Аміт Шарма, генеральний директор та засновник CData – Серія інтерв’ю

Аміт Шарма, генеральний директор та засновник CData Software, – технічний керівник, який керував CData з ранньої стадії стартапу до того, як вона стала глобальним лідером у сфері з’єднання та інтеграції даних. За свою кар’єру, яка охоплює посади інженера-програміста в Infosys і Elixar, технічного архітектора в /n Software, а пізніше технічного директора в CData, він здобув глибокі знання у сфері доступу до даних підприємств та інфраструктури. З моменту призначення генеральним директором у 2014 році він очолює місію CData щодо спрощення з’єднання, інтеграції та використання даних організаціями, допомагаючи компанії зайняти позицію фундаментального шару сучасного руху даних.

CData Software – провідний постачальник рішень для доступу до даних та їх з’єднання. Її самобутові продукти даних та платформи з’єднання забезпечують універсальний доступ до даних у режимі реального часу для сотень широко використовуваних застосунків на місцях та в хмарі. Міліони користувачів по всьому світу покладаються на CData для підтримки просунутих аналітичних даних, прискорення прийняття хмари та створення більш з’єднаних, орієнтованих на дані організацій. Розроблені для того, щоб бути споживаними будь-яким користувачем, доступними в будь-якому застосунку та масштабованими для підприємств будь-якого розміру, CData переосмислює, як підприємства отримують та використовують дані.

Ви розпочали свою кар’єру в Індії в Infosys, а пізніше перейшли до американського підприємства програмного забезпечення. Яка рання урок, отриманий у той період, досі впливає на ваш стиль керівництва?

Мій час в Infosys дав мені ранній досвід вимог великомасштабної корпоративної технології – складності, необхідності надійності та того, як великі організації підходять до технічних проблем. Це сформувало глибокий шаноб до структури та якості підприємства. Але коли я перейшов до американського стартапу, я виявив, що мені подобається швидкість, гнучкість та можливість зробити прямий вплив. Сьогодні цей двоїстий досвід керує тим, як я керую CData Software: я наполягаю на стандартах підприємства та надійності, одночасно створюючи культуру, яка цінує простоту, реальну придатність та швидке виконання.

Після понад десяти років на посаді генерального директора CData, яка зміна у ставленні чи підході була найбільш важливою для масштабування компанії з ранньої стадії до глобального підприємства?

Найбільша зміна для мене полягала у переході від думок про будівництво технологій до думок про будівництво організації. На ранній стадії моя увага була майже повністю зосереджена на продукті; я хотів, щоб він був елегантним, надійним та розв’язував реальні проблеми. Коли CData розширилася, мені довелося зрозуміти, що велике програмне забезпечення само по собі недостатньо; вам потрібні великі люди, сильні лідери та процеси, які можуть масштабуватися без сповільнення вас. Це означало інвестування раніше у найм працівників, надання повноважень командам та створення повторюваних систем у сфері продажів, підтримки та операцій, одночасно захищаючи нашу інженерну культуру. Зміна ставлення полягала у тому, що я зрозумів, що моя робота полягає не лише у створенні великих технологій, а у створенні середовища, у якому великі технології можуть бути створені постійно зростаючою глобальною командою.

CData тривалий час зосереджувалася на “спрощенні доступу до будь-яких даних, будь-де”. Як змінилася ця місія з тим, як галузь рухається у бік застосунків, орієнтованих на штучний інтелект?

З самого початку наша місія в CData полягала у тому, щоб зробити дані універсально доступними за допомогою знайомих, стандартизованих інтерфейсів, оскільки ми вважали, що найбільшим瓶шею для інновацій не є зберігання чи обчислення, а доступ. Ця основна ідея не змінилася, але контекст змінився. Коли організації перейшли від аналітики до хмари та现在 до застосунків, орієнтованих на штучний інтелект, вартість фрагментованого, несумісного доступу до даних лише зросла. Що змінилося, так це наша відповідальність: зараз це не лише про з’єднання застосунків з даними, а про те, щоб забезпечити, щоб дані були довіреними, актуальними та придатними для використання у все більш складних та розподілених середовищах. У епоху штучного інтелекту доступ сам по собі недостатньо. Дані повинні бути негайно придатними для використання без тижнів інженерних робіт.

