Лейтон Велч, технічний директор і співзасновник Tracer – Серія інтерв’ю

Лейтон Велч є технічним директором і співзасновником Tracer. Tracer – це інструмент, що використовує штучний інтелект для організації, управління та візуалізації складних наборів даних для отримання швидших і більш дієвих бізнес-інсайтів. До того, як стати технічним директором у Tracer, Лейтон був директором з питань споживчих інсайтів у SocialCode та віцепрезидентом з питань інженерії у VaynerMedia. Він провів свою кар’єру, відкриваючи нові можливості в екосистемі реклами, керуючи першим рекламним роликом Snapchat та консультуючи щодо комерційних API для найбільших платформ світу. Лейтон закінчив Гарвардський університет у 2013 році, здобувши ступінь з комп’ютерних наук та економіки.

Розкажіть нам більше про свій досвід і як ваші роки в Гарварді, SocialCode та VaynerMedia надихнули вас на створення Tracer?

Ідея виникла десять років тому. Мій друг з дитинства зателефонував мені у п’ятницю ввечері. Він мав проблеми з агрегацією даних з різних соціальних платформ для одного зі своїх клієнтів. Він подумав, що це можна автоматизувати, тому попросив моєї допомоги, оскільки я мав досвід у сфері програмної інженерії. Таким чином я вперше познайомився зі своїм майбутнім співзасновником, Джеффом Ніколсоном.

Це був наш момент відкриття: кількість грошей, витрачених на ці кампанії, значно перевищувала якість програмного забезпечення, яке відстежувало ці кошти. Це був ринок, що тільки зароджувався, з великою кількістю застосувань у сфері науки про дані.

Ми продовжували розробляти програмне забезпечення для аналізу даних, яке могло б задовольнити потреби дедалі більших і складніших медіа-кампаній. Коли ми працювали над цією проблемою, ми розробили процес – чіткі кроки для отримання, контекстуалізації та організації даних. Ми зрозуміли, що процес, який ми будували, можна застосувати до будь-якого набору даних – не тільки реклами – і це те, чим є Tracer сьогодні: інструмент, що використовує штучний інтелект для організації, управління та візуалізації складних наборів даних для отримання швидших і більш дієвих бізнес-інсайтів.

Ми допомагаємо демократизувати те, що означає бути “даних-орієнтованою” організацією, автоматизуючи кроки, необхідні для отримання, підключення та організації розрізнених наборів даних між функціями, забезпечуючи потужний бізнес-інтелект за допомогою інтуїтивної звітності та візуалізації. Це може означати підключення даних про продажі до вашого маркетингового CRM, аналітики HR до тенденцій доходів та багато інших застосувань.

Як платформа Tracer автоматизує аналіз даних і революціонізує сучасний стек даних для своїх клієнтів?

Для простоти давайте визначимо аналіз даних як відповідь на бізнес-питання за допомогою програмного забезпечення. У сучасному ландшафті існують два основних підходи.

• Перший підхід – придбання вертикального програмного забезпечення. Для фінансових директорів це може бути Netsuite. Для директора з продажів це може бути Salesforce . Вертикальне програмне забезпечення добре тому, що воно є комплексним, може бути надзвичайно спеціалізованим і повинно працювати безпосередньо з коробки. Обмеження вертикального програмного забезпечення полягає в тому, що воно вертикальне: якщо ви хочете, щоб Netsuite спілкувався з Salesforce, ви повертаєтеся до початку. Вертикальне програмне забезпечення є повним, але воно не гнучке.
• Другий підхід – придбання горизонтального програмного забезпечення. Це може бути одне програмне забезпечення для отримання даних, інше для зберігання та третє для аналізу. Горизонтальне програмне забезпечення добре тому, що воно може обробляти майже все. Ви можете отримувати, зберігати та аналізувати дані з Salesforce та Netsuite через цю трубу. Обмеження полягає в тому, що її потрібно зібрати, підтримувати та нічого не працює “з коробки”. Горизонтальне програмне забезпечення є гнучким, але воно не повне.

Ми пропонуємо третій підхід, створюючи платформу, яка поєднує технології, необхідні для звітності про все, зроблену доступною для роботи з коробки без будь-яких інженерних ресурсів або технічного навантаження. Це гнучко і повно. Tracer є найпотужнішою платформою на ринку, яка є як застосунково-агностичною, так і комплексною.

Tracer обробив близько 10 петабайт даних за останній місяць. Як Tracer ефективно обробляє такий великий обсяг даних?

Масштаб є надзвичайно важливим у нашому світі, і це завжди було пріоритетом у Tracer, навіть у перші дні. Для обробки такого обсягу даних ми використовуємо багато передових технологій і уникаємо винаходу колеса, якщо це не потрібно. Ми дуже пишаємося інфраструктурою, яку побудували, і ми також досить відкриті щодо цього. Насправді наша програма архітектури описана на нашому сайті.

Що ми кажемо партнерам: це не те, що ваші внутрішні інженерні команди не здатні побудувати те, що ми побудували; скоріше, їм не потрібно цього робити. Ми зібрали частини сучасного стека даних для вас. Фреймворк є ефективним, перевіреним на полі бою та модульним для нашої динамічної еволюції з ландшафтом.

