Примітка редактора: Це стенограма прямої трансляції. Ви можете переглянути веб-трансляцію повністю тут.
Ерік Кавана: Дами і джентльмен, пора мудрувати! Настав час для TechWise, абсолютно нового шоу! Мене звуть Ерік Кавана. Я буду вашим модератором нашого вступного епізоду TechWise. Це точно так. Це партнерство Техопедії та групи Bloor, звичайно, слави Inside Analysis.
Мене звуть Ерік Кавана. Я буду модерувати цю дійсно цікаву та залучену подію, люди. Ми будемо копати глибоко в плетіння, щоб зрозуміти, що відбувається з цією великою річчю під назвою Hadoop. Який слон у кімнаті? Це називається Hadoop. Ми спробуємо розібратися, що це означає і що з цим відбувається.
Перш за все, велике спасибі нашим спонсорам, GridGain, Actian, Zettaset та DataTorrent. Ми отримаємо коротке кілька слів від кожного з них наприкінці цієї події. У нас також буде питання і відповіді, тому не соромтеся - надсилайте свої запитання будь-коли.
Ми розберемося в деталях і поставимо важкі запитання нашим експертам. А якщо говорити про експертів, тож, вони є. Отже, ми будемо чути від нашого власного доктора Робіна Блора, і людей, я дуже рада, що легендарний Рей Ванг, головний аналітик і засновник дослідження сузір'я. Він сьогодні в Інтернеті, щоб висловити нам свої думки, і він схожий на Робіна, що він надзвичайно різноманітний і дійсно фокусується на безлічі різних областей і має можливість їх синтезувати і реально розуміти, що відбувається там у всій цій галузі інформаційних технологій та управління даними.
Отже, ось цей маленький милий слон. Він на початку дороги, як бачите. Зараз це тільки починається, це лише початок, вся ця штука Hadoop. Звичайно, ще в 2006 або 2007 роках, я гадаю, це було, коли воно було випущено до спільноти з відкритим кодом, але багато чого відбувається, люди. Відбулися величезні розробки. Насправді, я хочу розповісти цю історію, тому я збираюся зробити швидку спільну роботу на робочому столі, принаймні, я думаю, що я є. Давайте зробимо швидку спільну роботу на робочому столі.
Я показую вам це просто божевільні, шалені люди. Тож Intel вклала 740 мільйонів доларів, щоб придбати 18 відсотків Cloudera. Я подумав і мені на кшталт "Святе Різдво!" Я почав займатися математикою і це виглядає так: "Це оцінка в 4, 1 мільярда доларів". Давайте подумаємо про це на секунду. Я маю на увазі, якщо WhatsApp коштує 2 мільярди доларів, я вважаю, що Cloudera також може коштувати 4, 1 мільярда доларів, правда? Я маю на увазі, чому б і ні? Деякі з цих номерів просто у вікно цих днів, люди. Я маю на увазі, як правило, з точки зору інвестицій, у вас є EBITDA та всі ці інші різні механізми, множинність доходів тощо. Ну, це буде один хек з кратного доходу, щоб досягти 4, 1 мільярда доларів для Cloudera, яка є приголомшливою компанією. Не зрозумійте мене неправильно - там є дуже дуже, дуже розумні люди, в тому числі хлопець, який розпочав всю мандрівку Hadoop, Дуг Різ, він там - багато дуже розумних людей, які роблять дуже багато справді, дійсно Класні речі, але суть полягає в тому, що 4, 1 мільярда доларів, це великі гроші.
Отож ось такий явний улюблений очевидний момент переходу через голову зараз, що є чіпом, Intel. Їх конструктори чіпів пропонують побачити чіп, оптимізований Hadoop - я мушу так вважати, люди. Це лише моя здогадка. Це просто чутка, яка йде від мене, якщо ви хочете, але це має сенс. І що це все означає?
Отже ось моя теорія. Що відбувається? Багато цього матеріалу не є новим. Масова паралельна обробка не страшенно нова. Паралельна обробка впевнено не нова. Я деякий час був у світі суперкомп'ютерів. Багато з цих речей, які відбуваються, не є новими, але існує така загальна обізнаність, що існує новий спосіб атакувати деякі з цих проблем. Що я бачу, що відбувається, якщо ви подивитеся на великих постачальників Cloudera або Hortonworks та деяких інших цих хлопців, що вони роблять насправді, якщо звести їх до самого зернистого дистильованого рівня - це розробка додатків. Ось що вони роблять.
Вони розробляють нові програми - деякі з них включають бізнес-аналітику; деякі з них просто включають системи нагнітання. Один з наших продавців, який говорив про це, робить такі речі цілий день, на шоу сьогодні. Але якщо це страшенно нове, знову ж таки, відповідь - "насправді", але трапляються великі речі, і особисто я думаю, що відбувається з Intel, що робить ці величезні інвестиції, є ринковим кроком. Вони дивляться на світ сьогодні і бачать, що це наче монопольний світ сьогодні. Там є Facebook, і вони вибили просто соплі з бідного MySpace. LinkedIn вибив соплі з бідного Хто є хто. Отже, ви озираєтесь, і це одна служба, яка сьогодні панує у всіх цих різних просторах у нашому світі, і я думаю, ідея полягає в тому, що Intel збирається кинути всі свої фішки на Cloudera і спробувати підняти її до вершини стека - це просто моя теорія.
Тож, як я вже сказав, люди, ми будемо мати довгий сеанс запитань, тому не соромтеся. Надсилайте свої запитання в будь-який час. Ви можете зробити це, використовуючи цей Q&A компонент консолі веб-трансляції. І з цим я хочу перейти до нашого контенту, тому що у нас є багато речей, які потрібно пройти.
Отже, Робін Блур, дозволь мені передати вам ключі, а підлога - ваша.
Робін Блор: Добре, Еріку, дякую за це. Давайте приведемо на танці слонів. Цікаво, що слони - єдині сухопутні ссавці, які насправді не можуть стрибати. Усі ці слони в цій графіці мають хоч одну ногу на землі, тож я вважаю, що це можливо, але певною мірою це очевидно слони Хадооп, такі дуже і дуже здатні.
Справді, питання, яке, на мою думку, має бути обговорене і має бути чесно обговорене. Це потрібно обговорити, перш ніж поїхати кудись інше, а це по-справжньому почати говорити про те, що насправді є Hadoop.
Одне з речей, яке абсолютно походить від основи людини, - це зберігання ключових цінностей. Раніше ми мали магазини з ключовою вартістю. Раніше ми мали їх у мейнфреймі IBM. У нас їх було на мінікомп'ютерах; DEC VAX мав файли IMS. Існували можливості ISAM, які були майже на кожному мікрокомп'ютері, до якого можна дістатися. Але десь наприкінці 80-х Unix з'явився, і Unix насправді не мав жодного магазину ключових значень. Коли Unix розвивав його, вони розвивалися дуже швидко. Насправді сталося те, що постачальники баз даних, зокрема Oracle, туди пропаривались, і вони продали ваші бази даних для догляду за будь-якими даними, якими ви хочете керувати в Unix. Windows і Linux виявилися однаковими. Таким чином, галузь пройшла найкращу частину 20 років без загальноприйнятого магазину ключових цінностей. Ну, це вже повернулося. Він не тільки повертається назад, це масштабується.
