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

Saket Saurabh, Nexla’nın CEO’su ve kurucu ortağı, veri ve altyapı için derin bir tutkuyla hareket eden bir girişimcidir. Ölçek ve hız getirerek veriyle çalışanlara yönelik bir sonraki nesil, otomatik veri mühendisliği platformunun geliştirilmesine liderlik etmektedir.

Önceki olarak, Saurabh başarılı bir mobil startup kurdu ve bu, önemli kilometre taşlarını gerçekleştirdi, Bunlar arasında satın alma, halka arz ve çok milyonlu bir iş haline gelme yer aldı. Ayrıca, Nvidia’ (NVDA ) daki görevi sırasında birçok yenilikçi ürün ve teknolojiye katkıda bulundu.

Nexla, veri mühendisliğini otomatikleştirerek verilerin kullanılabilir hale gelmesini sağlar. Bunu, Nexsets adlı benzersiz bir yaklaşım yoluyla gerçekleştirir – verilerin entegre edilmesi, dönüştürülmesi, teslim edilmesi ve izlenmesini kolaylaştıran veri ürünleri.

Sizi Nexla’yı kurmaya iten şey nedir ve veri mühendisliğindeki deneyimleriniz şirketin vizyonunu nasıl şekillendirdi?

 Nexla’yı kurmadan önce, Nvidia’da yüksek ölçekli, yüksek performanslı teknoloji geliştirerek veri mühendisliği yolculuğuma başladım. Daha sonra, mobil reklamcılık alanında büyük miktarda veri ve makine öğreniminin temel bir parçası olduğu önceki startup’ımı satın alma ve halka arz yoluyla götürdüm, günde yaklaşık 300 milyar kayıt veri işledim.

2015’te önceki şirketim halka arz edildikten sonra, beni heyecanlandıran bir sonraki büyük zorluğu arıyordum. İki geçmişten gelen deneyimim, endüstrinin daha gelişmiş uygulamalara doğru ilerlerken veri ve hesaplama zorluklarının birleştiği konusunda bana çok açık bir şekilde gösterdi.

O zamanlar GenAI (GenAI)’in bu kadar hızlı ilerleyeceğini bilmesek de, makine öğrenimi ve AI’nin veriden yararlanmak için temel oluşturacağı açıktı. Bu nedenle, insanların veriden yararlanmak için hangi altyapının gerekli olduğunu düşünmeye başladım ve bunu herkesin, yalnızca mühendislerin değil, profesyonel hayatlarında veriden yararlanmasını nasıl mümkün kılabiliriz?

Bu, Nexla’nın vizyonuna yol açtı – verilerin arkasındaki mühendisliği basitleştirmek ve otomatikleştirmek. Veri mühendisliği, özellikle karmaşık veya büyük ölçekli veri sorunlarıyla başa çıkmada, çoğu şirket için çok özel bir çözümdü. Hedef, verilere erişimi yalnızca veri mühendislerine değil, daha geniş bir kullanıcı kitlesine açmaktı. Ölçeklendirilebilir veri sistemleri ve uygulamalar inşa etme deneyimlerim, bu vizyonu demokratikleştirmek için veri erişimi yoluyla besledi.

Nexsets, Nexla’nın herkes için verilerin kullanılabilir hale gelmesini sağlama misyonunu nasıl örneklemektedir ve bu inovasyon modern işletmeler için neden önemlidir?

Nexsets, Nexla’nın misyonunu gerçekleştirerek verilerin temel zorluğunu ele alır – 3V’ler: hacim, hız ve çeşitlilik. Endüstri, hacim ve hızla ilgili zorlukları ele almak için bazı ilerlemeler kaydetti. Ancak, veri çeşitliliği önemli bir engel olarak kaldı. Yeni sistemlerin ve uygulamaların ortaya çıkması, veri yapıları ve formatlarında çeşitliliği artırarak bu sorunu daha da büyüttü.

Nexla’nın yaklaşımı, çeşitli kaynaklardan gelen verilerin otomatik olarak modellenmesi ve tutarlı, paketlenmiş bir varlık olan bir veri ürününe – bir Nexset’e dönüştürülmesidir. Bu, kullanıcılara altta yatan çeşitli veri kaynaklarının ve yapılarının karmaşıklığını anlamadan verilere erişmelerine ve çalışabilmelerine olanak tanır. Bir Nexset, verilere basit ve doğrudan bir arayüz sağlayan bir kapı görevi görür.

