Saket Saurabh, Nexla’nın CEO ve Kurucu Ortağı – Röportaj Serisi

Saket Saurabh, Nexla’nın CEO ve Kurucu Ortağı, veri ve altyapı için derin bir tutkuyla dolu bir girişimcidir. next-generation, otomatik veri mühendisliği platformunun geliştirilmesine liderlik etmektedir. Bu platform, veri ile çalışanlara ölçek ve hız kazandırmayı amaçlamaktadır.

Önceden, Saurabh başarılı bir mobil startup kurdu ve bu startup, önemli kilometre taşlarını gerçekleştirdi, Bunlar arasında satın alma, halka arz ve çok milyonlarca dolarlık bir iş haline gelme yer almaktadır. Ayrıca, Nvidia’daki görev süresi boyunca çeşitli yenilikçi ürün ve teknolojilere katkıda bulundu.

Nexla, veri mühendisliğini otomatikleştirerek verilerin kullanıma hazır olmasını sağlar. Bunu, Nexsets adlı benzersiz bir yaklaşım aracılığıyla gerçekleştirir – verilerin entegre edilmesi, dönüştürülmesi, teslim edilmesi ve izlenmesini kolaylaştıran veri ürünleri.

Size Nexla’yı kurma ilhamı nedir ve veri mühendisliği deneyimlerinizi nasıl şekillendirdi?

Nexla’yı kurmadan önce, Nvidia’da yüksek ölçeklenebilir, yüksek performanslı teknoloji geliştirdim. Daha sonra, önceki startup’ımı mobil reklamcılık alanında bir satın alma ve halka arz yolculuğuna çıkardım. Burada büyük miktarda veri ve makine öğrenimi, teklifimizin temel bir parçasıydı ve her gün yaklaşık 300 milyar kayıt veri işleniyordu.

2015’te önceki şirketim halka arz edildiğinde, beni heyecanlandıran bir sonraki büyük zorluğu arıyordum. İki geçmişten geldiğim için, veri ve hesaplama zorluklarının birbirine yaklaştığı ve endüstrinin daha gelişmiş, veri ve AI tarafından güçlendirilen uygulamalara doğru ilerlediği çok açıktı.

O zamanlar GenAI’nin (GenAI) bu kadar hızlı ilerleyeceğini bilmiyorduk, ancak makine öğrenimi ve AI’nin veriden yararlanmak için temel oluşturacağı açıktı. Bu nedenle, insanların veriyle çalışırken başarılı olmaları için hangi altyapının gerekli olduğu ve bunu herkesin, yalnızca mühendislerin değil, profesyonel yaşamlarında veriden yararlanmasını nasıl mümkün kılabiliriz diye düşündüm.

Bu, Nexla’nın vizyonuna yol açtı – verinin arkasındaki mühendisliği basitleştirmek ve otomatikleştirmek. Veri mühendisliği, özellikle karmaşık veya büyük ölçekli veri sorunlarıyla uğraşıldığında, çoğu şirket için özel bir çözümdü. Hedef, verilerin yalnızca veri mühendisleri değil, daha geniş bir kullanıcı kitlesi için erişilebilir ve kullanılabilir hale gelmesini sağlamaktı. Ölçeklenebilir veri sistemleri ve uygulamalar inşa etme deneyimlerim, veriye erişimi demokratikleştirmek için bu vizyona yakıt sağladı.

Nexsets, Nexla’nın herkes için kullanıma hazır veri yapma misyonunu nasıl somutlaştırır ve bu inovasyon modern işletmeler için neden kritik öneme sahiptir?

Nexsets, veri çeşitliliği sorununu ele alarak Nexla’nın herkes için kullanıma hazır veri yapma misyonunu somutlaştırır. Verinin 3V’si – hacim, hız ve çeşitlilik – sürekli bir sorun olarak kaldı. Endüstri, hacim ve hız sorunlarını çözmeye yönelik bazı ilerlemeler kaydetti, ancak veri çeşitliliği önemli bir engel olarak kaldı. Yeni sistemlerin ve uygulamaların ortaya çıkması, veri yapıları ve formatlarında sürekli bir artışa neden oldu.