Тепер я думаю, що це справді фундамент того, що насправді є Hadoop і певною мірою визначає, куди він піде. Що нам подобається в магазинах із ключовою вартістю? Ті з вас, хто мені такий самий вік, і насправді пам’ятаєте, що працювали з магазинами ключових цінностей, розуміють, що ви могли б значною мірою використовувати їх для неофіційного створення бази даних, але лише неформально. Ви знаєте, що метадані швидко оцінюють сховища в програмному коді, але ви насправді можете зробити цей зовнішній файл, і ви могли б, якщо хочете почати обробляти сховище ключа-значення, схоже на базу даних. Але, звичайно, у нього не було всієї можливості відновлення, яку має база даних, і у неї не було дуже багато речей, які зараз отримали бази даних, але це була дійсно корисна функція для розробників, і це одна з причин, на мою думку що Hadoop виявився настільки популярним - просто тому, що це швидко зробили кодери, програмісти та розробники. Вони зрозуміли, що це не тільки ключове значення магазину, але це масштабне зберігання ключових значень. Це масштабується майже нескінченно. Я надіслав ці масштаби на тисячі серверів, так що це справді велика річ про Hadoop, ось що це таке.
Крім того, він має MapReduce, який є алгоритмом паралелізації, але насправді це, на мій погляд, не важливо. Отже, знаєте, Хадоп - хамелеон. Це не лише файлова система. Я бачив різні види претензій до Hadoop: це секретна база даних; це не секретна база даних; це звичайний магазин; це аналітичний інструментарій; це середовище ELT; це інструмент очищення даних; це сховище даних потокових платформ; це архівний магазин; це ліки від раку тощо. Більшість цих речей насправді не стосується ванілі Hadoop. Hadoop - це, мабуть, прототипування - це, безумовно, середовище прототипування для бази даних SQL, але насправді цього немає, якщо розмістити віковий простір з віковим каталогом через Hadoop, у вас є щось, схоже на базу даних, але це насправді не так що б хтось називав базою даних з точки зору можливостей. Багато цих можливостей, ви, безумовно, можете отримати їх на Hadoop. Їх, безумовно, дуже багато. Насправді ви можете отримати джерело Hadoop, але сам Hadoop - це не те, що я б назвав оперативно загартованим, і тому угода про Hadoop, насправді я б не ставила нічого іншого, полягає в тому, що вам потрібно мати третього -партійна продукція для її покращення.
Отже, розмова про вас може бути лише декількома рядками, коли я кажу, що Hadoop overreach. Перш за все, можливість запиту в режимі реального часу, добре, що ви знаєте, що в реальному часі - це такий самий час роботи в бізнесі, і справді майже завжди важлива ефективність роботи. Я маю на увазі, навіщо ви інженеру в реальному часі? Hadoop насправді цього не робить. Він робить щось, що знаходиться майже в режимі реального часу, але насправді це не робить реального часу. Він робить потокове, але це не робить потоковий спосіб, про який я б назвав дійсно критично важливий тип, який може робити платформа потокового застосування. Існує різниця між базою даних та доступним сховищем. Синхронізувати його над Hadoop дає вам чіткий сховище даних. Це схоже на базу даних, але це не те саме, що базу даних. На мою думку, Hadoop, на мою думку, насправді взагалі не кваліфікується як база даних, тому що не вистачає кількох речей, якими повинна володіти база даних. Hadoop робить багато, але це не дуже добре. Знову ж таки, спроможність є, але ми далеко не реально мати швидкий потенціал у всіх цих сферах.
Інша річ, яку потрібно зрозуміти про Hadoop, це те, що вона пройшла довгий шлях, оскільки вона була розроблена. Він був розроблений в перші дні; це було розроблено, коли у нас були сервери, які насправді мали лише один процесор на сервері. У нас ніколи не було багатоядерних процесорів, і він був побудований для роботи над сітками, запуском сіток і север. Однією з дизайнерських цілей Hadoop було ніколи не втрачати роботу. І справді мова йшла про збій диска, тому що якщо у вас є сотні серверів, то ймовірність полягає в тому, що якщо у вас є диски на серверах, ймовірність полягає в тому, що ви отримаєте доступність в режимі тривалості приблизно на зразок 99.8. Це означає, що ви отримуєте в середньому вихід з ладу одного з цих серверів раз на 300 або 350 днів, один день на рік. Тож якби у вас було сотні таких, ймовірність буде в будь-який день року ви потрапите в серверну помилку.
Hadoop був створений спеціально для вирішення цієї проблеми - так що, у випадку, якщо що-небудь не вдалося, він робить знімки всього, що відбувається, на кожному конкретному сервері, і він може відновити пакетну роботу, що працює. І це було все, що насправді коли-небудь працював на Hadoop, це партійна робота, і це справді корисна спроможність, треба сказати. Деякі з робочих пакетів, які виконувались - особливо в Yahoo, де я вважаю, що Hadoop народився - працюватимуть два-три дні, і якщо це не вдасться через день, ви дійсно не хотіли втрачати роботу що було зроблено. Тож це було дизайнерським моментом позаду доступності на Hadoop. Ви б не називали таку високу доступність, але ви можете назвати її високою доступністю для серійних пакетних завдань. Це, мабуть, спосіб на це подивитися. Висока доступність завжди налаштована відповідно до характеристик робочої лінії. Наразі Hadoop може бути налаштований лише для дійсно серійних пакетних завдань стосовно такого відновлення. Висока доступність підприємства, мабуть, найкраще продумується з точки зору транзакційного ТОО. Я вважаю, що якщо ви не дивитесь на це як на річ у реальному часі, Hadoop цього ще не робить. Це, мабуть, далеко від цього.
Але ось прекрасна річ про Hadoop. Ця графіка праворуч, яка має список постачальників по краю, і всі рядки на ній вказують на зв’язки між цими постачальниками та іншими продуктами в екосистемі Hadoop. Якщо поглянути на це, це неймовірно вражаюча екосистема. Це досить примітно. Ми, очевидно, спілкуємося з багатьма постачальниками з точки зору їх можливостей. Серед постачальників, з якими я спілкувався, є кілька справді надзвичайних можливостей використання Hadoop та пам'яті, способу використання Hadoop як стислого архіву, використання Hadoop як середовища ETL тощо, тощо. Але дійсно, якщо додати продукт до самого Hadoop, він надзвичайно добре працює у певному просторі. Тож, будучи критичним до рідного Hadoop, я не критикую Hadoop, коли ви насправді додаєте йому певної сили. На мою думку, популярність Хадоопа гарантує її майбутнє. Маю на увазі, навіть якщо кожен рядок коду, написаний на Hadoop, зникає, я не вірю, що API HDFS зникне. Іншими словами, я думаю, що файлова система, API, тут залишається, і, можливо, ПРАВ, планувальник, який її переглядає.