Багато партнерів приходять до нас, шукаючи звільнити інженерні ресурси для фокусування на більших стратегічних ініціативах. Вони використовують архітектуру Tracer як засіб для досягнення мети. Мати базу даних не відповідає на бізнес-питання. Мати трубопровід ETL не відповідає на бізнес-питання. Те, що насправді важливо, – це те, що ви можете зробити з цією інфраструктурою, коли вона вже зібрана. Тому ми побудували Tracer – ми ваша скорочення шляху до отримання відповідей.

Чому ви вважаєте, що структуровані дані критичні для штучного інтелекту, і які переваги вони надають порівняно з неструктурованими даними?

Структуровані дані критичні для штучного інтелекту, оскільки вони дозволяють ручне людське взаємодіяння, яке ми вважаємо важливим компонентом ефективних виходів. Однак у сучасному екосистемі ми насправді краще оснащені, ніж будь-коли раніше, для використання інсайтів з неструктурованих даних та раніше важкодоступних форматів (документи, зображення, відео тощо).

Отже, для нас це питання про надання платформи, через яку додатковий контекст може бути включений від людей, які найбільш знайомі з основними наборами даних, після того, як дані стали доступними. Інакше кажучи, це неструктуровані дані → структуровані дані → контекстний двигун Tracer → виходи, керовані штучним інтелектом. Ми сидимо між ними і дозволяємо більш ефективний зворотний зв’язок та ручне втручання, якщо це необхідно.

Які виклики стоять перед компаніями з неструктурованими даними, і як Tracer допомагає подолати ці виклики для поліпшення якості даних?

Без платформи, подібної до Tracer, виклик з неструктурованими даними полягає в усіх про контроль. Ви вводите дані в модель, модель видає відповіді, і у вас дуже мало можливостей оптимізувати, що відбувається всередині чорної скриньки.

Наприклад, якщо ви хочете визначити найбільш впливаючий контент у медіа-кампанії. Tracer може використовувати штучний інтелект для надання метаданих про весь контент, який був виконаний у рекламі. Він також може використовувати штучний інтелект для надання останньої милі аналітики для отримання від високоструктурованого набору даних до цієї відповіді.

Але між ними наша платформа дозволяє користувачам проводити зв’язки між медіа-даними та набором даних, де живуть результати, більш детально визначати “вплив”, і очищувати категоризації, зроблені штучним інтелектом. По суті, ми абстрагували та продуктизували кроки, щоб видалити чорну скриньку. Без штучного інтелекту тут потрібно значно більше роботи людьми у Tracer. Але без Tracer штучний інтелект не може отримати такої ж якості відповіді.

Які деякі з ключових технологій, заснованих на штучному інтелекті, які використовує Tracer для підвищення рівня своєї платформи інтелекту даних?

Ви можете вважати Tracer по трьох основних категоріях продуктів: Джерела, Контент та Вихід.

• Джерела – це інструмент, який використовується для автоматизації отримання, моніторингу та контролю якості розрізнених даних.
• Контекст – це інструмент перетягування та випускання семантичного шару для організації даних після їх отримання.
• Вихід – це місце, де ви можете відповісти на бізнес-питання на основі контекстуалізованих даних.

У Tracer ми не бачимо штучний інтелект як заміну будь-яких з цих кроків; скоріше, ми бачимо штучний інтелект як ще одну форму технології, яку всі три категорії можуть використовувати для розширення того, що можна автоматизувати.

Наприклад:

• Джерела: використання штучного інтелекту для допомоги у побудові нових конекторів API до довгих джерел даних, які не доступні через наш каталог партнерів.
• Контекст: використання штучного інтелекту для очищення метаданих до виконання тег-правил. Наприклад, очищення варіантів назв публікацій у всіх мовах.
• Вихід: використання штучного інтелекту як заміни панелей керування, де бізнес-використання є дослідницьким, а не фіксованим набором КПІ, які потрібно регулярно звітити.
• Штучний інтелект дозволяє нам досягати таких застосувань простими і доступними способами.

Які плани у Tracer щодо майбутнього розвитку та інновацій у сфері інтелекту даних?

Tracer є агрегатором агрегаторів. Наші партнери будуть сприймати нас як конкретних застосувань у командах і функціях або для використання у бізнес-інтелекті, що охоплює кілька функцій. Краса Tracer полягає в тому, що незалежно від того, чи використовуєте ви нас для прийняття кращих рішень щодо медіа-видатків і творчості, чи для побудови панелей керування для зв’язку розрізнених метрик від ланцюга поставок до продажів і всього, що між ними, будівельні блоки є постійними.

Ми бачимо організації, які раніше покладалися на нас лише в одному напрямку бізнесу (наприклад, медіа та маркетинг), розширюють застосування до інших напрямків бізнесу. Отже, наші основні клієнти раніше були старшими медіа-експертами або агентськими партнерами, сьогодні ми працюємо по всій організації, співпрацюючи з технічними директорами, технічними офіцерами, вченими-даними та бізнес-аналітиками. Ми продовжимо розширювати наші інструменти для задоволення все більшої кількості застосувань та персон, одночасно забезпечуючи, щоб основова технологія була масштабованою, гнучкою та доступною для нектехнічних користувачів.

Дякуємо за велике інтерв’ю, читачам, які бажають дізнатися більше, слід відвідати Tracer.