З появою застосунків, орієнтованих на штучний інтелект, наша місія розширилася та включила підготовку даних для штучного інтелекту за замовчуванням. Це означає забезпечення послідовної семантики, високопродуктивної з’єднання, керованого доступу та інтеграції в режимі реального часу для структурованих та SaaS-джерел даних, щоб моделі та агенти могли працювати з свіжими, надійними даними, а не з хрупкими точковими інтеграціями чи застарілими копіями. На практиці ми зосереджені на усуненні тертя між місцем розташування даних та операцією систем штучного інтелекту, щоб команди могли швидше перейти від експериментів до виробництва у масштабі. Ми бачимо себе не лише як постачальника з’єднання, а як фундаментальний шар даних для підприємств, орієнтованих на штучний інтелект, тихо забезпечуючи роботу систем, які роблять можливими інтелектуальні застосунки.

З прискоренням генерації штучного інтелекту, що насправді означає “дані, готові до штучного інтелекту” для вас, і де організації найбільш неправильно тлумачать цю ідею?

Для мене “дані, готові до штучного інтелекту” означають дані, які доступні, надійні, актуальні та зрозумілі як людиною, так і машиною без шарів інженерних робіт. Це не лише про переміщення даних до озера чи складу. Це про забезпечення того, щоб системи, моделі та агенти могли постійно отримувати доступ до правильних даних у правильний час через стандартизовані, керовані інтерфейси. Готовність до штучного інтелекту залежить менше від місця розташування даних і більше від того, чи можуть вони бути виявлені, запитані, довірені та інтегровані в режимі реального часу. Без цієї основи навіть найрозробленіші моделі працюють на неповних чи застарілих даних.

Там, де я бачу, що організації неправильно тлумачать цю концепцію, полягає у припущенні, що централізація автоматично означає готовність. Команди часто вважають, що як тільки дані консолідовані в одну платформу, вони “готові до штучного інтелекту”, коли насправді вони створили новий сіло. Інші надмірно інвестують у інструменти без вирішення проблем якості даних, семантики та з’єднання, які роблять або розбивають реальні системи штучного інтелекту. Штучний інтелект не провалюється через моделі; він провалюється через неорганізовані, недоступні чи застарілі дані. Організації, які переможуть, будуть тими, які behandeln готовність даних як оперативну дисципліну, а не як одноразовий проект міграції.

Ваше нове дослідження, “Стан з’єднання даних штучного інтелекту: прогноз на 2026 рік”, показує, що лише 6% лідерів штучного інтелекту вважають, що їх інфраструктура даних повністю готова до штучного інтелекту. Чому ви вважаєте, що розрив у готовності такий великий, і що це говорить про поточний напрямок галузі?

Розрив такий великий, оскільки більшість організацій інвестували у збирання та зберігання даних ще до того, як інвестували у те, щоб зробити їх придатними для використання у штучному інтелекті. За останні десять років компанії побудували озера, склади та трубопроводи, але рідко будували послідовний шар доступу, який забезпечує, що дані є послідовними, актуальними та доступними у всіх системах. Як результат, лідери виявляють, що коли вони починають розгортання штучного інтелекту у реальних робочих процесах, їхня інфраструктура не може підтримувати швидкість, масштаб чи надійність, яку вимагає штучний інтелект. Цифра 6% не відображає відсутність амбіцій, а реальність того, що штучний інтелект розкриває слабкості, які завжди були там, але не мали такого великого значення у традиційній аналітиці.

Що дані кажуть про галузь, полягає у тому, що ми находимося на ранній стадії кривої прийняття штучного інтелекту, а не на пізній. Організації агресивно експериментують на рівні застосунків, але вони зараз розуміють, що успіх залежить від модернізації своєї основи даних. Ми вступаємо у корективну фазу, у якій увага зосереджується на переході від пілотних проектів до оперативної готовності – стандартизованого доступу, керованої інтеграції та з’єднання в режимі реального часу. Переможцями будуть не ті компанії, які побудують найбільше пілотних проектів, а ті, які модернізують свою інфраструктуру даних достатньо швидко, щоб перейти ці експерименти у виробництво у масштабі.