Nexla’nın yaklaşımı, çeşitli kaynaklardan gelen veriyi tutarlı, paketlenmiş bir varlık olarak otomatik olarak modellemek ve bağlamaktır. Bu, kullanıcıların altta yatan veri kaynaklarının ve yapılarının karmaşıklığını anlamalarına gerek kalmadan verilere erişmelerine ve çalışmasına olanak tanır. Bir Nexset, verilere basit, doğrudan bir arayüz sağlayan bir kapı görevi görür.

Bu, modern işletmeler için kritik öneme sahiptir, çünkü daha fazla insanın, yalnızca veri mühendislerinin değil, günlük işlerinde veriden yararlanmasına olanak tanır. Veri çeşitliliği ve karmaşıklığını soyutlayarak, Nexsets, iş kullanıcılarının, analistlerin ve diğerlerinin teknik uzmanlığa gerek kalmadan ihtiyaç duydukları verilere doğrudan etkileşime girmesini sağlar.

Ayrıca, weniger teknik veri tüketicileri için entegrasyonu kullanışlı hale getirmek üzerinde çalıştık – kullanıcı arayüzünden veri işbirliği ve yönetimine, dönüşümler ve iş akışları oluşturmaya kadar. Veri çeşitliliğinin karmaşıklığını soyutlamak, verilere erişimi demokratikleştirmek ve bilgilerin değerini elde etmek için kritik bir yetenektir.

Veri “GenAI’ye hazır” olmayı什么 yapar ve Nexla bu gereksinimleri nasıl etkili bir şekilde ele alır?

Cevap, GenAI’yi nasıl kullandığınıza bağlı olarak kısmen değişir. Şirketlerin çoğu, GenAI Geri Çağırma Artırılmış Oluşturma (RAG) uygulamaktadır. Bu, verilerin vektör veritabanına yüklenmek üzere hazırlanmasını ve sonra bir Büyük Dil Modeli (LLM) için bağlam olarak girdi olarak kullanmak üzere arama yoluyla verilerin alınması gerektirir. Bu nedenle, verilerin hem vektör aramaları hem de LLM’ler için iyi çalışabilmesi için hazırlanması gerekir.

RAG, Geri Çağırma Artırılmış İyileştirme (RAFT) veya model eğitimi yapıyorsanız, beberapa ana gereksinim vardır:

• Veri formatı: GenAI LLM’leri genellikle belirli bir formattaki verilere çalışır. Verilerin, modellerin kolayca alabileceği ve işleyebileceği bir şekilde yapılandırılması gerekir. Ayrıca, LLM’lerin veriden daha iyi yararlanabilmesi için “parçalara” bölünmesi gerekir.
• Bağlantı: GenAI LLM’leri, statik veri kümelerine güvenmek yerine ilgili veri kaynaklarına dinamik olarak erişebilmelidir. Bu, çeşitli şirket sistemleri ve veri depolarına sürekli bağlantı gerektirir.
• Güvenlik ve yönetim: Hassas şirket verilerini kullanırken, güçlü güvenlik ve yönetim kontrollerinin olması kritik öneme sahiptir. Veri erişimi ve kullanımı güvenli ve mevcut kurumsal politikalarla uyumlu olmalıdır. Ayrıca, LLM’ler tarafından kullanılan verilerin yönetimini sağlamak için veri ihlallerini önlemek yardımcı olur.
• Ölçeklenebilirlik: GenAI LLM’leri veri ve hesaplama yoğundur, bu nedenle altta yatan veri altyapısının bu modellerin taleplerini karşılayacak şekilde ölçeklenebilir olması gerekir.

