Джеремі Бертон, CEO Observe – Інтерв’ю Серія

Джеремі Бертон, CEO Observe, – досвідчений керівник підприємства з понад 20-річним досвідом керівництва у великих технологічних компаніях, включаючи Dell Technologies (DELL ), EMC, Oracle (ORCL ) та VERITAS. Він очолював глобальні команди з розробки продукції, маркетингу та стратегічних злиттів та поглинань, створюючи та розширюючи бізнес у сфері зберігання даних, безпеки та SaaS. Бертон також був співзасновником Oracle Technology Network, який розрісся до мільйонів учасників по всьому світу, і зараз є членом ради директорів Snowflake та радником команди McLaren у Формулі 1.

Observe, що базується в Сан-Матео, Каліфорнія, – це платформа спостереження нового покоління SaaS, яка допомагає командам SRE, DevOps та інженерам розслідувати та оптимізувати сучасні розподілені системи. Будучи побудованою на інфраструктурі даних Snowflake, вона об’єднує журнали, метрики та траси у єдиний контекстно-багатий набір даних, дозволяючи командам прискорити реагування на інциденти, визначити основні причини та покращити надійність у складних хмарах.

Ви займали керівні посади у глобальних гігантах, таких як Dell, EMC та Oracle, а тепер очолюєте стартап з Observe. Що мотивувало вас покинути стабільність та масштаб, щоб зробити стрибок у створення чогось з нуля?

Мені пощастило в кар’єрі працювати з деякими неймовірними лідерами, включаючи Ларрі Еллісона та Майкла Делла. Я працював з ними 20 або 30 років після їхнього заснування, але те, що робить їх видатними, полягає в тому, що вони були там з початку. Вони приймали перші рішення щодо продукції, встановлювали маршрути на ринок та створювали культуру для довгострокового успіху. Моя роль полягала в тому, щоб забезпечити інкрементальні поліпшення на основі десятиліть важкої праці, яку вони вже виконали. Врешті-решт, я дійшов до етапу в кар’єрі, коли хотів довести собі, що я теж можу створити компанію, вивести продукт на ринок, встановити рух продажів та створити культуру, яка могла б процвітати надовго.

Observe позиціонує себе як нову категорію в спостереженні, інтегруючи журнали, аналітику та моніторинг у єдину платформу. Як ви бачите цей підхід, який переозначає простір порівняно з традиційними гравцями, такими як Splunk та Datadog (DDOG )?

Основна проблема, з якою стикаються традиційні інструменти, полягає в тому, що вони не були створені для масштабу. У розмовах з клієнтами ми знову і знову бачимо, що Splunk та Datadog стають неефективними, коли об’єм телеметрії зростає, і це фундаментальна проблема архітектури традиційних інструментів.

Observe відрізняється тим, що наша платформа побудована на архітектурі потокового озера даних, що використовує відкриті формати, такі як Apache Iceberg. Це означає, що ми можемо роз’єднати обчислення від зберігання, масштабувати еластично та забезпечувати спостережливість за часткою вартості традиційних систем. Конкуренти, такі як Splunk, все ще покладаються на монолітні архітектури, які вимагають планування пікової потужності, а навіть новіші інструменти, такі як Datadog, вимагають тиражування даних, реабілітації та реіндексації, щоб підтримувати вартість під контролем.

Ми також зосереджуємося на єдиному досвіді спостережливості. Журнали, метрики, траси та події всі живуть в одному місці, з єдиною мовою запитів та графом знань, який автоматично відображає відносини між службами, користувачами та інцидентами. Це контекст робить швидшим процес розслідування. Натомість, у Splunk та Datadog окремі бекенди для журналів, метрик та трас призводять до повільнішої аналітики.

Нарешті, ми вклали значні кошти в штучний інтелект для розслідування інцидентів. Наш O11y AI SRE може приймати вхідні дані природної мови, генерувати гіпотези та направляти інженерів через процес вирішення інцидентів, а не просто повідомляти про них. І це створено для використання нашого графу знань, який забезпечує необхідний контекст для точного розслідування. Це крок далі, ніж виявлення аномалій або сповіщення, які пропонують конкуренти сьогодні.