Коли ви насправді дивитесь на це, це дуже важлива здатність, і я начебто про це віщую за хвилину, але інша річ, що, скажімо, хвилює людей про Hadoop - це вся картина з відкритим кодом. Тож варто переглядати картину з відкритим кодом з точки зору того, що я вважаю реальною здатністю. Хоча Hadoop та всі його компоненти, безумовно, можуть виконувати те, що ми називаємо тривалістю даних - або, як я вважаю за краще, резервуар даних - це, безумовно, дуже хороша область постановки для передачі даних в організацію або для збирання даних в організації - надзвичайно добре для пісочниць і для риболовних даних. Це дуже добре, як платформа розробки прототипів, яку ви можете реалізувати в кінці дня, але ви знаєте, як середовище розробки, все, що ви хочете, є там. Як архівний магазин, він в значній мірі має все необхідне, і, звичайно, це не дорого. Я не думаю, що ми повинні розлучатися з Hadoop жодною з цих двох речей, навіть якщо вони офіційно не є компонентами Hadoop. Інтернет-клин приніс величезну кількість аналітики у світ з відкритим кодом, і багато того аналітика зараз працює на Hadoop, оскільки це дає зручне середовище, в якому ви можете фактично взяти багато зовнішніх даних і просто почати грати на аналітичній пісочниці.
І тоді у вас є можливості з відкритим кодом, обидва вони - машинне навчання. Обидва вони надзвичайно потужні в тому сенсі, що реалізують потужні аналітичні алгоритми. Якщо ви складете ці речі, ви отримаєте ядра якоїсь дуже, дуже важливої можливості, яка так чи інакше є дуже ймовірною - незалежно від того, розвивається вона самостійно, чи постачальники приходять, щоб заповнити відсутні частини - це, швидше за все, триватиме довгий час, і, звичайно, я думаю, що машинне навчання вже має дуже великий вплив на світ.
Еволюція Hadoop, YARN змінила все. Що сталося, MapReduce був досить приваблений до ранньої файлової системи HDFS. Коли YARN була представлена, вона створила можливість планування у своєму першому випуску. Ви не очікуєте надзвичайно складного планування з першого випуску, але це означає, що тепер це вже не обов'язково патч-середовище. Це було середовище, в якому можна було запланувати кілька робочих місць. Як тільки це сталося, з’явилася ціла серія постачальників, які трималися подалі від Hadoop - вони просто зайшли і підключились до нього, тому що тоді вони могли просто розглянути на це як на середовище планування файлової системи, і вони могли адресувати речі до це. Навіть є постачальники баз даних, які реалізували свої бази даних на HDFS, тому що вони просто беруть двигун і просто ставлять його на HDFS. З каскадом та з YARN це стає дуже цікавим середовищем, оскільки ви можете створювати складні робочі процеси через HDFS, і це дійсно означає, що ви можете почати мислити про це як про дійсно платформу, яка може одночасно виконувати безліч завдань і підштовхує себе до точки робити критично важливі завдання. Якщо ви збираєтеся це робити, вам, ймовірно, потрібно буде придбати сторонні компоненти, такі як безпека тощо, тощо. У Hadoop насправді немає облікового запису аудиту, щоб заповнити прогалини, але ви потрапляйте в точку, коли навіть з рідним відкритим кодом ви можете робити цікаві речі.
З точки зору того, куди я думаю, що Hadoop насправді піде, я особисто вважаю, що HDFS перетвориться на файлову систему за замовчуванням за замовчуванням, і тому перетвориться на ОС, операційну систему, для сітки для потоку даних. Я думаю, що в цьому є величезне майбутнє, і я не думаю, що на цьому зупиняться. І я думаю, що насправді екосистема просто допомагає, оскільки майже всі, всі постачальники в космосі, так чи інакше інтегрують Hadoop, і вони просто дозволяють це зробити. З точки зору ще одного питання, що варто зробити, з точки зору надмірності Hadoop, чи це не дуже хороша платформа плюс паралелізація. Якщо ви насправді дивитесь на те, що він робить, то, що він насправді робить, це регулярно робити знімок на кожному сервері, коли він виконує свої завдання MapReduce. Якби ви збиралися сконструювати дійсно швидку паралелізацію, ви б нічого подібного не робили. Насправді, ви, ймовірно, не використовували б MapReduce самостійно. MapReduce - це лише те, що я б сказав, наполовину здатний до паралелізму.
Існує два підходи до паралелізму: один - за допомогою конвеєрних процесів, а другий - шляхом поділу даних MapReduce, і він робить поділ даних, тому існує багато завдань, де MapReduce насправді не був би найшвидшим способом зробити це, але це буде дайте вам паралелізм, і від цього немає нічого. Коли у вас є багато даних, ця влада зазвичай не настільки корисна. Пряжа, як я вже говорив, - це дуже молода можливість планування.
Hadoop - це вид накреслення лінії в піску, Hadoop - це не сховище даних. Це далеко не сховище даних, що це майже абсурдна пропозиція говорити, що це так. На цій діаграмі те, що я показую вгорі, - це своєрідний потік даних, який переходить із резервуара даних Hadoop в базу даних масштабних масштабів, і це те, що ми насправді робимо, корпоративний сховище даних. Я показую застарілі бази даних, вводячи дані в сховище даних і здійснюю розвантажувальну діяльність, створюючи бази даних завантаження зі сховища даних, але це фактично картина, яку я починаю бачити, і я б сказав, що це як перше покоління що відбувається зі сховищем даних з Hadoop. Але якщо ви самі подивитеся на сховище даних, то зрозумієте, що під сховищем даних у вас є оптимізатор. У вас є розповсюджені працівники запитів у дуже багатьох процесах, які сидять на, можливо, дуже великій кількості дисків. Ось що відбувається в сховищі даних. Це насправді така архітектура, яка побудована для сховища даних, і для створення подібного потрібно досить багато часу, а Hadoop взагалі нічого такого не має. Тож Hadoop не є сховищем даних, і він, на мою думку, не стане ним незабаром.
У нього є відносний резервуар даних, і це виглядає цікаво, якщо ви просто дивитесь на світ як на низку подій, що впадають в організацію. Ось що я показую в лівій частині цієї діаграми. Пройшовши його через можливість фільтрації та маршрутизації, а також те, що потрібно пройти для потокового передачі, відлучається від потокових програм, а все інше надходить прямо у резервуар даних, де він підготовлений та очищений, а потім передається ETL або до єдиних даних склад або логічний склад даних, що складається з декількох двигунів. Це, на мій погляд, природна лінія розвитку Hadoop.
