye doğal bir uzantı oldu. Lisans eğitimim Matematik ve Bilgisayar Bilimi üzerineydi ve mantıksal olarak matematik dünyasından bilgisayar bilimine geçiş beni büyüledi. Özellikle algoritmaların ve gelişmiş algoritmik süreçlerin karmaşık işleyişleri dikkatimi çekti ve Bilgisayar Bilimi yüksek lisansım sırasında algoritmalar üzerine uzmanlaşmamı sağladı. O günden beri bilgisayar bilimine olan bağım güçlü kaldı ve alanındaki son gelişmeleri takip etmeye devam ediyorum.

Şu an Astera’nın COO’susunuz, günlük rolleriniz nelerdir?

Astera’nın COO’su olarak rolüm çok yönlü, şirketin dinamik doğasını yansıtıyor. Astera’nın kurulduğu günden beri buradayım ve sorumluluklarım çeşitli organizasyon alanlarını kapsadı. Bu, ürünlerimizin geliştirilmesine ve kodlanmasına aktif olarak katkıda bulunmaktan, özelliklerimizın müşterilerimizin değişen ihtiyaçlarıyla uyumlu olmasını sağlamaya kadar her şeyi içerir. Müşterilerimizle yakın çalışarak, birlikte çözümümüzü iyileştiriyoruz. Rolüm ürün geliştirmenin ötesine geçer, satış ve pazarlama da dahil olmak üzere ürünlerimizi pazara getirme sürecini içerir.

Büyüme aşamasındayken, gelir hedeflerimizi denetleme ve ürün portföyümüzü yeni pazarlara ulaştırmak için stratejik olarak genişletme gibi ek sorumluluklar aldım. Temel olarak, operasyonlarımızın neredeyse her yönüne dahilim, sadece mükemmel ürünler inşa etmemizin değil, aynı zamanda bunları başarıyla pazara sunup iş hedeflerimize ulaşmamızın da garantisiyim.

Veri ambarı terimiyle ilgili olarak okuyucuların bilmesi gereken nedir?

Veri ambarı, tüm kurumsal verilerinizi merkezi bir depolama alanında birleştirmek için kullanılan bir mimari modeldir. Bu, çeşitli türde analizler, raporlar ve paneller oluşturmak için bir temel sağlar ve işinizin gerçek durumunu ve gelecekte nasıl olacağını gösteren bir çerçeve sunar. Verilerinizi belirli bir şekilde birleştirerek, raporlama, özellikle zaman çizelgesi temelinde, kolay hale getirirsiniz. Bu, veri dünyasında bir veri ambarının core amacını oluşturur.

Terim, gerçek hayattaki bir depodan alınmıştır, burada ürünler organize raflarda depolanır. Ancak veri dünyasına geldiğimizde, çeşitli kaynaklardan verilerinizi birleştirirsiniz. Üretim, web sitenizi, müşterilerinizi, satış ve pazarlama, finans ve insan kaynakları bölümünüzden verilerinizi birleştirirsiniz. Tüm bu verilerinizi bir araya getirerek, bir veri ambarı oluşturursunuz ve bu, raporlama için özellikle zaman çizelgesi temelinde kolaylık sağlar.

Veri ambarında bugün bazı önemli eğilimler nelerdir?

Veri ambarı, son 20-25 yılda önemli ölçüde evrimleşti. Yaklaşık bir decade önce, otomatik veri ambarı ortaya çıktı, bu da veri modelleri ve veri ambarlarının oluşturulma sürecini hızlandıran bir paradigma değişikliği oldu. Son zamanlarda, otomasyon ön plana çıktı. Veri ambarındaki tekrarlanan görevlerin doğasını ele alır ve süreçleri hızlandırarak zaman ve kaynakları tasarruf sağlar.

Astera’nın Veri Ambarı Oluşturucu ürünü, örneğin, veri ambarında otomasyona yönelik bütüncül bir yaklaşım sunar. ETL (Extract, Transform, Load) pipeline’larının ve veri modellerinin otomasyonundan, veri yapılarına (star şemaları veya veri vaultları gibi) veri yüklenmesine kadar her şeyi kapsar. Ayrıca, Değişim Veri Yakalama (CDC) mekanizmaları aracılığıyla bu yapıları etkili bir şekilde korur. Bu kapsamlı otomasyon, veri ambarı manzarasında önemli bir eğilim olarak ortaya çıktı.

Daha da yakın zamanda, veri ambarı ve yapay zeka (AI) arasındaki birleşme trendi ortaya çıktı. Özellikle, üretken AI, otomasyonu yeni bir seviyeye taşıdı. Sadece görevleri otomatikleştirmekle kalmaz, aynı zamanda kullanıcıların karar verme süreçlerine yardımcı olur.