Дослідження також показує, що 71% команд штучного інтелекту витрачають понад чверть свого часу на “інженерні роботи з даними”. На вашу думку, яка частина цієї роботи насправді стратегічна, а не просто технічний борг?

Деяка частина “інженерних робіт з даними” абсолютно стратегічна, коли вона полягає у створенні довгострокового доступу до даних через стандартизовані інтерфейси та проектуванні з урахуванням масштабованості та керованості з самого початку. Інвестиції у послідовне з’єднання, спільну семантику та надійні моделі інтеграції є фундаментальними роботами, які приносять дивіденди у всіх застосунках та моделях, які приходять пізніше. Проблема полягає у тому, що більшість команд не роблять такого роду інженерних робіт. Вони перебудовують одиничні трубопроводи, пишуть хрупкі конектори та патчують інтеграції, які розв’язують проблему лише один раз. Це технічний борг, замаскований під прогрес.

Що стратегічне, так це все, що зменшує майбутнє тертя: усунення інженерних робіт на користь стандартів, будівництво повторно використовуваних сервісів даних та з’єднання систем у спосіб, який масштабується у всіх командах та випадках використання. Коли інженерні роботи стають невидимими та повторно використовуваними, вони перестають бути податком на команди штучного інтелекту та стають їхнім енаблером. Реальна мета полягає не у тому, щоб витрачати менше часу на дані, а у тому, щоб перестати витрачати час на ті самі дані проблеми знову і знову.

Одна з вражаючих даних у звіті полягає у тому, що 46% підприємств зараз вимагають доступу в режимі реального часу до шести чи більше джерел даних для одного випадку використання штучного інтелекту. Чи відповідає це тому, що ви бачите у клієнтів, і що робить цей рівень з’єднання таким складним?

Так, це відповідає тому, що ми бачимо у клієнтів. Сучасні випадки використання штучного інтелекту, такі як передбачувальна аналітика, системи рекомендацій чи автономні робочі потоки, рідко залежать від однієї системи. Підприємства часто потребують об’єднання даних з ERP, CRM, SaaS-застосунків, потокових джерел та баз даних для генерації значущих висновків. Викликом не є лише кількість джерел; це різноманітність, різні протоколи, формати та частоти оновлення, а також очікування, що ці дані будуть доступні в режимі реального часу для моделей штучного інтелекту.

Що робить цей рівень з’єднання складним, полягає у тому, що традиційні підходи до інтеграції ніколи не були розроблені для швидкості, масштабу та надійності, яку вимагає штучний інтелект. Одноразові конектори та трубопроводи у пакетному режимі просто не можуть впоратися. Доступ у режимі реального часу вимагає стандартизованих, керованих інтерфейсів, послідовної семантики між системами та моніторингу для забезпечення якості та доступності даних. Без цієї основи команди витрачають більше часу на гасіння пожеж у трубопроводах, ніж на будівництво рішень штучного інтелекту, що сповільнює інновації та вводить ризик. Організації, які успішно справляються, є тими, які behandeln з’єднання як стратегічну можливість, а не просто технічну роботу.

Звіт підкреслює послідовну семантику, контекст та з’єднання як визначальні характеристики зрілої інфраструктури даних штучного інтелекту. Як організації повинні думати про послідовність цих пріоритетів?

Коли організації думають про послідовність, вони повинні починати зі з’єднання. Якщо дані не доступні надійно у всіх системах, все інше стає неважливим. Моделі штучного інтелекту не можуть навчатися на тому, до чого вони не можуть дістатися. Установлення стандартизованих, керованих з’єднань у всіх критичних джерелах даних закладає основу для всього, що слідує. Без цього шару команди будують хрупкі, одноразові трубопроводи, які створюють більше роботи пізніше.