Щодо ETW, одна з речей, на яку варто звернути увагу, - це те, що власне сховище даних було фактично переміщене - це не те, що було. Безумовно, нині ви очікуєте, що існує ієрархічна спроможність на основі ієрархічних даних того, що люди чи деякі люди називають документи у сховищі даних. Це JSON. Можливо, мережеві запити, що представляють собою графічні бази даних, можливо аналітичні. Отже, до чого ми рухаємось - це ETW, який фактично має більш складний навантаження, ніж той, до якого ми звикли. Тож це цікаво, оскільки певним чином це означає, що сховище даних стає ще більш досконалим, і через це пройде ще довший час, перш ніж Hadoop дістанеться десь поблизу від нього. Сенс сховища даних розширюється, але він все ще включає оптимізацію. Ви повинні мати можливість оптимізації не лише над запитами, але і над усіма цими видами діяльності.
Ось і справді. Це все, що я хотів сказати про Hadoop. Я думаю, що можу передати Рею, який не має слайдів, але він завжди добре розмовляє.
Ерік Кавана: Я візьму слайди. Там є наш друг, Рей Ван. Отже, Рей, що ти думаєш про все це?
Рей Ван: Зараз я думаю, що це, мабуть, була однією з найсміливіших та найкращих історій крамниць із ключовою вартістю, і де Hadoop пішов у зв’язок із підприємством, яке вийшло, тому я завжди багато чого вчу, слухаючи Робіна.
Насправді у мене є один слайд. Я можу тут вискочити один слайд.
Ерік Кавана: Просто вперед і натисніть на, натисніть кнопку "Пуск" та перейдіть, щоб поділитися робочим столом.
Рей Ван: Зрозумів, ось ти. Я фактично поділюсь. Ви можете побачити сам додаток. Подивимось, як це йде.
Весь цей розмова про Hadoop, а потім ми заглиблюємось у розмову про технології, які є там і куди рухається Hadoop, і багато разів мені просто подобається взяти його назад, щоб справді обговорити бізнес. Багато чого, що відбувається з боку технологій, - це справді цей фрагмент, де ми говорили про сховища даних, управління інформацією, якість даних, освоєння цих даних, і тому ми схильні бачити це. Тож якщо ви подивіться на цей графік тут на самому дні, це дуже цікаво, що типи людей, на які ми стикаємося, говорять про Hadoop. У нас є технологи та дані вчені, які визирають, маючи велике хвилювання, і це, як правило, стосується джерел даних, правда? Як ми опановуємо джерела даних? Як ми можемо перетворити це на правильний рівень якості? Що ми робимо щодо управління? Що ми можемо зробити для відповідності різних типів джерел? Як ми зберігаємо родовід? І все таке обговорення. І як ми можемо отримати більше SQL з нашого Hadoop? Тож ця частина відбувається на цьому рівні.
Тоді з боку інформації та оркестровки це стає цікавим. Ми починаємо прив'язувати результати цього розуміння, яке ми отримуємо, або ми перетягуємо його назад до бізнес-процесів? Як ми можемо пов'язати їх із будь-якими моделями метаданих? Ми з'єднуємо точки між об’єктами? І тому нові дієслова та дискусії про те, як ми використовуємо ці дані, переходячи від того, що ми традиційно перебуваємо у світі CRUD: створюємо, читаємо, оновлюємо, видаляємо, до світу, який обговорює, як ми беремо участь або ділимось чи співпрацюємо або щось подобається або тягне.
Ось тут ми починаємо бачити масу хвилювань та нововведень, особливо про те, як залучити цю інформацію та довести її до значення. Це обговорення, орієнтоване на технології, нижче червоної лінії. Над цією червоною лінією ми отримуємо ті самі запитання, які ми завжди хотіли задати, і одне з них, яке ми завжди пропонуємо, схоже, наприклад, можливо, питання в роздрібній торгівлі для вас таке: "Чому червоні светри продаються краще в Алабамі, ніж сині светри в Мічигані? " Ви можете подумати над цим і сказати: "Це цікаво". Ви бачите цю закономірність. Ми задаємо це питання, і ми задаємося питанням: "Гей, що ми робимо?" Можливо, мова йде про державні школи - Мічиган проти Алабами. Добре, я розумію, я бачу, куди ми йдемо. І тому ми починаємо сприймати ділову сторону будинку, людей, що займаються фінансами, людей, які мають традиційні можливості BI, люди з маркетингу та люди з HR, які говорять: "Де мої зразки?" Як ми можемо дійти до цих моделей? І тому ми бачимо інший шлях інновацій з боку Hadoop. Це дійсно про те, як ми швидше оновлюємо уявлення про швидкість. Як ми робимо такі види зв’язків? Це стосується людей, які займаються подібним чином, ad: tech, який, як правило, намагається з'єднати рекламу та відповідний вміст від будь-якого, від мереж торгів у режимі реального часу до контекстних оголошень та розміщення оголошень, і це робить на ходу.
Тож це цікаво. Ви бачите прогрес Hadoop з "Ей, ось технологічне рішення. Ось, що нам потрібно зробити, щоб вивести цю інформацію людям". Потім, коли він перетинає частину бізнесу, це стає цікавим. Це прозріння. Де вистава? Де дедукція? Як ми прогнозуємо речі? Як ми можемо впливати? А потім доведіть це до того останнього рівня, де ми насправді бачимо ще один набір інновацій Hadoop, які відбуваються навколо систем прийняття рішень та дій. Яка наступна найкраща дія? Тож ви знаєте, що сині светри продаються краще в Мічигані. Ви сидите на тоні синіх светрів в Алабамі. Очевидна річ: "Ага, добре давайте доставимо це там". Як ми це робимо? Який наступний крок? Як ми пов’язуємо це назад? Можливо, наступна найкраща дія, можливо, це пропозиція, можливо, це щось, що допомагає вам запобігти проблемі, можливо, це теж не дії, а це сама по собі дія. Тож ми починаємо спостерігати появу подібних моделей. І краса цього повернення до того, що ви говорите про крамниці з ключовими цінностями, Робін, полягає в тому, що це відбувається так швидко. Це відбувається так, як ми не думали про це таким чином.
Напевно, я б сказав, що за останні п’ять років ми зібралися. Ми почали думати з точки зору того, як ми можемо знову використовувати ключові цінності, але це лише за останні п’ять років, люди дивляться на це зовсім по-іншому, і це як технологічні цикли, що повторюються в 40-річних моделях, тож це добре із кумедної речі, де ми дивимось на хмару, і я подібно до обміну часом з мейнфреймом. Ми дивимося на Hadoop і любимо сховище ключів - можливо, це март даних, менше, ніж сховище даних - і ми починаємо знову бачити ці зразки. Що я зараз намагаюся зробити - це подумати над тим, що люди робили 40 років тому? Які підходи, прийоми та методики застосовувались, які були обмежені технологіями, які мали люди? Це свого роду рушійний процес. Отож, коли ми проходимо повну картину Hadoop як інструменту, коли ми повертаємось назад і думаємо про наслідки для бізнесу, це такий шлях, який ми зазвичай проходимо для людей, щоб ви могли побачити, які фрагменти, які частини є в даних шлях прийняття рішень. Це просто те, чим я хотів поділитися. Це таке мислення, яке ми використовували внутрішньо, і, сподіваємось, додає до дискусії. Тож я поверну це тобі назад, Еріку.
