Скіп Левенс, Маркетинговий Директор, Медіа та Розваги, Quantum – Серія Інтерв’ю

Скіп Левенс – продукт-лідер і стратег з питань штучного інтелекту в компанії Quantum, лідері рішень з управління даними для штучного інтелекту та неструктурованих даних. Він зараз відповідає за розвиток взаємодії, підвищення рівня обізнаності та зростання кінцевих рішень Quantum. На протяжении своєї кар’єри – яка включала роботи в організаціях such as Apple (AAPL ), Backblaze, Symply та Active Storage – він успішно очолював маркетинг та розвиток бізнесу, просування нових продуктів, побудову відносин з ключовими зацікавленими сторонами та зростання доходів.

Quantum пропонує комплексні рішення з управління даними, які допомагають організаціям керувати, збагачувати та захищати неструктуровані дані, такі як відео- та аудіофайли, у великих масштабах. Їхня технологія зосереджена на перетворенні даних у цінні знання, що дозволяє підприємствам витягувати цінність і приймати обґрунтовані рішення. Платформа Quantum пропонує безпечні, масштабовані та гнучкі рішення, які поєднують локальну інфраструктуру з можливостями хмарних технологій. Підхід компанії дозволяє підприємствам ефективно керувати зростанням даних, забезпечуючи безпеку та гнучкість на всіх етапах життєвого циклу даних.

Чи можете ви надати огляд підходу Quantum до керування даними, керованим штучним інтелектом, для неструктурованих даних?

Допомагаючи клієнтам інтегрувати штучний інтелект (AI) та машинне навчання (ML) у свої ключові бізнес-операції, Quantum допомагає клієнтам ефективно керувати та відкривати значущу цінність з їхніх неструктурованих даних, створюючи діючі бізнес-знання, які ведуть до кращих бізнес-рішень. Будуючи自己的 інструменти AI/ML, компанії можуть перейти від простого впорскування даних та контенту до використання знань як нового драйвера ефективності та, в кінцевому підсумку, посилення людського експертного рівня на всіх етапах бізнес-операцій.

Як технологія Quantum аналізує неструктуровані дані, і які ключові інновації відрізняють вашу платформу від конкурентів?

На початкових етапах впровадження інструментів AI/ML багато організацій виявляють, що їхні робочі процеси стають безладними та відключеними, і можуть втратити слід даних, що робить складно забезпечити дотримання стандартів безпеки та захисту. Занадто часто, перша розробка ускладнюється через неадекватне сховище та продуктивність файлової системи.

Ми розробили Myriad, високопродуктивне програмне сховище файлів та інтелектуальне середовище тканини, щоб елегантно задовольнити виклики інтеграції трубопроводів AI/ML та високопродуктивних робочих процесів – об’єднуючи робочі процеси без обмежень апаратного забезпечення та обмежень інших систем. Myriad являє собою відхід від традиційного апаратного забезпечення та обмежень сховищ, і побудований на основі останніх технологій сховищ та хмарних технологій, повністю керований мікросервісами та оркестрований за допомогою Kubernetes, щоб бути високочутливою системою, яка рідко потребує адміністративного втручання. Myriad виключно архітектурно розроблений для досягнення найвищої продуктивності з NVMe та інтелектуальної тканини мережі та майже миттєвого доступу до пам’яті (RDMA) між усіма компонентами. Результатом є інноваційна система, яка реагує інтелектуально та автоматично на зміни та вимагає мінімального адміністративного втручання для виконання звичайних завдань. Завдяки інтелектуальній тканині системи Myriad також є внутрішньо балансированою системою, яка забезпечує кілька 100 Гбіт/с портів пропускної здатності як один, балансирований IP-адрес.

Паруючись Myriad з нашим хмарним об’єктним сховищем ActiveScale, організації можуть архівувати та зберегти навіть найбільші озера даних та контенту. Комбінація пропонує клієнтам справжнє комплексне рішення з управління даними для їхніх трубопроводів AI. Крім того, коли доставляється разом з нашим рішенням CatDV, клієнти можуть позначити та каталогізувати дані, щоб ще більше збагатити свої дані та підготувати їх до аналізу та AI.