Nexla, GenAI için veri hazırlama gereksinimlerini birkaç şekilde ele alır:

• Dinamik veri erişimi: Nexla’nın veri entegrasyon platformu, 100’lerce kaynağa bağlanmak ve çeşitli entegrasyon stilleri ve veri hızları ile birlikte çalışmak için tek bir yol sağlar. Ayrıca, GenAI LLM’lerine ihtiyaç duydukları en güncel veriyi sağlar.
• Veri hazırlama: Nexla, verilerin her GenAI kullanım durumu için optimize edilmiş formatlarda çıkarılmasını, dönüştürülmesini ve hazırlanmasını sağlar. Ayrıca, birden fazla kodlama modeli için destek sunar.
• Kendin yap ve işbirliği: Nexla ile veri tüketicileri, yalnızca verilere erişmekle kalmaz, aynı zamanda Nexsets ve akışlar oluşturabilir ve bunları bir pazar yeri aracılığıyla paylaşabilir. Bu, verilerin doğru formatta olmasını ve üretkenliği yeniden kullanım yoluyla artırmasını sağlar.
• Otomatik oluşturma: Entegrasyon ve GenAI zorlu olabilir. Nexla, kullanıcıların seçimlerine dayanarak gerekli adımların çoğunu otomatik olarak oluşturur – AI ve diğer teknikleri kullanarak – böylece kullanıcılar kendi başlarına çalışabilir.
• Yönetim ve güvenlik: Nexla, tüm süreç boyunca güçlü güvenlik ve yönetim kontrolleri içerir. Ayrıca, işbirliği için tasarlanmıştır, böylece hassas şirket verilerinin erişimi ve kullanımı güvenli ve uyumlu bir şekilde yapılır.
• Ölçeklenebilirlik: Nexla platformu, GenAI iş yüklerinin taleplerini karşılayacak şekilde ölçeklenebilir olarak tasarlanmıştır. Gerekli hesaplama gücünü ve esnek ölçeklenebilirliği sağlar.

Veri demokratikleşmesi möglich kılmak için, entegre edilmiş entegrasyon, kendin yap, işbirliği, otomatik oluşturma ve veri yönetimi bir arada inşa edilmelidir.

Farklı veri türleri ve kaynakları GenAI modellerinin başarısına nasıl katkıda bulunur ve Nexla bu entegrasyon sürecini nasıl basitleştirir?

GenAI modelleri, en iyi içgörüler ve ilgili çıktılar üretmek için her türlü bilgiye erişime ihtiyaç duyar. Bu, insanların da aynı şekilde olması gibi. GenAI modelleri, yapılandırılmış veritabanlarından yapılandırılmamış belgelerine kadar geniş bir veri yelpazesiyle eğitilmelidir. Farklı veri kaynakları, haber makaleleri, finansal raporlar ve müşteri etkileşimleri gibi, bu modellerin yararlanabileceği değerli bağlamsal bilgiler sağlar. Farklı verilere maruz kalma, GenAI modellerinin daha esnek ve uyarlanabilir hale gelmesini sağlar, böylece daha geniş bir sorgu ve görev yelpazesiyle başa çıkabilir.

Nexla, Nexsets ile bu çeşitlilikteki tüm verilerin karmaşıklığını soyutlar ve neredeyse her kaynağa erişimi kolaylaştırır. Ardından, verilerin çıkarılmasını, dönüştürülmesini, düzenlenmesini ve yüklenmesini sağlar, böylece veri tüketicileri yalnızca verilere odaklanabilir ve bunları GenAI’ye hazır hale getirebilir.

2025 ve ötesinde veri ekosisteminin şekillenmesinde hangi trendler etkilidir, özellikle GenAI’nin yükselişiyle?

Şirketler, GenAI’yi asistanlar veya kaptan olarak inşa etmek için kullanmaya odaklanmışlardır. Ancak, 2025’e girerken, görevleri insanların dahil olmadığı şekilde otomatikleştiren ajansların kullanımı trendi kesinlikle büyüyecektir. Ajanslar, tıpkı kaptanların yaptığı gibi, verilerin akışını sağlamak için entegrasyona ihtiyaç duyar – yalnızca bir yönde değil, aynı zamanda AI’nin bu verilere göre hareket etmesini sağlar.