Просто кажучи: ми економічно ефективні, єдині та відкриті. Ці три якості – це те, що клієнти постійно кажуть, що відрізняє Observe від традиційних гравців, таких як Splunk, та нових інкумбентів, таких як Datadog.

Відповідавши за операції на мільярди доларів та зараз очолюючи стартап, які уроки щодо ефективності, гнучкості чи інновацій з великих підприємств переносяться, а які ні?

Це суперечить інтуїції, але успішні великі компанії роблять кілька речей дуже добре, і вони розуміють кожну деталь. Ті, хто бореться, роблять занадто багато речей, і все деградує до посередності.

У стартапі ви зосереджуєтеся на одному реченні за раз і одержимуєтеся кожною деталлю. Там немає достатнього фінансування, щоб робити щось більше. Отже, те, що робить стартапи такими інтенсивними, полягає в тому, що ви можете буквально вийти з бізнесу, якщо не зможете розібратися з речами досить швидко. Тому вам потрібно приймати рішення швидше, випускати швидше, терпіти невдачі швидше та навчатися швидше. Крім того, вам потрібно робити все це з меншою кількістю людей.

Незважаючи на це, найбільш визвольним аспектом стартапу є те, що у вас немає встановленої продукції, бізнес-моделі чи маршруту на ринок. Це означає, що ви маєте свободу робити нові припущення щодо всіх цих речей. Це не так у великих компаніях. Наприклад, ви не можете зламати бізнес-модель новою деструктивною продукцією. Навіть якщо технічно ви можете її створити, фінансовий директор та Волл-стріт не дозволять вам максимізувати її потенціал. Це чому стартапи часто перемагають, хоча теоретично їм не повинно бути шансів.

Ви також були членом ради директорів Snowflake майже десятиліття. Що ви вивчили з досвіду Snowflake, що впливає на вашу стратегію в Observe?

Snowflake атакувала стару проблему з новою архітектурою. Вони побудували свою технологію на простій, але потужній ідеї, та деструктуриували величезний ринок, який був застряглим у традиційних постачальниках. Є кілька уроків тут: граєте в ринках, які є величезними, і ви можете побудувати величезну компанію. Крім того, вам потрібно мати радикально іншу підхід, ніж інкумбенти, щоб клієнти могли побачити величезні вигоди від переходу.

Ринок спостережливості, який ми атакуємо, є величезним, $30 млрд і зростає. Ми вирішили проблему спостережливості унікальним способом: використовуючи фундамент даних озера, еластичні обчислення та відкриті формати. Це обіцяє клієнтам поліпшення порядку швидкості розслідування та загальної вартості.

Ви були глибоко залучені у розвиток продукції, маркетинг та великі злиття та поглинання. Як це широке походження впливає на те, як ви пріоритезуєте стратегії зростання в Observe?

На початку стартапу все досить просто: ви будуєте великий продукт і намагаєтесь його продати. Це стратегія зростання. Той факт, що моя кар’єра сильно залежить від програмного забезпечення для підприємств та розв’язання складних проблем для великих підприємств, робить це не дивним, що Observe зосереджується саме на цьому!

На основі свого досвіду я вважаю, що для побудови великої компанії спостережливості потрібно розв’язати проблему для найбільших компаній світу. Це питання петабайт даних, тисяч користувачів та тисяч застосунків. Є багато компаній спостережливості, але дуже небагато можуть перемогти в цьому середовищі, і я роблю усе, щоб Observe міг.

Спостережливість стала критичною, оскільки сучасні розподілені застосування стають все більш складними. Де ви бачите найбільші виклики та можливості для підприємств протягом наступних 3-5 років?

Найбільший виклик сьогодні – це масштаб. Kubernetes, мікросервісна архітектура та тепер навантаження AI створюють об’єм даних, який перевищує традиційні інструменти. Надійність цих інструментів падає, а вартість стрімко зростає, і це просто не підтримується; потрібна нова архітектура.