Як тільки з’єднання встановлено, послідовна семантика стає наступним пріоритетом. Дані потребують спільної мови, щоб інформація з多них джерел могла бути правильно інтерпретована та об’єднана. Контекст природно слідує: розуміння не лише значень, а їхнього значення у бізнес-процесі, часу та відносин забезпечує, що моделі штучного інтелекту можуть робити точні, дієвані передбачення. Обробка цих елементів як структурованої послідовності – з’єднання спочатку, семантика вдруге, контекст утретє – дозволяє організаціям будувати інфраструктуру даних, готову до штучного інтелекту, яка масштабується та підтримує надійний, готовий до виробництва інтелект.

Постачальники програмного забезпечення, орієнтованого на штучний інтелект, зараз вимагають приблизно у три рази більше зовнішніх інтеграцій, ніж традиційні постачальники. Що рухає цей розрив, і що це говорить про те, куди рухається програмне забезпечення?
Розрив рухається самим штучним інтелектом: застосунки, орієнтовані на штучний інтелект, процвітають на різноманітних даних у режимі реального часу з багатьох джерел. На відміну від традиційного програмного забезпечення, яке часто працює у рамках однієї системи або пакету, моделі штучного інтелекту потребують споживання, кореляції та аналізу інформації з ERP-систем, платформ CRM, SaaS-застосунків, потокових джерел та ін. Кожна інтеграція є необхідною для надання штучному інтелекту достатнього контексту та покриття для генерації точних передбачень, рекомендацій чи автоматизованих дій.

Ця тенденція показує, що програмне забезпечення рухається від ізольованих застосунків до взаємопов’язаних, інтелектуальних екосистем. Переможцями будуть не ті продукти, які працюють добре самостійно. Вони будуть платформами, які можуть безперешкодно доступитися та інтегруватися з даними, де б вони не мешкали. На практиці це означає, що з’єднання, стандартизація та інтеграція в режимі реального часу вже не є просто бажаними; вони є фундаментальними можливостями для програмного забезпечення, орієнтованого на штучний інтелект, щоб доставляти реальну цінність.

Оглядаючи вперед на п’ять років, що, на вашу думку, стане найбільш значним瓶шею для успіху штучного інтелекту – з’єднання, трубопроводи у режимі реального часу, семантичне моделювання, керування чи щось зовсім інше?

Оглядаючи вперед, я вважаю, що керування та безпека стануть найбільш значним瓶шею для успіху штучного інтелекту. Хоча з’єднання та трубопроводи у режимі реального часу залишаються фундаментальними, організації швидко розуміють, що некерований штучний інтелект є недопустимим та потенційно небезпечним. Коли штучний інтелект переходить від експериментів до виробництва та починає впливати на критичні бізнес-рішення, ризики упередженості, порушень правил, витоку даних та операційних помилок множаться експоненціально.

Виклик полягає не лише у переміщенні даних; він полягає у переміщенні правильних даних, з правильними керуванням, до правильних систем, у спосіб, який можна відстежувати та аудітувати. Організації, які не вкладають сильні рамки керування та протоколи безпеки з самого початку, будуть зіткнутися з зростаючим тиском регулювання, ризиком репутації та, врешті-решт, системами штучного інтелекту, яким вони не можуть довіряти чи масштабувати. Ми вже бачимо перші ознаки: підприємства, які вагаються розгортати штучний інтелект, оскільки вони не можуть забезпечити походження даних, керування доступом чи відповідність змінюваним правилам.

Найбільш успішні організації за п’ять років будуть тими, які behandeln керування та безпеку не як післядуми, а як основні енаблери штучного інтелекту. Так, вам потрібне з’єднання та трубопроводи у режимі реального часу, щоб дані рухалися; але без керування та безпеки дані стають зобов’язанням, а не активом. Майбутнє штучного інтелекту не лише про швидкість чи масштаб; воно про довіру, підзвітність та відповідальну розгортання на кожному шарі стека даних.

Дякую за велике інтерв’ю, читачам, які бажають дізнатися більше, слід відвідати CData Software.