2025 için bir başka önemli trend, AI sistemlerinin artan karmaşıklığıdır. Bu sistemler, çeşitli kaynaklardan bileşenler birleştirerek kapsamlı çözümler oluşturmak için daha sofistike hale gelmektedir. İnsanların gün boyunca çeşitli araçlara güvenmesi gibi, AI sistemleri de görevleri gerçekleştirmek için çeşitli araçları ve bileşenleri düzenleyecektir. Bu, önemli bir zorluk sunar, ancak aynı zamanda geliştirme için kritik bir alandır.

Trendlerden bahsederken, GenAI’nin basit kalıp eşleştirmenin ötesine geçerek gerçek anlamaya doğru ilerlediğini görüyoruz. Bu alanda önemli teknolojik ilerlemeler yaşanmaktadır. Bu ilerlemelerin tamamı 2025’te ticari değere tam olarak çevrilmeyebilir, ancak gidişatımızı temsil etmektedir.

Bir başka önemli trend, AI çıkarımı için hızlandırılmış teknolojilerin artan kullanımıdır, özellikle şirketler gibi Nvidia. Geleneksel olarak, GPU’lar AI modellerinin eğitimi için yoğun olarak kullanılmıştır, ancak çalışma zamanı çıkarımı – modelin aktif olarak kullanıldığı nokta – eşit derecede önemlidir. AI çıkarımının optimize edilmesinin, daha verimli ve etkili hale getirilmesinin beklenmektedir.

Ayrıca, mevcut eğitim verilerinin büyük ölçüde maksimuma ulaştığı anlaşılıyor. Bu, model geliştirmelerinin, eğitim sırasında daha fazla veri eklenmesinden değil, modelin çıkarım sırasında nasıl çalıştığından geleceği anlamına geliyor. Çalışma zamanında, model sonuçlarını iyileştirmek için yeni bilgiler kullanmak kritik bir odak haline geliyor.

Bazı heyecan verici teknolojiler sınırlarına ulaşırken, yeni yaklaşımlar ortaya çıkacaktır. Bu, AI’yi benimseyen organizasyonların esnekliklerinin önemini vurgulamaktadır. Bugün iyi çalışan şeyler, altı ay ila bir yıl içinde eski haline gelebilir, bu nedenle AI boru hatlarındaki bileşenleri eklemek veya değiştirmek için hazırlıklı olun.

Organizasyonlar, veri silolarını nasıl kırabilir ve sistemleri arasında veri akışını nasıl geliştirebilir?

İlk olarak, insanların veri silolarının her zaman var olacağını kabul etmesi gerekir. Bu her zaman böyle olmuştur. Birçok organizasyon, tüm verilerini bir yerde merkezileştirmeye çalışır, ideal bir kurulum oluşturup önemli değeri kilitleyeceğine inanır, ancak bu genellikle uzun, pahalı, çok yıllı bir çaba olur, özellikle büyük şirketler için.

Bu nedenle, gerçeklik, veri silolarının kalıcı olduğudur. Bunu kabul ettiğimizde, soru, bu silolarla daha verimli nasıl çalışabileceğimizdir.

Büyük şirketleri düşünmek için bir analoji kullanmak yardımcı olabilir. Hiçbir büyük şirket, herkesin birlikte çalıştığı tek bir ofiste çalışmaz. Bunun yerine, şirketler merkezi ofisler ve çok sayıda ofis olarak bölünür. Hedef, bu doğal bölünmeyi reddetmek değildir, ancak ofislerin эффектив bir şekilde işbirliği yapmasını sağlamaktır. Bu nedenle, insanların birbirleriyle ve iş akışlarıyla bağlantı kurmasını sağlayan üretkenlik araçlarına yatırım yaparız – Zoom veya Slack gibi.