Bu, modern işletmeler için çok önemlidir çünkü daha fazla insanın, yalnızca veri mühendislerinin değil, günlük işlerinde veriden yararlanmasını sağlar. Veri çeşitliliği ve karmaşıklığını soyutlayarak, Nexsets, iş analistleri, analistler ve diğerlerinin ihtiyaç duydukları verilere doğrudan etkileşime girmelerini, geniş teknik uzmanlık gerektirmeden sağlar.

Ayrıca, menos teknik veri tüketicileri için entegrasyonu kolay kullanmak üzere çalıştık – kullanıcı arayüzünden veri işbirliği ve yönetimine, dönüşümler ve iş akışlarının oluşturulmasına kadar. Veri çeşitliliğinin karmaşıklığını soyutlamak, verilere erişimi demokratikleştirmek ve daha geniş bir kullanıcı kitlesinin bilgilerinden değer elde etmesini sağlamak için kilit önemdedir.

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

Cevap kısmen GenAI’nin nasıl kullanıldığına bağlıdır. Şirketlerin çoğu, GenAI Geri Alma Artırmalı Üretim (RAG) uygulamaktadır. Bu, verilerin vektör veritabanına yüklenmek üzere hazırlanması ve daha sonra bir Büyük Dil Modeli (LLM) için bağlam olarak girdi olarak kullanmak üzere arama yoluyla geri alınması gerektirir. Bu nedenle, verilerin hem vektör aramaları hem de LLM’ler için iyi çalışması için hazırlanması gerekir.

Bağlantıları ve güvenlik/gözetimi dikkate alırsak:

• Veri formatı: GenAI LLM’leri genellikle belirli bir formattaki verilerle en iyi şekilde çalışır. Veriler, modellerin kolayca alması ve işleyebilmesi için yapılandırılmalıdır. Ayrıca, LLM’lerin veriden daha iyi yararlanmasını sağlayan bir şekilde “parçalanmalıdır”.
• Bağlantı: GenAI LLM’leri, statik veri kümelerine güvenmek yerine ilgili veri kaynaklarına dinamik olarak erişebilmelidir. Bu, çeşitli kurumsal sistemlere ve veri depolarına sürekli bağlantı gerektirir.
• Güvenlik ve yönetim: Hassas kurumsal verilerin kullanıldığında, güçlü güvenlik ve yönetim kontrollerinin olması kritiktir. Veri erişimi ve kullanımı güvenli ve mevcut kurumsal politikalarla uyumlu olmalıdır. Ayrıca, LLM’ler tarafından kullanılan verilerin yönetimini sağlamak için veri ihlallerini önlemek önemlidir.
• 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 verilerin hazırlanması gereksinimlerini birkaç şekilde ele alır:

• Dinamik veri erişimi: Nexla’nın veri entegrasyon platformu, 100’lerce kaynağa bağlanmak için tek bir yol sağlar ve çeşitli entegrasyon stilleri ve veri hızıyla birlikte düzenleme sağlar, böylece GenAI LLM’lerine ihtiyaç duydukları en güncel verileri sağlar, statik veri kümelerine güvenmek yerine.
• Veri hazırlama: Nexla, her GenAI kullanım durumu için optimize edilmiş formatlarda veri çıkarma, dönüştürme ve hazırlama yeteneğine sahiptir, ayrıca veri parçalama ve çoklu kodlama modelleri için destek içerir.
• Kendiliğinden hizmet ve işbirliği: Nexla ile veri tüketicileri, yalnızca verilere erişmekle kalmaz, aynı zamanda Nexsets ve akışları oluşturabilir ve bunları bir pazar yeri aracılığıyla paylaşabilir, böylece verilerin doğru formatta olduğu ve üretkenliği artırdığından emin olunur.
• Otomatik oluşturma: Entegrasyon ve GenAI zorlu olabilir. Nexla, kullanıcıların seçimlerine dayalı olarak gereken adımların çoğunu otomatik olarak oluşturur – AI ve diğer teknikleri kullanarak – böylece kullanıcılar kendi başlarına çalışabilir.
• Gözetim ve güvenlik: Nexla, işbirliği dahil olmak üzere her yerde güçlü güvenlik ve yönetim kontrollerini entegre eder, böylece hassas kurumsal verilerin güvenli ve uyumlu bir şekilde erişildiğinden ve kullanıldığından emin olunur.
• Ölçeklenebilirlik: Nexla platformu, GenAI iş yüklerinin taleplerini karşılayacak şekilde ölçeklenebilir olarak tasarlanmıştır, böylece gerekli hesaplama gücünü ve esnek ölçeklenebilirliği sağlar.