Veri ambarı bileşenlerinin, pipeline’ların ve karar noktalarının yapılandırması, AI tarafından yönlendirilebilir, bu da veri ambarını daha güçlü ve verimli hale getirir. Temelde, bu, steroidlerle güçlendirilmiş otomasyondur ve veri ambarının manzarasını dönüştürüyor. Veri ambarı ve AI arasındaki kesişme, gelecekte büyük vaatler taşıyan bir trenddir.

İşletmelerin veri ambarı geliştirme için dikkate alması gereken dört temel prensip nelerdir?

1. Net Hedefler Tanımlama

İlk adım, veri ambarınızdan tam olarak ne istediğinizi anlamaktır. Amacınız olmadan fazla veri toplamak gibi bir tuzağa düşmemelisiniz. Bunun yerine, ulaşmak istediğiniz specific hedefleri belirleyin. Hangi raporlar ve içgörüler elde etmek istiyorsunuz? Hedeflerinize odaklanarak, sadece ilgili verilerinizi getirerek, gereksiz büyük miktarda bilgi toplamaktan kaçınabilirsiniz. Depolama ve hesaplama gücünün maliyetleri düştükçe, bu kaynakları akıllıca ve etik bir şekilde kullanmak önemlidir.

2. Doğru Mimari Modeli Seçme

Mimari modeller çok önemlidir, çünkü veri ambarı çözümünüzün başarılı olup olmayacağını belirler. Inmon tarzı veri ambarından Ralph Kimball’ın yıldız şemalarına, Data Vault ve columna veritabanı satıcılarının savunduğu büyük bir tablo yaklaşımına kadar çeşitli seçenekler vardır. Her model her senaryo için uygun olmayabilir.

Genellikle, Data Vault’ın üzerine yerleştirilmiş bir yıldız şeması kombinasyonunu görüyoruz. Ancak her gereksinim veya senaryo için farklı bir cevap olacaktır. Uzmanlarla birlikte çalışarak, hangi mimari modelinin sizin durumunuz için uygun olduğunu belirleyin.

3. Doğru Araçları Seçme

Araçlar çok önemlidir ve büyük bir fark yaratabilir. Veri ambarı çözümünüzü inşa etmek ve bakımını yapmak için gereken zaman ve kaynakları belirler. Ürünlerin yeteneklerine ve birden fazla gereksinimi tek bir çatı altında toplayabilen ürünlere dikkat edin. ETL (Extract, Transform, Load), veri kalitesi, veri modelleme, veri yükleme ve veri yayınlama gibi alanlar önemli roller oynar. Bu alanlar için birden fazla ürün kullanmaya çalışırsanız, zorluklar yaşayabilirsiniz.

4. Ekibiniz

Son olarak, veri ambarı çözümünüzü inşa edecek ve bakımını yapacak ekibiniz çok önemlidir. Güçlü veri mimari modelleri geçmişine sahip birine sahip olmak önerilir. Ekibin, iş kullanıcıları ve programlama geçmişine sahip veya en azından veri uzmanlığına sahip kişilerle karıştırılmış, çapraz fonksiyonel bir yapıda olması önerilir. Veri görevlileri, veri sorumluları ve iş birimleri arasında yakın işbirliği, kohezif ve etkili bir veri ambarı çözümünü inşa etmek ve bakımını yapmak için trách sorumludur.

Veri ambarında başarı, bu dört prensibi dengeli bir şekilde uygulamaya bağlıdır. Dikkatli bir şekilde takip edildiğinde, bu prensipler başarının reçetesi olarak kanıtlanmıştır.

Neden şirketlere modern bir veri yığını gerekiyor?

Bu, “modern”in nasıl tanımlanacağına bağlıdır ve bu tanım zaman zaman değişebilir. Değişen veri manzarasını göz önünde bulunduran modern araç setlerini düşünmeliyiz. Son birkaç yılda, veri doğası ve hacminde önemli değişiklikler oldu. Büyük Veri yükselişi, veri manzarasını değiştirdi ve veriler, e-ticaret siteleri, üretim veritabanları ve işin çeşitli kısımlarından geliyor. Veri sadece hacim olarak değil, aynı zamanda doğası olarak da değişiyor.

Geçmişte veriler çoğunlukla yapılandırılmışken, şimdi yapılandırılmamış veri önemli bir rol oynuyor. Ayrıca, verilerin oluşturulma ve kullanılabilir hale getirilme hızı arttı. Bu veri değişikliklerine karşı, araç setimizi etkili bir şekilde veri zorluklarını ele almak için sürekli olarak değerlendirmeli ve uyarlamalıyız.