Benzer şekilde, veri siloları, doğal olarak bölünmüş sistemlerdir ve her zaman var olacaktır. Hedef, bunları ortadan kaldırmak değildir, ancak birbirleriyle sorunsuz bir şekilde çalışmasını sağlamaktır. Bunu anladığımızda, bu bağlantıları kolaylaştıran teknolojilere odaklanabiliriz.

Örneğin, Nexsets gibi teknolojiler, çeşitli veri kaynakları üzerinde ortak bir arayüz veya soyutlama katmanı sağlar. Veri silolarına bir kapı olarak davranarak, bu silolar arasında işbirliğini basitleştirir ve verilerin olumsuz etkilerini en aza indirir.

Aslında, strateji, siloları ortadan kaldırmaya çalışmak yerine, silolar arasında işbirliğini artırmaya yönelik olmalıdır. Çok sayıda şirket, tüm her şeyi devasa bir veri gölüne konsolide etmeye çalışır, ancak dürüst olmak gerekirse, bu neredeyse imkansız bir savaştır.

Modern veri platformları, hız ve ölçeklenebilirlik gibi zorluklarla nasıl başa çıkar ve Nexla bu konularda nasıl farklıdır?

Modern veri yığınındaki birçok araç, ilk olarak kullanım kolaylığı ve geliştirme hızına odaklanarak tasarlandı. Bu, pazarlama analistlerinin, pazarlama platformlarından veri görselleştirme araçlarına veri taşımasını sağlayan araçların geliştirilmesiyle geldi. Bu araçların evrimi, genellikle dar olarak tanımlanmış sorunları çözen nokta çözümlerinin veya araçların geliştirilmesini içerir.

Ölçeklenebilirlikten bahsederken, insanlar genellikle veri hacmini ölçeklendirme olarak düşünür. Ancak, ölçeklenebilirliğin gerçek zorluğu, daha fazla insanın veriyle çalışması gerektiği ve şirketlerin yönetmesi gereken sistemlerin ve veri türlerinin çeşitliliği nedeniyle ortaya çıkar.

Modern araçlar, yüksek uzmanlaşmış olarak, bu zorlukların yalnızca küçük bir bölümünü çözer. Sonuç olarak, organizasyonlar, her biri tek bir sorunu çözen çok sayıda aracı kullanır, bu da kendi zorluklarını yaratır – araç aşırı yüklenmesi ve verimsizlik gibi.

Nexla, bu sorunu, kullanım kolaylığını esneklikle dengeli bir şekilde ele alarak çözer. Bir yandan, şablonlar ve kullanıcı dostu arayüzler gibi basitlik sağlar. Diğer yandan, sürekli olarak platformı geliştirebilmeleri için takımlara geliştirici dostu yetenekler sunar. Geliştiriciler, sistemde yeni yetenekler ekleyebilir, ancak bu iyileştirmeler, teknik olmayan kullanıcılar için basit düğmeler ve tıklamalar olarak kalır. Bu, aşırı uzmanlaşmış araçların tuzaklarından kaçınırken, geniş bir dizi şirket düzeyinde işlevsellik sağlar.

Nexla’yı gerçekten ayıran, kullanım kolaylığını, organizasyonların gerektirdiği ölçeklenebilirlik ve genişlik ile birleştirebilmesidir. Bu iki dünyayı sorunsuz bir şekilde birleştiren platform, takımların gücünden ödün vermeden verimli bir şekilde çalışmasına olanak tanır.

Nexla’nın bir diğer önemli gücü, soyutlanmış mimarisidir. Örneğin, kullanıcılar bir veri boru hattını görsel olarak tasarlayabilir, ancak bu boru hattının yürütülmesi, yüksek derecede uyarlanabilirliğe sahiptir. Kullanıcının gereksinimlerine bağlı olarak – kaynak, hedef veya verilerin gerçek zamanlı olup olmaması – platform, boru hattını altı farklı motordan birine otomatik olarak eşler. Bu, kullanıcıların bu karmaşıklıkları yönetmesine gerek kalmadan optimal performansı sağlar.