Чи можете ви поділитися знаннями про використання AI у відеоспостереженні на Олімпійських іграх у Парижі, і які інші великомасштабні заходи чи організації використовували цю технологію?

Машинне навчання може розвивати повторювані дії, які розпізнають закономірності інтересу на відео та витягують знання з потоку даних у реальному часі у масштабах, більших та швидших, ніж це можливо людськими зусиллями. Відеоспостереження, наприклад, може використовувати AI для захоплення та позначення підозрілої поведінки під час її виникнення, навіть якщо є сотні камер, які подають інформацію моделі. Людина, яка намагається виконати цю задачу, могла б обробити лише одне подія за раз, тоді як система відеоспостереження, керована AI, може одночасно обробляти тисячі випадків.

Іншим застосуванням є аналіз настрою натовпу, який може відстежувати довгі черги та визначати потенційні розчарування. Це всі дії, які експерт з безпеки може надійно позначити, але завдяки використанню систем AI/ML для безперервного спостереження за одночасними потоками, ці експерти звільняються для прийняття відповідних дій, коли це потрібно, що суттєво підвищує загальну ефективність та безпеку.

Які основні виклики, з якими організаціям доводиться стикатися при впровадженні AI для аналізу неструктурованих даних, і як Quantum допомагає пом’якшити ці виклики?

Організаціям необхідно повністю переосмислити свій підхід до сховищ даних, а також до керування даними та контентом в цілому. Більшість організацій зростають свої можливості сховищ органічно, зазвичай у відповідь на окремі потреби, і це створює плутанину 多 виробників та небажану складність.

З прийняттям AI організаціям тепер необхідно спрощувати сховище, яке підтримує їхні операції. Часто це вимагає впровадження “гарячої” частини первинного прийому даних або зони, де програми та користувачі можуть працювати якомога швидше. Потім додається велике “холодне” тип сховищ, яке може легко архівувати величезні об’єми даних та захистити їх у вартісному вигляді, з можливістю переміщення даних назад у “гарячий” робочий потік майже миттєво.

Переосмислюючи сховище у меншу кількість компактних рішень, тягар на адміністративний персонал значно нижчий. Таке “гаряче/холодне” керування даними є ідеальним для інтеграції робочих процесів AI/ML, і рішення Quantum дозволяють клієнтам створювати високо гнучку, просту у керуванні платформу.

Як інновації Quantum у сфері AI інтегруються з іншими інструментами та технологіями AI, щоб підвищити організаційне зростання та ефективність?

Багато людей думають, що сховище для інструментів AI/ML полягає лише у годуванні графічних процесорів (GPU), але це лише одна мала частина рівняння. Хоча швидкість та висока продуктивність можуть бути інструментальними у годуванні даних якомога швидше до GPU, які виконують аналіз даних, більша картина полягає у тому, як організація може інтегрувати ітеративний та тривалий розвиток, навчання та висновок на основі власних даних. Часто першим і найважливішим завданням AI/ML є побудова “ботів знань” або “ботів-радників” за допомогою власних даних для інформування внутрішніх працівників з знаннями. Щоб зробити цих ботів корисними та унікальними для кожної організації, потрібні великі об’єми спеціалізованої інформації для інформування моделі, яка їх тренує. Сигнал до системи сховищ AI: якщо ці власні дані добре впорядковані та легко доступні у потоці сховищ, це буде значно легше організувати їх у типи, набори та каталоги даних, які, своєю чергою, забезпечать, що ці боти знань будуть високоінформованими про унікальні потреби організації.

Чи можете ви розповісти про функції керування робочими процесами, що підтримуються AI, і як вони спрощують процеси даних?

Ми будемо створювати ряд інструментів керування робочими процесами, що підтримуються AI, які інтегруються безпосередньо у рішення з сховищ даних для автоматизації завдань та надання цінних знань у реальному часі, що дозволяє приймати швидкі та обґрунтовані рішення по всій організації. Це відбувається завдяки новим та просунутим системам класифікації та позначення даних, які використовують AI для організації даних та забезпечення їх легкого пошуку, а також виконання стандартних дій з цими медіа, таких як приведення до певного розміру, що суттєво зменшує ручні зусилля, необхідні для організації даних у навчальні набори.