Demokratikleştirmek için birleştirilmiş entegrasyon, kendiliğinden hizmet, işbirliği, otomatik oluşturma ve veri yönetimi gerekir.

Çeşitli 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 bilgileri sağlamazsanız, iyi sonuçlar beklememelisiniz. İnsanlarda da aynı durum söz konusudur.

GenAI modelleri, yapılandırılmış veritabanlarından yapılandırılmamış belgelerine kadar geniş bir veri yelpazesinde eğitilmelidir. Farklı veri kaynakları, haber makaleleri, finansal raporlar ve müşteri etkileşimleri gibi, bu modellerin yararlanabileceği değerli bağlamsal bilgiler sağlar. Çeşitli verilere maruz kalma, GenAI modellerinin daha esnek ve uyumlu olmasını sağlar, böylece daha geniş bir sorgu ve görev yelpazesini ele alabilir.

Nexla, Nexsets ile bu veri çeşitliliğini soyutlar ve几乎 her kaynağa erişimi kolaylaştır, böylece veri tüketicileri yalnızca verilere odaklanabilir ve bunları GenAI’ye hazırlayabilir.

2025 ve ötesinde veri ekosistemini şekillendiren trendler nelerdir, özellikle GenAI’nin yükselişiyle?

Şirketler, GenAI’yi asistanlar veya kaptan olarak kullanarak insanlara cevaplar bulmada ve daha iyi kararlar almalarında yardımcı olmak için kullanmaya odaklanmaktadır. Ajans AI, insanların dahil olmadığı görevleri otomatikleştiren ajanlar, kesinlikle 2025’e girerken büyüyen bir trend. Ajanlar, kaptanlarda olduğu gibi, verilerin sorunsuz bir şekilde akmasını 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 bileşenleri birleştirmek suretiyle daha sophisticated hale gelmektedir. İnsanların gün boyunca görevleri gerçekleştirmek için çeşitli araçlara güvenmesi gibi, yetenekli AI sistemleri de bu yaklaşımı takip edecektir. Birden çok aracı ve bileşeni düzenleyerek kapsamlı çözümler oluşturacaktır. Bu, önemli bir zorluk sunar, ancak aynı zamanda geliştirme için kilit bir alandır.

Trendler açısından, GenAI’nin basit kalıp eşleştirmenin ötesine geçerek gerçek nedenlere doğru ilerlediğini görüyoruz. Bu alanda önemli teknolojik ilerlemeler yaşanmaktadır. Bu ilerlemeler, 2025’te tam olarak ticari değere dönüşmeyebilir, ancak yönümüzü göstermektedir.

Diğer bir önemli trend, AI çıkarımı için hızlandırılmış teknolojilerin artan uygulaması, özellikle Nvidia gibi şirketlerle birlikte. Geleneksel olarak, GPU’ler AI modellerinin eğitimi için yoğun olarak kullanılmıştır, ancak çalışma zamanı çıkarımı – modelin aktif olarak kullanıldığı nokta – eşit derecede önemlidir. AI çıkarımını optimize etmenin, daha verimli ve etkili hale getirmenin yollarını bekleyebiliriz.

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

Yeni yaklaşımlar ortaya çıkarken, bazı teknolojiler sınırlarına ulaşıyor. Bu, AI’yi benimseyen organizasyonların esnekliklerinin önemini vurguluyor. Bugün iyi çalışan şeyler, altı ay ila bir yıl içinde eskimiş olabilir, bu nedenle değişime açık olmak ve veri akışlarındaki veya AI boru hatlarındaki bileşenleri eklemek veya değiştirmek için hazırlıklı olmak kritiktir.