Ще гірше, протягом наступних кількох років ми побачимо більше написаного коду, підтримуваного інструментами кодування AI, ніж будь-коли раніше. Цей код не буде досконалим, і в якийсь момент він вийде з ладу. Область зростання полягає в запитанні: як ви розслідуєте код, який ніхто не написав? Або, поки інструменти генерації коду можуть подивитися на код та виправити помилки, вони можуть справді подивитися, як застосування працює в продуктивному середовищі, та знайти проблемний код? Це величезна можливість для постачальників спостережливості в майбутньому.

Багато команд борються з розмахом інструментів, використовуючи окремі системи для журналів, метрик та трас. Як Observe допомагає спрощувати цей досвід для інженерних та DevOps-команд на практиці?

Натомість ніж балансувати три або чотири інструменти, Observe надає клієнтам єдину платформу для використання. Журнали, метрики, траси та сповіщення компанії живуть в одній системі та пов’язані графом знань. Граф знань забезпечує контекст, який дозволяє користувачам безперешкодно переходити між журналами, метриками та трасами для прискорення розслідування. Це зменшує кількість часу, який вони повинні витратити на переходи між платформами, дозволяючи їм виявити проблему без експорту даних чи зміні контексту.

Чи можете ви поділитися конкретним прикладом того, як Observe допоміг клієнтові розв’язати велику проблему, яку було б складно чи неможливо розв’язати з традиційними інструментами спостережливості?

Capital One використовує Observe для визначення стану критичних шляхів клієнтів, корелюючи та збагачуючи телеметрію даних з відповідним бізнес-контекстом. Вони приймають сотні терабайт телеметрії щодня, включаючи журнали, метрики, траси, записи змін, журнали потоку VPC та дані конфігурації AWS. Observe надає Capital One єдиною платформою для спостережливості від кінця до кінця, щоб розробники та SRE могли виконувати інтерактивне реагування на інциденти та відладку.

Яка роль відіграє машинне навчання або штучний інтелект за лаштунками в Observe, і як це допомагає клієнтам швидше виявляти ідеї чи автоматично виявляти проблеми?

Машинне навчання має сумнівну історію в спостережливості, оскільки підприємства є внутрішньо шумними, і дуже складно створити модель, яка не призведе до тисяч аномалій. Генеративний AI – це зовсім інша технологія та матиме значно більший вплив.

Ми вважаємо, що AI змінить спосіб, яким інженери взаємодіють з інструментами спостережливості. По-перше, вони зможуть говорити безпосередньо зі своїми даними спостережливості природною мовою, сидячи в своєму IDE, половина наших користувачів у майбутньому може ніколи не входити чи не вивчати Observe! По-друге, агенти AI будуть присутні під час “мирного часу”, щоб сканувати телеметрію та шукати потенційні проблеми, які можуть в кінцевому підсумку призвести до інциденту. Агенти AI не втомлюються чи не нудьгують, і вони можуть виконувати роботу, яку люди просто не можуть зробити. Нарешті, під час “війни” агенти AI допоможуть інженерам та SRE з курсом дій, який вони повинні вирішити, щоб розв’язати проблему.

Ваш стиль лідерства, натхненний Формулою 1, підкреслює психологічну витривалість та навчання на помилках. Як ця перспектива сформувала ваш підхід до побудови Observe та керівництва командою через перемоги та виклики?

Успіх у Ф1 виховується за допомогою даних, які керують майбутніми рішеннями, як для водія, так і для машини. До кінця сезону Ф1 машини замінили 90% деталей, і вони стали на 2 секунди швидшими на трасі.

В Observe нам потрібно мати той самий спосіб мислення, щоб успішно діяти. Ми випускаємо, вимірюємо, слухаємо, швидко адаптуємося. Я уявляю, що 90% нашого продукту відрізняється сьогодні від того, яким він був навіть кілька років тому. Цей підхід вимагає багато дисципліни та багато скромності, і не легко чути погані новини знову і знову. Однак, якщо ви діяти достатньо часто на погані новини, вони поступово перетворюються на хороші новини, і ARR прискорюється. Це не магія, це логіка!

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