Ерік Кавана: Це фантастично. Якщо ви можете дотримуватися якихось запитань. Але мені сподобалось, що ти повернув його до рівня бізнесу, адже наприкінці дня все йдеться про бізнес. Це все в тому, щоб зробити справи і переконатися, що ви витрачаєте гроші розумно, і це одне з питань, які я вже бачив, тому спікери, можливо, захочуть подумати про те, що таке TCL проходження шляху Hadoop. Між ними є приємне місце, наприклад, використання інструментів для офісних полиць для того, щоб робити речі якось традиційним способом та використовуючи нові набори інструментів, адже знову ж таки, подумайте, багато цього матеріалу не є новим, це просто щось на зразок злиття по-новому, я думаю, найкращий спосіб викласти це.
Тож давайте підемо вперед і познайомимо нашого друга Микиту Іванова. Він є засновником і генеральним директором GridGain. Микита, я йду вперед і передаю вам ключі, і я вірю, що ви там. Ти чуєш мене Микиту?
Микита Іванов: Так, я тут.
Ерік Кавана: Відмінно. Значить, підлога за вами. Клацніть на цьому слайді. Скористайтеся стрілкою вниз та віднесіть її. П'ять хвилин.
Микита Іванов: Який слайд натискаю?
Ерік Кавана: Просто натисніть будь-де на цьому слайді, а потім для переміщення використовуйте стрілку вниз на клавіатурі. Просто натисніть на сам слайд і скористайтеся стрілкою вниз.
Микита Іванов: Добре, так що декілька швидких слайдів про GridGain. Що ми робимо в контексті цієї розмови? В основному GridGain виробляє обчислювальне програмне забезпечення в пам'яті, і частина розробленої нами платформи - прискорювач Hadoop в пам'яті. З точки зору Hadoop ми схильні думати про себе як про спеціалістів Hadoop. Що ми робимо, по суті, на основі нашої основної платформи обчислювальної пам’яті, яка складається з таких технологій, як сітка даних, потокова пам'ять та обчислювальні сітки, змогли б підключити прискорювач Hadoop. Це дуже просто. Було б добре, якщо ми можемо розробити якесь рішення підключення та відтворення, яке можна встановити прямо в інсталяції Hadoop. Якщо вам, розробнику MapReduce, потрібен прискорений сигнал без необхідності писати якесь нове програмне забезпечення або змінювати код або змінювати, або, в основному, змінити мінімальну конфігурацію в кластері Hadoop. Це те, що ми розробили.
По суті, у пам'яті прискорювач Hadoop заснований на оптимізації двох компонентів в екосистемі Hadoop. Якщо ви думаєте про Hadoop, він переважно базується на HDFS, що є файловою системою. MapReduce, який є основою для паралельного проведення змагань у верхній частині файлової системи. Для оптимізації Hadoop ми оптимізуємо обидві ці системи. Ми розробили файлову систему в пам'яті, яка повністю сумісна, на 100% сумісна підключення та програвання, з HDFS. Ви можете працювати замість HDFS, ви можете працювати поверх HDFS. І ми також розробили MapReduce в пам’яті, який сумісний з Hadoop MapReduce, але є багато оптимізацій щодо того, як працює робочий потік MapReduce та як працює графік на MapReduce.
Якщо ви подивитесь, наприклад, на цей слайд, де ми показуємо вид стека дублювання. Ліворуч у вас є типова операційна система з GDM, а зверху на цій діаграмі - центр додатків. Посередині у вас є Hadoop. І Hadoop знову базується на HDFS та MapReduce. Таким чином, це відображає на цій діаграмі, що ми щось вбудовуємо в стек Hadoop. Знову ж таки, це підключення; вам не потрібно змінювати жоден код. Це просто працює так само. На наступному слайді ми показали, по суті, як ми оптимізували робочий процес MapReduce. Це, мабуть, найцікавіша частина, оскільки вона дає вам найбільшу перевагу під час виконання завдань MapReduce.
Типовий MapReduce, коли ви подаєте завдання, а в лівій частині є схема, звичайна програма. Отже, ти зазвичай подаєш роботу, і робота переходить до інструмента відстеження. It interacts with the Hadoop name node and the name node is actually the piece of software that manages the interaction with the digital files, and kind of keeps the directory of files and then the job tracker interacts with the task tracker on each individual node and the task tracker interacts with a Hadoop data node to get data from. So that's basically a very kind of high-level overview of how your MapReduce job gets in the computers. As you can see what we do with our in-memory, Hadoop MapReduce will already completely bypass all this complex scheduling that takes a lot of time off your execution and go directly from client to GridGain data node and GridGain data node keeps all that e-memory for a blatantly fast, fast execution.
So all in all basically, we allow it to get anywhere from 5x up all the way to 100x performance increase on certain types of loads, especially for short leaf payloads where you literally measure every second. We can give you a dramatic boost in performance with literally no core change.
Alright, that's all for me.
Eric Kavanagh: Yes, stick around for the Q&A. No doubt about it.
Let me hand it off to John Santaferraro. John, just click on that slide. Use the down arrow to move on.
John Santaferraro: Alright. Thanks a lot, Eric.
My perspective and Actian's perspective really is that Hadoop is really about creating value and so this is an example from digital media. A lot of the data that is pumping into Hadoop right now has to do with digital media, digital marketing, and customer, so there is great opportunity - 226 billion dollars of retail purchases will be made online next year. Big data and Hadoop is about capturing new data to give you insight to get your share of that. How do you drive 14% higher marketing return and profits based on figuring out the right medium X and the right channels and the right digital marketing plan? How do you improve overall return on marketing investment? By the way, in 2017, what we ought to be thinking about when we look at Hadoop is the fact that CMO, chief marketing officer, spending in 2017 will outpace that of IT spending, and so it really is about driving value. Our view is that there are all kinds of noise being made on the left-hand side of this diagram, the data pouring into Hadoop.
Ultimately, our customers are wanting to create customer delight, competitive advantage, world-class risk management, disruptive new business models, and to do all of that to deliver transformational value. They are looking to capture all of this data in Hadoop and be able to do best-in-class kinds of things like discovery on that data without any limitations, no latency at any scale of the data that lives in there - moving from reactive to predictive kinds of analytics and doing everything dynamically instead of looking at data just as static. What pours into Hadoop? How do you analyze it when it arrives? Where do you put it to get the high-performance analytics? And ultimately moving everything down to a segment of one.