Veri silolarını yıkmak ve sistemler arasında veri akışını iyileştirmek için organizasyonlar hangi stratejileri benimseyebilir?

İnsanların 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 yıllık bir çaba olur, özellikle büyük işletmeler için.

Bu nedenle, veri silolarının kalıcı olduğu gerçeğini kabul ettiğimizde, soru şudur: Veri silolarıyla daha verimli nasıl çalışabiliriz?

Büyük şirketlere bir benzetme yapmak yardımcı olabilir. Hiçbir büyük şirket, herkesin birlikte çalıştığı tek bir ofisten işletilmez. Bunun yerine, merkez ofisler ve çok sayıda ofis olarak bölünürler. Hedef, bu bölünmeyi reddetmek değil, ofislerin birbirleriyle etkili bir şekilde işbirliği yapmasını sağlamaktır. Bu nedenle, insanların ve ofislerin birbirleriyle bağlantı kurmasını ve iş akışlarını kolaylaştıran üretkenlik araçlarına yatırım yaparız, örneğin Zoom veya Slack.

Benzer şekilde, veri siloları, ekipler, bölümler veya diğer sınırlar boyunca her zaman var olacaktır. Anahtar, bunları ortadan kaldırmak değil, birlikte çalışabilmelerini sağlamaktır. Bunu bilerek, bu bağlantılar için teknolojilere odaklanabiliriz.

Örneğin, Nexsets gibi teknolojiler, çeşitli veri kaynaklarına ortak bir arayüz veya soyutlama katmanı sağlar. Veri silolarına bir kapı görevi görerek, bu silolarda dağılmış verilere etkileşimi basitleştirir. Bu, verimliliği artırır ve siloların olumsuz etkilerini en aza indirir.

Aslında, stratejimiz silolar arasında işbirliğini geliştirmek olmalıdır, onları yok etmeye çalışmak değil. Birçok şirket, her şeyi devasa bir veri gölüne konsolide etmeye çalışarak hata yapar. Ancak dürüst olmak gerekirse, bu neredeyse imkansız bir savaştır.

Modern veri platformları, hız ve ölçeklenebilirlik gibi zorlukları nasıl ele alır ve Nexla bu konularda neler farklıdır?

Bence, modern veri yığınındaki birçok araç, kolay kullanım ve geliştirme hızı odaklı olarak tasarlandı. Bu, pazarlama analistlerinin, örneğin, verilerini doğrudan bir görselleştirme aracına taşımalarını sağlayan araçların geliştirilmesini içerir. Bu araçların evrimi, dar olarak tanımlanmış belirli sorunları çözen nokta çözümlerinin veya araçların geliştirilmesini içerir.

Ölçeklenebilirlikten bahsettiğimizde, insanlar genellikle daha büyük veri hacimlerini ele alma anlamına gelen ölçekleme konusunda düşünür. Ancak gerçek ölçekleme zorluğu, iki ana faktörden kaynaklanır: Veriyle çalışan insanların artan sayısı ve organizasyonların yönetmesi gereken sistemlerin ve veri türlerinin çeşitliliği.

Modern araçlar, yüksek uzmanlaşmış olarak, bu zorlukların yalnızca bir alt kümesini çözer. Bu, organizasyonların her biri tek bir sorunu ele alan çoklu araçları kullanmasına yol açar, bu da kendi zorluklarını yaratır, örneğin, araç aşırı yüklenmesi ve verimsizlik.

Nexla, bu sorunu, kullanım kolaylığı ve esneklik arasında dikkatli bir denge kurarak ele alır. Bir yandan, şablonlar ve kullanıcı dostu arayüzler gibi özellikler yoluyla basitlik sağlar. Diğer yandan, sürekli olarak platformı geliştirebilmeleri için geliştirici dostu yetenekler sunar. Geliştiriciler, sistemde yeni yetenekler ekleyebilir, ancak bu iyileştirmeler, teknik olmayan kullanıcılar için basit düğmeler ve tıklamalar olarak kalır. Bu approach, aşırı uzmanlaşmış araçların tuzaklarından kaçınırken, geniş bir dizi kurumsal sınıf işlevselliği sunar.

