Visão do setor: ibm em pesquisa multicloud e estratégia ai

Com todos os dados que as empresas acumulam, é difícil encontrar um repositório de armazenamento em nuvem eficaz para não apenas manter e gerenciar todas essas informações, mas também para habilitar os recursos de pesquisa e segurança. Felizmente, fornecedores de plataformas em nuvem como a IBM, que oferece cenários de nuvem para infraestrutura como serviço (IaaS) e plataforma como serviço (PaaS), estão trabalhando ativamente em novas maneiras de gerenciar dados em arquiteturas multicloud.

O que é uma arquitetura Multicloud?

Uma arquitetura multicloud consiste em dados e código armazenados em vários ambientes de nuvem em uma única arquitetura. Imagine um aplicativo que usa código e recursos em várias nuvens, como Amazon Web Services (AWS), IBM Cloud e Microsoft Azure. Ao usar padrões de interoperabilidade que ainda estão em evolução, as arquiteturas multicloud trazem interoperabilidade aos serviços de software, independentemente das nuvens que esses serviços estejam usando como plataforma. Isso permite que você personalize seus recursos de nuvem para que eles direcionem mais especificamente suas cargas de trabalho.

Pequenas e médias empresas (SMBs) devem considerar um provedor que possa ajudar a gerenciar a infraestrutura de vários serviços em nuvem e mantê-los seguros e organizados em um único console. Ainda melhor é aquele que pode combinar serviços de nuvem de terceiros, como o Microsoft Office 365, com recursos que você executa em seus próprios servidores virtuais em outra nuvem. Uma nuvem pública pode ser apropriada para um aplicativo e uma nuvem privada para outro. As pequenas e médias empresas se beneficiarão da relação custo-benefício e agilidade que uma arquitetura multicloud oferece.

Multicloud e IBM

Do ponto de vista multicloud, tem sido um ano movimentado para a IBM. Em maio, lançou o IBM Cloud Private for Data para permitir que as empresas extraíssem informações ocultas de seus dados em disciplinas como engenharia de dados, ciência de dados e desenvolvimento, além de aplicativos e bancos de dados. Então, em 10 de setembro, a empresa anunciou que o IBM Cloud Private for Data se integraria ao Red Hat OpenShift, o contêiner de código aberto e a plataforma de aplicativos Kubernetes. O Kubernetes é uma plataforma de código aberto para executar contêineres em clusters de servidores. Essa integração com o Red Hat oferece mais opções para as empresas que executam cargas de trabalho nativas da nuvem, para que possam executar no local, em nuvens públicas e privadas e no ambiente Red Hat OpenShift de código aberto. A IBM também estenderá sua parceria com a Hortonworks, pioneira em software de Big Data, para integrar serviços no Hortonworks DataPlane com o IBM Cloud Private for Data.

Finalmente, em 13 de setembro, a IBM também anunciou que permitiria que os usuários consultassem análises em toda a empresa usando uma ferramenta chamada Queryplex, que é um console único para pesquisar nas nuvens. Nesse mesmo dia, a IBM realizou um evento no Terminal 5 em Nova York, organizado pela Hannah Storm da ESPN, para destacar os clientes que estão enfrentando o desafio da inteligência artificial (IA). Pouco antes do evento, a PCMag conversou com Rob Thomas, gerente geral do IBM Analytics, para entender como o novo recurso de pesquisa em nuvem funciona, o trabalho da IBM com a Red Hat e algumas estratégias vencedoras em IA.

PCMag (PCM): Como o IBM Cloud Private for Data permite que você veja todos os seus dados?

Rob Thomas (RT): pense nisso como o console de como um cliente gerencia dados em qualquer lugar em qualquer nuvem. Se os clientes estiverem usando isso, eles poderão ver todos os dados que possuem no local, em uma arquitetura de contêiner de nuvem privada ou os dados que possuem na AWS, Microsoft Azure, Google Cloud Platform ou IBM Cloud. É um console único para entender todos os seus dados - onde estão, catalogando e organizando.

PCM: O que é o Queryplex e como as SMBs podem usar algo parecido para pesquisar nas nuvens?

RT: O Queryplex permite realmente gravar uma consulta em SQL (Structured Query Language) e encontrar dados em qualquer lugar do mundo e fazer análises. Com esse recurso SQL de grande angular, você não precisa mover os dados. Vamos encontrar os dados onde quer que estejam e vamos habilitá-los. Podemos usar o poder de processamento no limite e, em seguida, fornecer as análises de volta para um único local. Então, esses são dois lados da mesma moeda. Um é um console para gerenciar todos os seus dados. A segunda parte é sobre como você realmente faz análises de dados que estão em qualquer lugar sem precisar mover os dados como a Etapa 1, porque a movimentação dos dados é cara; é demorado. Então, basicamente eliminamos a necessidade de movimentação de dados, que é super poderosa.

PCM: Qual seria o exemplo diário de uma empresa que usa esse tipo de recurso de consulta?

RT: Uma boa empresa seria uma empresa automotiva que faz telemática para fazer manutenção preditiva em um automóvel ou no desempenho dele. Hoje, a abordagem seria conectar-se ao carro e depois trazer os dados de volta para um local central. Dá a você a capacidade em tempo real. Então, o que havia 30 dias antes agora é de 30 segundos. Esse é o poder de fazer isso; apenas muda totalmente a natureza e o processo de análise.

PCM: Quais são as implicações de segurança da pesquisa em várias nuvens? Como você optou por permitir esse tipo de pesquisa?