Platform ayrıca gevşek bir şekilde bağlanmıştır, yani kaynak sistemleri ve hedef sistemleri ayrıdır. Bu, kullanıcıların mevcut kaynaklara daha fazla hedef eklemesine, mevcut hedeflere daha fazla kaynak eklemesine ve sistemler arasında çift yönlü entegrasyonları etkinleştirmesine olanak tanır.

Önemli olarak, Nexla, veri boru hatlarının tasarımını soyutlar, böylece kullanıcılar, iş akışlarını veya tasarımlarını değiştirmeden, toplu veri, akış veri veya gerçek zamanlı veri ile çalışabilir. Platform, bu gereksinimlere otomatik olarak uyum sağlar, böylece kullanıcıların verilere odaklanmasını ve yalnızca verilere odaklanmasını sağlar. Bu, programlama dili özgüllüğünden daha çok, thoughtfull tasarım hakkında, böylece kullanıcılar için sorunsuz bir deneyim sağlar.

Tüm bunlar, Nexla’nın, veri tüketicilerinin ihtiyaçlarını göz önünde bulundurularak inşa edildiğini gösterir. Geleneksel araçlar, veri üreten veya sistemleri yöneten kişiler için tasarlanırken, biz veri tüketicilerinin ihtiyaçlarına odaklanıyoruz – verilere erişimi basitleştirmek ve verilerin kaynağından bağımsız olarak tutarlı, doğrudan arayüzler sunmak.

Nexla’nın, veri mühendisliği alanının devam eden büyümesiyle, yeni özellikler veya geliştirmeler nelerdir?

Veri mühendisliğinin devam eden evrimiyle, ortaya çıkan zorlukları ve fırsatları ele almak için çeşitli geliştirmelere odaklanıyoruz. Bunlardan biri, veri çeşitliliğini ele almak için AI tarafından yönlendirilen çözümlerdir. Veri mühendisliğinin önemli bir zorluğu, çeşitli kaynaklardan gelen verilerin yönetimidir, bu nedenle bu süreci basitleştirmek için AI’yi kullanıyoruz. Örneğin, yüzlerce farklı tedarikçiden gelen verilerin, standart bir yapıya otomatik olarak eşlenmesini sağlayabiliriz. Bugün, bu işlem genellikle önemli insan girdisi gerektirir, ancak Nexla’nın AI tarafından yönlendirilen yetenekleri, verimliliği artırmayı ve insan müdahalesini en aza indirmeyi amaçlamaktadır.

Ayrıca, bir sonraki nesil veri iş akışlarını desteklemek için bağlayıcı teknolojisini ilerletiyoruz. Bu, yeni sistemlere ve platformlara sorunsuz bağlantıları sağlayan ajanlar oluşturmayı içerir. Bu, GenAI kullanıcılarının artan ihtiyaçlarına ve çeşitli platformlarla etkileşim kurmayı kolaylaştırmaya yöneliktir.

Üçüncüsü, izleme ve kalite güvence konusundaki yeniliklerimize devam ediyoruz. Verileri daha fazla kullanıcının tüketmesiyle, veri kalitesinin izlenmesi ve güvence altına alınması daha da önemli hale geldi. Amacımız, sistem izleme ve kalite güvence için güçlü araçlar sunmak ve verilerin güvenilir ve eyleme geçirilebilir kalmasını sağlamaktır.

Son olarak, Nexla, bazı temel yeteneklerini açık kaynak olarak paylaşma adımlarını atmaktadır. Düşüncemiz, teknolojisini daha geniş bir topluluğa paylaşarak, daha fazla insanın gelişmiş veri mühendisliği araçlarından ve çözümlerinden yararlanmasını sağlamaktır. Bu, bu alanda inovasyon ve işbirliğini teşvik etme taahhüdümüzü yansıtmaktadır.

Harika yanıtlar için teşekkür ederiz. Daha fazla bilgi edinmek isteyen okuyucular Nexla adresini ziyaret edebilir.