Quantum 的营销总监 Skip Levens – 采访系列

Skip Levens 是 Quantum 的产品领导者和 AI 战略师，Quantum 是 AI 和非结构化数据管理解决方案的领导者。他目前负责推动 Quantum 的端到端解决方案的参与、意识和增长。在他的整个职业生涯中，他曾在 Apple (AAPL ) 、Backblaze、Symply 和 Active Storage 等组织工作过，他成功地领导了营销和业务发展、传播、推出了新产品、与关键利益相关者建立了关系，并推动了收入增长。

Quantum 提供端到端的数据解决方案，帮助组织管理、丰富和保护非结构化数据，例如视频和音频文件。他们的技术专注于将数据转化为有价值的洞察力，启用企业从数据中提取价值并做出明智的决定。Quantum 的平台提供安全、可扩展和灵活的解决方案，结合现场基础设施和云功能。该公司的方法使企业能够高效地处理数据增长，同时在整个数据生命周期中确保安全性和灵活性。

您能否概述 Quantum 对于非结构化数据的 AI 驱动数据管理方法？

通过帮助客户将人工智能（AI）和机器学习（ML）集成到其关键业务运营中，Quantum 帮助客户有效地管理和解锁其非结构化数据的有意义的价值，创建可行的业务洞察力，从而带来更好的业务决策。通过构建自己的 AI/ML 工具，公司可以从简单地应对数据和内容的涌入转变为利用洞察力作为新的效率驱动器，并最终放大业务运营的各个阶段的人类专业知识。

Quantum 的 AI 技术如何分析非结构化数据，什么是使您的平台与竞争对手区别开来的关键创新？

在采用 AI/ML 工具的初始阶段，许多组织发现其工作流程变得混乱和断开，并且可能会丢失其数据，使得执行安全性和保护标准变得困难。通常，早期开发受到不适合的存储和文件系统性能的阻碍。

我们开发了 Myriad，一种高性能的软件定义文件存储和智能织物环境，以优雅地应对将 AI/ML 管道和高性能工作流程整合在一起的挑战 – 在没有其他系统的硬件约束和限制的情况下统一工作流程。Myriad 是一种与传统硬件和存储约束不同的清晰偏离，并且它是使用最新的存储和云技术构建的，完全由微服务驱动并由 Kubernetes 编排，以成为一个对变化的响应迅速且自动化的系统，需要的管理交互非常少。Myriad 专门设计为从 NVMe 和智能织物网络以及组件之间的近即时远程直接内存访问（RDMA）连接中提取最高性能。结果是一个能够对变化做出智能和自动响应的创新系统，需要的管理交互非常少，并且具有多个 100Gbps 的带宽作为一个单一的、平衡的 IP 地址。

将 Myriad 与我们的云对象存储系统 ActiveScale 配对，允许组织存档和保存甚至最大的数据湖和内容。这种组合为客户提供了真正的端到端数据管理解决方案，用于其 AI 管道。此外，当与我们的 CatDV 解决方案一起提供时，客户可以标记和编目数据，以进一步丰富其数据并为分析和 AI 做好准备。

您能否分享有关在巴黎奥运会上使用视频监控的 AI 的见解，以及哪些大型活动或组织使用了这种技术？

机器学习可以开发出可重复的操作，识别视频上的感兴趣模式并从实时视频数据的洪流中提取洞察力，其规模和速度超过了人类的能力。例如，视频监控可以使用 AI 捕获和标记可疑行为，即使有数百个摄像头同时向模型提供信息。人类试图完成这项任务只能处理一个事件一次，而 AI 驱动的视频监控可以同时处理数千个案例。

另一个应用是人群情绪分析，可以跟踪长队并确定潜在的沮丧。这些都是安全专家可以可靠地标记的操作，但通过使用 AI/ML 系统持续监视同时的视频源，这些专家被释放出来在需要时采取适当的行动，从而大大提高了整体的有效性和安全性。

组织在实施 AI 分析非结构化数据时面临的主要挑战是什么，Quantum 如何帮助缓解这些挑战？

组织必须完全重新思考其存储方法，以及数据和内容管理的整个方法。组织通常会有机地增长其存储能力，通常是对一次性需求做出反应，这会产生多个供应商的混乱和不幸的复杂性。

通过采用 AI，组织现在必须简化其业务的基础存储。通常，这需要实施一个“热”区域的初始数据摄取，或一个登陆区，在那里应用程序和用户可以尽可能快地工作。然后，添加一个大型“冷”存储，可以轻松地存档大量数据并以成本有效的方式保护它，并且可以几乎瞬间地将数据移回“热”处理工作流程中。