RT: Criamos o Queryplex como um produto corporativo que aproveita tudo o que uma organização estabeleceu em torno dos protocolos de segurança e gerenciamento de identidade LDAP (LDAP) ou políticas de controle de dados. Deixe-me dar um exemplo: se a política da sua empresa é que, sempre que você fizer consultas federadas e não desejar tocar em informações de identificação pessoal (PII)), poderíamos mascarar esses dados como parte desse recurso, para que não fossem " Não faz parte disso. Nós realmente o projetamos para integrar a arquitetura de segurança de uma empresa.

PCM: O que uma empresa precisaria fazer para permitir o acesso a diferentes nuvens?

RT: Quando você está no IBM Cloud Private for Data, é instalado muito rapidamente. Em termos de conexão com uma nuvem diferente, é apenas saber o endereço IP. Isso é bem direto; você pode fazer isso. Portanto, a peça de conectividade não é difícil. Onde acho que fica mais difícil para as empresas é que, à medida que você avança mais em direção à IA ou aos casos de uso do tipo ciência de dados, precisa criar um modelo para isso. Você precisa treinar esse modelo, e podemos ajudá-lo a organizar os dados para fazer isso.

PCM: Quais são algumas das estratégias principais para as empresas implementarem AI ou Machine Learning (ML)?

RT: Algumas coisas diferentes. Eu vejo alguns clientes que estabelecem Centros de Excelência em Ciência de Dados (COE). Eu acho que poderia ser uma boa maneira de energizar a organização sobre o assunto e fazer as coisas funcionarem. Eu acho que é uma boa abordagem.

Vemos outros clientes que contratam um Chief Data Officer (CDO) e dão a essa pessoa a missão de conduzir a empresa nessa direção. Eu acho que isso é bom também.

Terceiro, vejo muitas empresas que dependem disso para vir de linha de negócios, ou seja, linha de negócios para encontrar o caso de uso, e isso é para a inovação tecnológica. Eu acho que qualquer um desses pode funcionar.

Penso que a maior lacuna e o que incentivo os clientes a fazer é ter uma estratégia de dados. Parte de uma estratégia de dados é saber onde você está hoje. Ou seja, você realmente está realizando business intelligence (BI) e data warehousing ou está realmente fazendo análises de autoatendimento? Entenda onde você está e entenda o ponto final. Se você obtiver clareza sobre esses dois pontos, poderá iniciar experimentos por meio de COEs de ciência de dados, um CDO ou por uma linha de negócios, sabendo que obterá um nível de repetibilidade desses, o que é importante.

PCM: O que levou a IBM a trabalhar com a Red Hat?

RT: Se você voltar a 2000, a IBM tem sido um grande defensor do Linux. Eu diria que o Linux provavelmente não estaria onde está hoje sem o suporte da IBM. Por isso, sempre mantemos um diálogo contínuo com a Red Hat sobre inovação e como apoiamos o ecossistema. Temos assistido ao que a Red Hat fez com o OpenShift.

Acreditamos muito em contêineres, e o Kubernetes tem uma maneira de ajudar os clientes a modernizar aplicativos e estados de dados. Se você olhar para o Red Hat com OpenShift, eles criaram uma excelente plataforma de contêiner focada na modernização. Mas eles não têm nada para dados, e é difícil modernizar aplicativos sem modernizar os dados ao mesmo tempo.

Onde podemos trazer o que fizemos em termos de modernização dos serviços de dados com o IBM Cloud Private for Data é executar isso de maneira nativa diretamente no OpenShift, para que os clientes que estão em uma jornada de modernização de aplicativos possam fazer o mesmo com os dados, e eles pode transformar esse projeto em resultados para a IA.

O Hadoop ainda não mudou para uma arquitetura de microsserviço, então essa é a outra peça do quebra-cabeça. Trabalhando com o Hortonworks para ajudar a modernizar e criar microsserviços do Hadoop que podem ser executados junto com o IBM Cloud Private for Data e OpenShift.

PCM: Como as empresas usam esse tipo de arquitetura de microsserviço?

RT: Eu acho que tudo volta à IA e à ciência de dados. O que você está fazendo com os dados normalmente é direcionado para um resultado comercial. Você está procurando alguma vantagem em termos de como está usando a análise.

Portanto, se você tiver muitos dados no Hadoop, se não conseguir usá-los para análises preditivas, ML ou ciência de dados, isso não será muito valioso para a organização. É assim que eu conecto os pontos. Hadoop é um microsserviço; é muito mais compostável, muito mais flexível. É mais fácil trabalhar com os dados e disponibilizá-los para uma grande equipe de ciência de dados. E isso permite que você obtenha mais valor de sua implementação do Hadoop.

PCM: Onde você vê as coisas indo no futuro, tanto quanto AI e ML?

RT: Vamos entrar lentamente no mainstream. Há um ano, a discussão foi: "Posso fazer alguma coisa?" Eu diria que este foi o ano de maior experimentação. Acho que no próximo ano entraremos em experimentação em massa e, esperançosamente, até o final do próximo ano, estamos em um ponto em que isso se tornará mais popular. As pessoas estão usando IA e modelos para automatizar muitos processos de negócios básicos, para automatizar muitas tomadas de decisão. Então, estamos claramente nessa jornada. Você pode ver a progressão. Sinto que estamos chegando perto de um ponto de inflexão, se quiser, mas ainda não chegamos lá.