Modern veri yığını, veri yapılarındaki ve hızındaki tüm varyasyonları ele almak üzere tasarlanmıştır ve son birkaç yıl içinde ortaya çıkan yeni mimari modelleri uyarlayacak şekilde donatılmıştır. Bu nedenle, verilerinizi en iyi şekilde kullanmak istiyorsanız, veri yığınınızı modernleştirmelisiniz. Bu, yeni veri zorluklarına ayak uydurmanın tek yoludur.

Şirketlerin mevcut çözümlerle devam etmeyi seçtiklerini gördük. Ancak verinin doğası gereği dinamik olduğunu tanımak önemlidir. Sürekli olarak evrimleşir ve yeni zorluklar ve fırsatlar sunar. Mevcut çözümler, bu değişikliklere uyum sağlamak için yeterli olmayabilir. Bu nedenle, şirketler veri yığınlarını modernleştirmeye odaklanmalıdır. İşleri bozmak değil, veri doğasının değişen doğasına karşı esnek ve duyarlı kalmak önemlidir. Veri teknolojilerindeki ilerlemeleri sürekli olarak değerlendirerek ve entegre ederek, şirketler rekabetçi kalabilir ve veri odaklı bir dünyada bilinçli kararlar alabilir.

Endüstride şu an hangi veri yönetim zorlukları görülmektedir?

1. Veri Hızı ve Entegrasyonu

Şu anda karşılaştığımız büyük zorluklardan biri, çeşitli uygulamalardan gelen veri hacmidir. Bir典型 IT organizasyonunu düşünün, her yıl dozens, bazen hundreds yeni uygulama ortaya çıkıyor.

Bu uygulamalar değerli içgörüler sağlayan verilerin kaynağı oluyor. Burada ki primary concern, bu yeni veri kaynaklarını mevcut veri pipeline’larına hızlı bir şekilde entegre etme ve birleşik bir görünümde birleştirebilme yeteneğidir. Organizasyonların bu yeni veri akışlarına uyum sağlama ve entegre etme hızları, en büyük zorluklardan birini oluşturuyor.

2. Değişen Veri Biçimleri

Diğer bir kritik zorluk, özellikle yapılandırılmamış verinin artan yaygınlığından kaynaklanmaktadır. Yapılandırılmamış veri ile ilgili olarak, nasıl ele alınacağı konusunda farklı düşünceler vardır.

Şirketler, bu veriyi doğrudan veri göllerine depolamak ve daha sonra kullanmak veya yapılandırılmış bir forma dönüştürmek için transform etmek arasında bir karar vermelidir. Yapılandırılmamış veriyi ele alma zorluğu devam etmektedir ve bu, orta veya küçük ölçekli şirketleri de etkilemektedir. Bu nedenle, yapılandırılmamış veriyi ele alma stratejileri geliştirmek önemlidir.

3. Veri Yayınlama ve Paylaşımı

Veri entegrasyonu ve konsolidasyonu kadar, verilerin etkili bir şekilde paylaşılması da önemlidir. Şirketler, iç bölümler, üçüncü taraf satıcılar, ortaklar ve diğer paydaşlar için veri yayınlama ve dağıtma mekanizmalarına ihtiyaç duyar. Bu zorluk, sadece verilere erişim sağlamakla kalmaz, aynı zamanda veri güvenliği, gizliliği ve düzenlemelere uyumu da içerir. Veri paylaşımı, tüm şirketler için bir necessity haline geldikçe, bu alanda teknolojiler ve ürünler hızlı bir şekilde gelişmektedir.

Astera, müşteri iş akışında AI’yi nasıl entegre etti?

Veri yönetiminde AI ile kesişme iki farklı şekilde ele alıyoruz.

1. Kullanılabilirliği Geliştirmek için Üretken AI

Kullanılabilirlik, ürün geliştirme felsefemizin temel taşıdır. Son 12-13 yıl içinde, kısa bir öğrenme eğrisine sahip ürünler tasarlayarak güçlü bir üne sahip olduk. Üretken AI ile, doğal dil komutları kullanarak ürünlerle etkileşime girebilen bir kullanıcı arabirimi oluşturduk. Bu, yapılandırma görevlerini basitleştirerek, kullanıcılar için daha verimli hale getirdi.

Astera, ayrıca veri yönetim ürünlerinin yapılandırılmasında AI tarafından sağlanan otomasyonu kullanarak, önceden saatlerce süren manuel çalışmayı azalttı. Veri yönetim çözümü oluşturmanın en büyük maliyet faktörü, ürünün kendisinin satın alınması değil, yapılandırılması için harcanan zamandı. Bunu, AI ile ele aldık.