So what we've done at Actian in the Actian Analytics Platform, we have built an exoskeleton around Hadoop to give it all of these capabilities that you need so you are able to connect to any data source bringing it into Hadoop, delivering it as a data service wherever you need it. We have libraries of analytics and data blending and data enrichment kinds of operators that you literally drag and drop them so that you can build out these data and analytic workflows, and without ever doing any programming, we will push that workload via YARN right down to the Hadoop nodes so you can do high-performance data science natively on Hadoop. So all of your data prep, all of your data science happening on Hadoop highly parallelized, highly optimized, highly performance and then when you need to, you move it to the right via a high-speed connection over to our high-performance analytic engine, where you can do super-low latency kinds of analytics, and all of that delivering out these real-time kinds of analytics to users, machine-to-machine kinds of communication, and betting those on analytics and business processes, feeding big data apps or applications.
This is an example of telco churn, where at the top of this chart if you're just building telco churn for example, where you have captured one kind of data and poured that into Hadoop, I'd be able to identify about 5% of your potential churn audience. As you move down this chart and add additional kinds of data sources, you do more complex kinds of analytics in the center column there. It allows you to act against that churn in a way that allows you to identify. You move from 5% identification up to 70% identification. So for telecommunications companies, for retail organizations, for any of the fast providers, anybody that has a customer base where there is a fear and a damage that is caused by churn.
This kind of analytics running on top of that exoskeleton-enabled version of Hadoop is what drives real value. What you can see here is that kind of value. This is an example taken from off of the annual report of a telecommunications company that shows their actual total subscribers, 32 million. Their existing churn rate which every telco reports 1.14, 4.3 million subscribers lost every year, costing them 1.14 billion dollars as well as 2.1 billion in revenue. This is a very modest example of how you generate value out of your data that lives in Hadoop, where you can see the potential cost of reacquisition where the potential here is to use Hadoop with the exoskeleton running analytics to basically help this telecommunications company save 160 million dollars as well as avoid 294 million in loss. That's the kind of example that we think is driving Hadoop forward.
Eric Kavangh: Alright, fantastic. And Jim, let me go ahead and give the keys to you. So, Jim Vogt. If you would click on that slide and use the down arrow in your keyboard.
Jim Vogt: I got it. Great picture. OK, thank you very much. I'll tell a little bit about Zettaset. We've been talking about Hadoop all afternoon here. What's interesting about our company is that we basically spend our careers hardening new technology for the enterprise - being able to plug the gaps, if you will, in our new technology to allow it to be widely deployed within our enterprise operational environment. There are a couple of things happening in the market right now. It's kind of like a big open pool party, right? But now the parents have come home. And basically we're trying to bring this thing back to some sense of reality in terms of how you build a real infrastructure piece here that can be scalable, repeatable, non-resource intensive, and secure, most importantly secure. In the marketplace today, most people are still checking the tires on Hadoop. The main reason is, there is a couple of things. One is that within the open source itself, although it does some very useful things in terms of being able to blend data sources, being able to find structure data and very useful data sources, it really lacks for a lot of the hardening and enterprise features around security, higher availability and repeatability that people need to deploy not just a 10- or 20-node cluster, but a 2, 000- and 20, 000-node cluster - there are multiple clusters. What has been monetized in the last two years has been mainly pro-services around setting up these eval clusters. So there is a not a repeatable software process to actually actively deploy this into the marketplace.
So what we built in our software is a couple of things. We're actually transparent into the distributions. At the end of the day, we don't care if it's CVH or HDP, it's all open source. If you look at the raw Apache components that built those distributions, there is really no reason why you have to lock yourself into any one distribution. And so, we work across distributions.
The other thing is that we fill in the gaps transparently in terms of some of the things that are missing within the code itself, the open source. So we talked about HA. HA is great in terms of making no failover, but what happens if any of the active processes that you're putting on these clusters fail? That could take it down or create a security hole, if you will. When we built software components into our solution, they all fall under an HA umbrella where we're actively monitoring all the processes running on the cluster. If code roles goes down, you take the cluster down, so basically, meaning no failover is great, unless you're actively monitoring all the processes running on the cluster, you don't have true HA. And so that's essential of what we developed here at Zettaset. And in a way that we've actually got a patent that has been issued on this and granted last November around this HA approach which is just quite novel and different from the open-source version and is much more hardened for the enterprise.
The second piece is being able to do real RBAC. People are talking about RBAC. They talk about other open-source projects. Why should you have to recreate all those entries and all those users and roles when they already exist in LDAP or in active directory? So we link those transparently and we fold all our processes not only under this RBAC umbrella, but also under the HA umbrella. They start to layer into this infrastructure encryption, encryption at data rest, state of motion, all the hardened security pieces that you really need to secure the information.
What is really driving this is our industries, which I have on the next slide, which profit finance and healthcare and have our compliances. You have to be able to protect this sets of data and you have to be able to do it on a very dynamic fashion because this data can be sitting anywhere across these parallel nodes and clusters and it can be duplicated and so forth, so essentially that's the big umbrella that we built. The last piece that people need is they need to be able to put the pieces together. So having the analytics that John talked to and being able to get value out of data and do that through an open interface tapped into this infrastructure, that's what we built in our software.
So the three cases that I had in here, and you guys are popping me along here were really around finance, healthcare and also cloud, where you're having to deal with multi-tenant environments and essentially have to separate people's sensitive data, so security and performance are key to this type of application whether its cloud or in a sensitive data environment.
The last slide here really talks to this infrastructure that we put together as a company is not just specific to Hadoop. It's something that we can equally apply to other NoSQL technologies and that's where we're taking our company forward. And then we're also going to pull in other open-source components, HBase and so forth, and secure those within that infrastructure in a way that you're not tied to any one distribution. It's like you truly have an open, secure and robust infrastructure for the enterprise. So that's what we're about and that's what we're doing to basically accelerate adoption of Hadoop so people get away from sending twenty-node clusters and actually have the confidence to employ a much larger environment that is more eyes on Hadoop and speeds the market along. Дякую.
Eric Kavanagh: That's fantastic, great. Stick around for the Q&A. Finally, last but not the least, we've got Phu Hoang, CEO of DataTorrent. Let me go ahead and hand the keys to you. The keys are now yours. Click anywhere on that slide, use the down arrow on your keyboard to move them along.
Phu Hoang: Thank you so much.
So yes, I'm here to talk about DataTorrent and I actually think the story of DataTorrent is a great example of what Robin and Ray have been talking about through this session where they say that Hadoop is a great body of work, a great foundation. But it has a lot of goals. But the future is bright because the Hadoop ecosystem where more players are coming in are able to build and add value on top of that foundation to really bring it from storage to insights to action, and really that's the story of DataTorrent.
What I'm going to talk about today is really about real-time big data screening processing. What you see, as I'm interacting with customers, I've never met a single customer that says to me, "Hey, my goal is to take action hours or days after my business events arrive." In fact, they all say they want to take action immediately after the events occur. The problem with the delay is that, that is what Hadoop is today with its MapReduce paradigm. To understand why, it's worth revisiting the history of Hadoop.