通过将存储重新构想为更少、更紧凑的解决方案，管理人员的负担大大降低了。这种“热/冷”数据管理解决方案对于 AI/ML 工作流程集成来说是理想的，Quantum 的解决方案使客户能够创建一个高度敏捷、灵活且易于管理的平台。

Quantum 的 AI 创新如何与其他 AI 驱动的工具和技术集成，以增强组织的增长和效率？

许多人认为 AI/ML 工具的存储仅仅是关于为执行数据分析的 GPU 提供数据，但这只是等式的一小部分。虽然速度和高性能可能是将数据尽可能快地提供给 GPU 的重要因素，但更大的图景围绕着组织如何集成迭代和持续的 AI/ML 开发、训练和推理循环，基于自定义数据。通常，第一个也是最重要的 AI/ML 任务是使用专有数据构建“知识机器人”或“顾问机器人”，以告知内部知识工作者。为了使这些知识机器人对每个组织都有用和独特，需要大量专门的信息来告知训练它们的模型。因此，配备了 AI 的存储解决方案：如果这些专有数据是井然有序且可以在流线型存储工作流程中轻松获取，那么将它们组织成类型、集和数据集将变得容易得多，这反过来将确保这些知识机器人对组织的独特需求有很好的了解。

您能否详细说明 AI 启用的工作流程管理功能以及它们如何简化数据流程？

我们正在构建一系列 AI 启用的工作流程管理工具，它们直接集成到存储解决方案中，以自动化任务并提供有价值的实时洞察力，实现快速和明智的决策。在此基础上，我们开发了新的和先进的数据分类和标记系统，使用 AI 不仅组织数据，而且使其易于检索，甚至可以对媒体执行标准操作，例如将其调整到特定大小，这大大减少了在组织数据以创建训练集时所需的手动工作。

智能自动化工具根据设定的策略管理数据移动、备份和合规任务，确保一致的应用，并减少管理负担。实时分析和监控还提供了对数据使用模式和潜在问题的即时洞察力，自动维护数据的完整性和质量，在其整个生命周期中。

AI 驱动的数据管理的前景是什么，您预见未来几年会出现什么趋势？

随着这些工具的演变和变得多模态，它们将允许以更具表现力和开放性的方式处理数据。将来，您将能够与系统“交谈”，并被呈现感兴趣的信息或分析，例如“我的‘热区’中最快增长的数据类型是什么？”这种专业化将成为那些将这些工具构建到其存储解决方案中的组织的区别，使其更加准确和高效，即使面对不断涌入的新数据流。

您的基于云的分析和存储即服务产品在整体数据管理策略中扮演什么角色？

具有大量存储需求的组织通常难以跟上需求，特别是当他们的预算有限时。公共云存储可能会导致高昂和不可预测的成本，使得准确估计和提前购买多年的存储需求变得具有挑战性。许多客户希望拥有公共云体验，具有已知的预测操作成本，但消除了公共云可能带来的意外出口或 API 收费。为了满足这一需求，我们开发了 Quantum GO，为客户提供私有云体验，具有低初始入门点和低固定月付款选项，实现真正的存储即服务体验，位于他们自己的设施中。随着存储需求的增长，Quantum GO 为客户提供了简单的“按需付费”订阅模式，提供了增强的灵活性和可扩展性，以一种具有成本效益的方式。

Quantum 如何计划在快速演变的 AI 和数据管理格局中保持领先地位？

在今天的世界中，仅仅成为“存储提供商”是不够的。新兴的数据和业务挑战需要一个智能的、AI 启用的数据平台，帮助客户最大化其数据的价值。在 Quantum，我们继续创新和投资于增强客户的能力，以帮助他们轻松高效地处理大量数据，整个生命周期中。我们正在扩展智能 AI，以提高数据的标记、编目和组织，使其比以往任何时候都更容易搜索、找到和分析，以提取更多的价值和洞察力。我们将继续增强我们的 AI 能力，以帮助自动视频转录、将音频和视频文件翻译成其他语言，几秒钟内实现快速搜索数千个文件以识别口语或找到特定项目等等。

您会给刚刚开始其 AI 和非结构化数据管理之旅的组织什么建议？

AI/ML 已经被极大地炒作，因此很难分辨出什么是实用和有用的。组织必须首先思考正在创建的数据，并找出它是如何生成、捕获和保存的。此外，组织必须寻找一种存储解决方案，能够按需访问和检索数据，并且能够指导日常工作流程和未来的演变。即使很难就最终的 AI 目标达成一致，但现在采取措施确保存储系统和数据工作流程是简化、流线型和强大的，将在集成当前和未来的 AI/ML 计划时带来巨大的回报。组织将能够继续探索这些 AI/ML 工具如何推进其使命，而不必担心是否能够用正确的数据管理平台来支持它。

感谢这次精彩的采访，希望了解更多的读者可以访问 Quantum。