Інструменти інтелектуальної автоматизації керують рухом даних, резервним копіюванням та завданнями з дотримання вимог на основі встановлених політик, забезпечуючи послідовне застосування та зменшуючи адміністративні тягарі. Аналітика та моніторинг у реальному часі також пропонують негайні знання про закономірності використання даних та потенційні проблеми, автоматично підтримуючи цілісність та якість даних протягом усього їхнього життєвого циклу.

Який є прогноз щодо керування даними, що підтримується AI, і які тенденції ви передбачаєте у найближчі роки?

Як ці інструменти розвиваються та стають багатомодальними, це дозволить більш виразними та відкритими способами роботи з даними. У майбутньому ви зможете мати “розмову” зі своєю системою та отримувати інформацію чи аналіз, який вас цікавить, наприклад, “який найшвидший тип даних у моєму ‘гаряченому’ зоні зараз?”. Цей рівень спеціалізації буде диференціатором для організацій, які будують ці інструменти у свої рішення з сховищ даних, роблячи їх більш точними та ефективними навіть при постійному потоці нових даних.

Яка роль відіграють ваші хмарні аналітичні та сховище-як-сервіс рішення у загальній стратегії керування даними?

Організації з значними та зростаючими потребами у сховищах даних часто зустрічаються з труднощами у підтримці попиту, особливо при роботі з обмеженими бюджетами. Хмарне сховище може привести до високих та непередбачуваних витрат, що робить складно точно оцінити та придбати роки потреб у сховищах заздалегідь. Багато клієнтів хотіли б досвід публічного хмара з відомим проектованим операційним витратам, але без несподіваних витрат на виході чи API, які можуть виникнути у публічному хмарі. Щоб задовольнити цю потребу, ми розробили Quantum GO, щоб надати клієнтам приватний хмарний досвід з низькою початковою точкою входу та низькими фіксованими щомісячними платежами для справжнього досвіду сховища-як-сервіс у власній установці. Коли вимоги до сховищ зростають, Quantum GO надає клієнтам додаткову перевагу у вигляді простої моделі підписки “плати-як-ти-росиш”, щоб забезпечити підвищену гнучкість та масштабованість у вартісному вигляді.

Як Quantum планує залишатися лідером у швидкозмінному ландшафті AI та керування даними?

У сучасному світі бути просто “постачальником сховищ” недостатньо. Нові виклики даних та бізнесу вимагають інтелектуальної, AI-емпаверованої платформи даних, яка допомагає клієнтам максимізувати цінність своїх даних. У Quantum ми продовжимо інновувати та інвестувати у покращені можливості для наших клієнтів, щоб допомогти їм легко та ефективно працювати з великими об’ємами даних протягом усього їхнього життєвого циклу.

Ми розширюємо інтелектуальний AI для підвищення рівня позначення, каталогізації та організації даних, роблячи його легшим у пошуку, знаходженні та аналізі для витягування більшої цінності та знань. Ми продовжимо покращувати наші можливості AI, які допомагають з автоматичною транскрипцією відео, перекладом аудіо- та відеофайлів на інші мови протягом секунд, та забезпеченням швидкого пошуку серед тисяч файлів для ідентифікації вимовлених слів чи знаходження конкретних предметів та інше.

Яка порада ви дали б організаціям, які тільки починають свій шлях з AI та керуванням неструктурованими даними?

AI/ML мали величезний ажіотаж, і через це може бути складно розрізнити, що є практичним та корисним. Організаціям необхідно спочатку подумати про дані, які створюються, та визначити, як вони генеруються, захоплюються та зберігаються. Крім того, організації повинні шукати рішення з сховищ даних, яке готове доступитися та витягувати дані за потребою, та допоможе керувати як щоденними робочими процесами, так і майбутнім розвитком. Навіть якщо складно погодитися щодо кінцевих цілей AI, здійснення кроків зараз для забезпечення того, що системи сховищ даних та робочі процеси даних спрощені, спрощені та міцні, принесе величезні дивіденди, коли організація інтегрує поточні та майбутні ініціативи AI/ML. Організації будуть добре позиціоновані для подальшого дослідження того, як ці інструменти AI/ML можуть просунути їхню місію без турботи про те, щоб мати можливість належним чином підтримувати їх з правильною платформою керування даними.

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