I was leading much of Yahoo engineering when we hired Doug Cutting, the creator of Hadoop, and assigned over a hundred engineers to build out Hadoop to power our web search, advertising and data science processing. But Hadoop was built really as a back system to read and write and process these very large files. So while it's great disruptive technology because of its massive scalability and high ability at no cost, it has a hole in that there is a lot of latency to process these large files. Now, it is fair to say that Hadoop is now becoming the plateau operating system that is truly computing and is gaining wide adoption across many enterprises. They are still using that same process of collecting events into large files, running these batch Hadoop jobs to get there inside the next day. What enterprise customers now want is that they want those exact same insights but they want to build to get these insights much earlier, and this will enable them to really act on these events as the event happens, not after maybe hours later after it has been back processed.
Eric Kavanagh: Do you want to be moving your slides forward, just out of curiosity?
Phu Hoang: Yeah it's coming now. Let me illustrate that one example. In this example, using Hadoop in back-slope where you're constantly engaging with files, first an organization might accumulate all the events for the full day, 24 hours' worth of data. And then they batch process it, which may take another eight hours using MapReduce, and so now there is 32 hours of elapsed time before they get any insight. But with real-time stream processing, the events are coming in and are getting processed immediately, there is no accumulation time. Because we do all this processing, all in memory, the in-memory processing is also sub-second. All the time, you are reducing the elapsed time on 30 hours plus to something that is very small. If you're reducing 30 hours to 10 hours, that's valuable but if we can reduce it to a second, something profound happens. You can now act on your event while the event is still happening, and this gives enterprises the ability to understand what their products are doing, what their business is doing, what their users are doing in real time and react to it.
Let's take a look at how this happens. Really, a combination of market forces and technology has enabled a solution like DataTorrent to come together, so from a market perspective, Hadoop is really becoming the de facto big data architecture as we said, right? In an IDC study in 2013, they say that by the end of this year, two-thirds of enterprises would have deployed Hadoop and for DataTorrent, whether that's Apache Hadoop or any of our certified partners like Cloudera or Hortonworks, Hadoop is really clearly the choice for enterprise. From a technology perspective, and I think Robin and Ray alluded to this, Hadoop 2.0 was created to really enable Hadoop to extend to much more general cases than the batch MapReduce paradigm, and my co-founder, Amal, who was at Yahoo leading the development of Hadoop 2.0 really allows this layer of OS to have many more computation paradigms on top of it and real-time streaming is what we chose. By putting this layer of real-time streaming on top of YARN, you can really think of DataTorrent as the real-time equivalent of MapReduce. Whatever you can do in batch with MapReduce, you can now do in streaming with DataTorrent and we can process massive amount of data. We can slice and dice data in multiple dimensions. We have distributed computing and use YARN to give us resources. We have the full ecosystem of the open source Hadoop to enable fast application development.
Let me talk a little bit about the active capabilities of DataTorrent. In five minutes, it is hard for me to kind of give to you much in detail, but let me just discuss and re-differentiate it. First of all, sub-second scalable ingestions, right? This refers to DataTorrent's platform to be able to take that in real-time from hundreds of data sources and begin to process them immediately. This is in direct contact to the back processing of MapReduce that is in Hadoop 1.0 and events can vary in size. They may be as simple as a line in the log file or they may be much more complex like CDR, call data record in the telcom industry. DataTorrent is able to scale the ingestion dynamically up or down depending on the incoming load, and we can deal with tens of millions of incoming events per second. The other major thing here, of course, is the processing itself which is in real-time ETL logic. So once the data is in motion, it is going to go into the ETL logic where you are doing a stack transform and load, and so on. And the logic is really executed by combining a series of what we call operators connected together in a data flow grab. We have open source of over 400 operators today to allow you to build applications very quickly. And they cover everything from input connectors to all kinds of message process to database drivers and connectors where you are to load to all kinds of information to unstream.
The combination of doing all these in memory and building the scale across hundreds of nodes really drive the superior performance. DataTorrent is able to process billions of events per second with sub-second latency.
The last piece that I'd like to highlight is the high-availability architecture. DataTorrent's platform is fully post knowledge; that means that the platform automatically buffers the event and regularly checkpoints the state of the operators on the disk to ensure that there is possibly no problem. The applications can tell you in seconds with no data log and no human intervention. Simply put, data form processes billions of events and allots in data in seconds, it runs 24/7 and it never, ever goes down. The capabilities really set DataTorrent apart from the market and really make it the leading mission-critical, real-time analytics platform for enterprise. With that, we invite you to come visit our website and check us out.
Спасибі.
Eric Kavanagh: Yeah, thank you so much. I'll throw a question over to you, really a comment, and let you kind of expound upon it. I really think you're on the ball here with this concept of turning over these operators and letting people use these operators almost like Legos to build big data applications. Can you kind of talk about what goes into the process of taking these operators and stitching them together, how do you actually do that?
Phu Hoang: That's a great question. So first of all, these operators are in your standard application Java Logic. We supply 400 of them. They do all kinds of processing and so to build your application, you really are just connecting operators together into a data flow graph. In our customers, we find that they use a number of operators that we have in our library as well as they take their own job of custom logic and make it an operator so that they can substantiate that into a graph.
Eric Kavanagh: OK, good. I think it's a good segue to bring in John Santaferraro from Actian because you guys have a slightly similar approach, it seems to me, in opening up a sort of management layer to be able to play around with different operators. Can you talk about what you do with respect to what tools we're just talking about, John?
John Santaferraro: Yeah, exactly. We have a library of analytics operators as well as transformational operators, operators for blending and enriching data and it is very similar. You use a drag-and-drop interface to be able to stitch together these data flows or work flows, and even analytic workflows. So it's everything from being able to connect to data, to be able to blend and enrich data, to be able to run data science or machine learning algorithms and then even being able to push that into a high-performance low-latency analytic engine. What we find is that it's all built on the open-source nine project. So we capture a lot of the operators that they are developing and then we take all of that, and via YARN, very similar to what Phu described at DataTorrent, we push that down so that it is parallelized against all of the nodes in a Hadoop cluster. A lot of it is about making the data in Hadoop much more accessible to business users and less-skilled workers, somebody besides a data scientist.
Eric Kavanagh: OK, let me go bring in Nikita once again. I'm going to throw your five up as well. Can you kind of talk about how you approach this solution vis-à-vis what these two gentlemen just talked about? How does someone actually put this stuff together and make use from GridGain?
Nikita Ivanov: Well, I think the biggest difference between us and from practically the rest of them is we don't require you to do any recording - you don't have to do anything, it's a plug-and-play. If you have an application today, it's going to work faster. You don't have to change code; you don't have to do anything; you just have to install GridGain along the side of Hadoop cluster and that's it. So that's the biggest difference and we talked to our customers. There are different myriad of solutions today that ask you to change something: programming, doing your API, using your interfaces and whatnot. Ours is very simple. You don't need to invest a lot of time into the Hadoop ecosystem, and whatever you used to do, the MapReduce or any of the tools continue to use. With GridGain, you don't have to change any single line of code, it's just going to work faster. That's the biggest difference and that's the biggest message for us.