Nexla’yı gerçekten ayıran şey, kullanım kolaylığı ile ölçeklenebilirlik ve gerektirdiği genişlik arasındaki dengedir. Platform, bu iki dünyayı sorunsuz bir şekilde birleştirir, böylece ekipler verimli bir şekilde çalışabilir, ancak güç veya esneklikten ödün vermez.

Nexla’nın bir diğer önemli gücü, soyutlanmış mimarisidir. Örneğin, kullanıcılar görsel olarak bir veri boru hattı tasarlayabilir, ancak bu boru hattının çalışması, kullanıcıların gereksinimlerine göre – kaynak, hedef, veri gerçek zamanlı mı yoksa değil mi – optimum performansı sağlamak için altı farklı motora otomatik olarak eşlenir. Bu, kullanıcıların bu karmaşıklıkları manuel olarak yönetmelerine gerek kalmadan gerçekleşir.

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

Önemli olarak, Nexla, kullanıcıların批 iş veri, akış veri ve gerçek zamanlı veri ile çalışmasını, iş akışlarını veya tasarımlarını değiştirmeden sağlayan boru hatlarının tasarımını soyutlar. Platform, bu gereksinimlere otomatik olarak uyum sağlar, böylece kullanıcıların verilere odaklanmasını ve her formattaki veya hızdaki veriyle çalışmasını kolaylaştırır. Bu, programlama dilinin özgüllüğünden daha çok, düşünceli bir tasarım meselesidir ve kullanıcıya sorunsuz bir deneyim sağlar.

Bu, Nexla’nın, verilerin tüketicilerini – verilere erişimi kolay ve tutarlı arayüzler isteyen kullanıcıları – göz önünde bulundurularak inşa edildiğini göstermektedir. Geleneksel araçlar, veri üreten veya sistemleri yöneten kişiler için tasarlanırken, biz veri tüketicilerinin deneyimine öncelik verdik. Bu, verilere erişimi basitleştirmeyi ve çeşitli kullanım durumlarını desteklemek için gereken esnekliği korurken, kullanıcıların deneyimini tasarlamamızı sağladı.

Nexla’dan, veri mühendisliği alanının devam eden büyümesi ile hangi yeni özellikler veya gelişmeler beklenmektedir?

Veri mühendisliğinin devam eden evrimi ile ortaya çıkan zorlukları ve fırsatları ele almak için birkaç gelişmeye odaklanıyoruz. Bunlardan biri, veri çeşitliliği ile başa çıkmak için AI destekli çözümlerdir. Veri mühendisliğindeki büyük bir zorluk, çeşitli kaynaklardan gelen verilerin çeşitliliğini yönetmektir, bu nedenle bu süreci basitleştirmek için AI’yi kullanıyoruz. Örneğin, yüzlerce farklı tüccardan gelen verilerin otomatik olarak standart bir yapıya eşlenmesini sağlayabiliriz. Bugün, bu işlem önemli insan girdisi gerektirir, ancak Nexla’nın AI destekli yetenekleri, manuel çabanın minimize edilmesini ve verimliliğin artırılmasını hedeflemektedir.

Ayrıca, bir sonraki nesil veri iş akışlarını desteklemek için konektör teknolojisini geliştiriyoruz, özellikle de yeni ajanları kolayca oluşturmayı sağlayan yetenek. Bu ajanlar, kullanıcıların yeni sistemlere bağlanmasını ve bu sistemlerde belirli eylemleri gerçekleştirmesini sağlar, özellikle de GenAI kullanıcılarının ve çeşitli platformlarla etkileşiminin artan ihtiyaçlarına yöneliktir.

Üçüncüsü, sistem izleme ve kalite güvencesi konularında ilerlemeye devam ediyoruz. Verileri tüketen kullanıcıların sayısı arttıkça, veri kalitesini izleme ve güvence altına alma konusunun önemi önemli ölçüde artmıştır. Amacımız, verilerin güvenilir ve eyleme geçirilebilir kalmasını sağlamak için güçlü araçlar sunmaktır, bu da kullanımın ölçeklenmesiyle birlikte önemlidir.

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

Harika yanıtlarınız için teşekkür ederiz, daha fazla bilgi edinmek isteyen okuyucular Nexla‘yı ziyaret edebilir.