Örneğin, Astera’nın ReportMiner ürünü, yapılandırılmamış belgelerden veri çıkarmayı basitleştirir ve kullanıcıların kural tabanlı çıkarma şablonları oluşturmasına olanak tanır. AI, bu şablonların ilk versiyonunu saniyeler içinde oluşturabilir, bu previously iki veya üç saat süren bir görevdi. AI tarafından oluşturulan ilk şablon mükemmel olmayabilir, ancak %90’lık bir iş yükünü ele alır ve kullanıcıların kısa sürede gerekli ayarlamaları yapmasını sağlar.

Bu, Astera’nın ürünlerinde AI’yi kullanarak kullanılabilirliği nasıl geliştirdiğinin sadece bir örneğidir. Veri yığınımızda benzer şeyleri yapıyoruz ve AI ile önemli bir kullanılabilirlik artışı elde ediyoruz.

2. AI İşlevselliği olarak Araç Seti

Astera, çeşitli veri yönetim yönlerini kapsayan birleşik bir veri yığını sunar. Bu, veri alımı, dönüştürme, veri kalitesi, veri ambarı, API’ler ve veri yayınlamayı içerir. Şirket, kullanıcılarına AI işlevselliği olarak çeşitli araçlar sunmanın önemini tanır. Bu araç seti içinde, kullanıcılar veri biliminde, makine öğrenimi modellerinin oluşturulmasından ve dağıtılmasından ML Ops’a (Makine Öğrenimi Operasyonları) kadar çeşitli görevleri gerçekleştirebilir. Astera, ayrıca açık kaynaklı modellerin, büyük dil modellerinin (LLM) kullanımını destekler ve özel kullanım durumları için fine-tune olanakları sağlar.

Bu daha geniş AI işlevselliği, Astera kullanıcılarının çeşitli veri ilgili görevlerde AI’yi kullanmasına olanak tanır. Makine öğrenimi modellerini dağıtmak, ML Ops’ı uygulamak ve açık kaynaklı modelleri fine-tune etmek gibi görevler bu kapsama girer. Ayrıca, Astera sürekli olarak AI desteğini genişletmeye çalışıyor ve vektör veritabanları, benzerlik aramaları, gömme ve daha fazlasını kapsıyor.

Veri yönetiminde AI ve ML modellerini kullanmak için en iyi uygulamalar nelerdir?

1. AI ve ML Gelişmelerinin Ön Saflarında Olmak

Büyük dil modelleri alanı hızla evrimleşiyor. Rekabet avantajı elde etmek için, son gelişmeler hakkında bilgi sahibi olmak önemlidir. Astera, üretken AI’nin erken bir benimseyicisi oldu ve OpenAI ve LAMA gibi modelleri kullandı. Yeni teknolojileri sürekli olarak izlemek, bunları etkili bir şekilde kullanmaya hazır olmanızı sağlar.

2. Çeşitli Modeller ve Konfigürasyonlar Denemek

Açık kaynaklı büyük dil modellerinin fine-tune edilmesi, bizim için iyi çalıştı. Yerel olarak küçük boyutlu modelleri (8-13 milyar parametre) dağıtmamıza olanak tanıdı. Önerimiz, sadece birini kullanmak yerine, farklı temel modelleri ve konfigürasyonları denemektir. Büyük dil modelleri farklı varyantlara sahiptir, her birinin benzersiz yetenekleri vardır. Kullanıcıların, geniş bir seçenekler yelpazesi sunan bir konfigürasyon sistemi oluşturduk, geliştiriciler ve veri bilimcileri veri bilimindeki yolculuklarında karşılaştıkları açık kaynaklı kütüphanelere benzer.

3. Yerel Dağıtımı API’ye Tercih Etmek

Veri odaklı ürünlerle çalışırken, gecikmeleri azaltmak önemlidir. AI ve ML model erişiminde sadece API’lere güvenmek, özellikle büyük veri hacimleri ile çalışırken kabul edilemez gecikmelere neden olabilir. Spesifik senaryolar için fine-tune edilmiş modelleri yerel olarak dağıtmayı önceliklendirmek önerilir. Bu, yanıt sürelerini ve genel performansı önemli ölçüde iyileştirir.

Neden Astera, rakip platformlardan daha üstündür?

• Astera’nın çözümleri, AI tarafından güçlendirilmiş, kod gerektirmeyen, sezgisel bir görsel arayüze sahiptir ve bu, tüm kullanıcılar için karmaşık veri işlemlerini gerçekleştirmeyi kolaylaştırır.
• Veri yığınımızdaki otomasyon özellikleri, tekrarlanan manuel görevleri azaltarak zaman ve geliştirme kaynaklarını tasarruf sağlar.
• Birleşik platformumuz, kullanıcıların çözüm değiştirmeden uçtan uca veri işlemlerini gerçekleştirmesine olanak tanır. Bu, birden fazla, bölünmüş sistemi öğrenme ve yönetme maliyetini ortadan kaldırır.

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