Eric Kavanagh: Let's get Jim back in here too. Jim, your quote is killing me. I had to write it down in between that. I'll put it into some kind of deck, but the Hadoop ecosystem right now is like a pool party and the parents just came home. That is funny stuff man; that is brilliant. Can you kind of talk about how you guys come onto the scene? How do you actually implement this? How long does that take? How does all that work?
Jim Kaskade: Yes. So there are a couple of varieties depending on the target customer, but typically these days, you see evaluations where security is factored in, in some of these hardening requirements that I talked about. What has happened in some other cases, and especially last year where people had big plans to deploy, is that there was kind of a science project, if you will, or somebody was playing with the technology and had a cluster up and working and was working with it but then the security guy shows up, and if it is going to go on a live data center, it has to basically comply with the same requirements that we have for other equipment running in the data center, if it is going to be an infrastructure that we build out. Last year, we had even some banks that told us they were going to deploy 400 to 1, 000 nodes last year and they're still sitting on a 20-node cluster mainly because now a security person has been plugged in. They've got to be worried about financial compliance, about sets of information that is sitting on a cluster, and so forth. It varies by customer, but typically this is kind of what elongates the cycles and this is typical of a new technology where if you really want to deploy this in production environment, it really has to have some of these other pieces including the very valuable open-source pieces, right?
Eric Kavanagh: OK, good. Подивимось. I'm going to bring Phu back into the equation here. We've got a good question for you. One of the attendees is asking how is DataTorrent different from Storm or Kafka or the Redis infrastructure. Phu, are you out there? Hey, Phu, can you hear me? Maybe I'm mute.
Let's bring Ray Wang back into this. Ray, you've seen a lot of these technologies and looked at how they worked. I really love this concept of turning over control or giving control to end users of the operators. I like to think of them as like really powerful Legos that they can use to kind of build some of these applications. Can you comment on that? What do you think about all that?
Ray Wang: Coming from my technical background, I'd say I'm scared - I was scared shitless! But honestly, I think it's important, I mean, in order to get scale. There's no way you can only put so many requests. Think about the old way we did data warehousing. In the business I had to file the request for a report so that they could match all the schemes. I mean, it's ridiculous. So we do have to get to a way for the business side of the house and definitely become data jocks. We actually think that in this world, we're going to see more digital artists and people that have the right skills, but also understand how to take that data and translate that into business value. And so these digital artisans, data artisans depending on how you look at this, are going to need both really by first having the curiosity and the right set of questions, but also the knowledge to know when the data set stinks. If I'm getting a false positive or a false negative, why is that happening?
I think a basic level of stats, a basic level of analytics, understanding that there's going to be some training required. But I don't think it's going to be too hard. I think if you get the right folks that should be able to happen. You can't democratize the whole decision-making process. I see that happening. We see that in a lot of companies. Some are financial services clients are doing that. Some of our retail folks are doing that, especially in the razor-thin margins that you are seeing in retail. I was definitely seeing that in high tech just around here in the valley. That's just kind of how people are. It's emerging that way but it's going to take some time because these basic data skills are still lacking. And I think we need to combine that with some of the stuff that some of these guys are doing here on this webinar.
Eric Kavanagh: Well, you bring up a really good point. Like how many controls you want to give to the average end user. You don't want to give an airplane cockpit to someone who's driving a car for the first time. You want to be able to closely control what they have control over. I guess my excitement kind of stems around being able to do things yourself, but the key is you got to put the right person in that cockpit. You got to have someone who really knows what they're doing. No matter what you hear from the vendor community folks, when somebody's more powerful tools are extremely complex, I mean if you are talking about putting together a string of 13, 14, 15 operators to do a particular type of transformation on your data, there are not many people who could do that well. I think we're going to have many, many more people who do that well because the tools are out there now and you can play with the stuff, and there is going to be a drive to be able to perfect that process or at least get good at it.
We did actually lose Phu, but he's back on the line now. So, Phu, the question for you is how is DataTorrent different from, like, Storm or Kafka or Redis or some of these others?
Phu Hoang: I think that's a great question. So, Redis of course is really an in-memory data store and we connect to Redis. We see ourselves as really a processing engine of data, of streaming data. Kafka again is a great bus messaging bus we use. It's actually one of our favorite messaging bus, but someone has to do the big data processing across hundreds of nodes that is fault tolerant, that is scalable, and I repeat that as the job that we play. So, yes, we are similar to Storm, but I think that Storm is really developed a long time ago even before Hadoop, and it doesn't have the enterprise-level thinking about scalability to the hundreds and millions, now even billions of events, nor does it really have the HA capability that I think enterprise requires.
Eric Kavanagh: Great. And you know, speaking of HA, I'll use that as an excuse to bring Robin Bloor back into the conversation. We just talked about this yesterday. What do you mean by high availability? What do you mean by fault tolerance? What do you mean by real time, for example? These are terms that can be bent. We see this all time in the world of enterprise technology. It's a good term that other people kind of glom onto and use and co-opt and move around and then suddenly things don't mean quite what they used to. You know, Robin, one of my pet peeves is this whole universe of VOIP. It's like "Why would we go down in quality? Isn't it important to understand what people say to you and why that matters?" But I'll just ask you to kind of comment on what you think. I'm still laughing about Ray's comment that he's scared shitless about giving these people. What do you think about that?
Ray Wang: Oh, I think it's a Spider-man problem, isn't it? З великою силою настає велика відповідальність. You really, in terms of the capabilities out there, I mean it changed me actually a long time ago. You know, I would give my ITs some of the capabilities that they have gotten now. We used to do it extraordinary amounts of what I would say was grunt work that the machines do right now and do it in parallel. They do things that we could never have imagined. I mean we would have understood mathematically, but we could never imagine doing. But there is some people understand data and Ray is completely right about this. The reason to be scared is that people will actually start getting wrong conclusions, that they will wrangle with the data and they will apply something extremely powerful and it will appear to suggest something and they will believe it without actually even being able to do anything as simple as have somebody doing audit on whether their result is actually a valid result. We used to do this all the time in the insurance company I used to work for. If anybody did any work, somebody always checks. Everything was checked by at least one person against the person who did it. These environments, the software is extremely strong but you got to have the discipline around it to use it properly. Otherwise, there'll be tears before bedtime, won't there?
Eric Kavanagh: I love that quote, that's awesome. Let me see. I'm going to go ahead and throw just for this slide up here from GridGain, can you talk about, Nikita, when you come in to play, how do you actually get these application super charged? I mean, I understand what you are doing, but what does the process look like to actually get you embedded, to get you woven in and to get all that stuff running?
Nikita Ivanov: Well, the process is relatively simple. You essentially just need to install GridGain and make a small configuration change, just to let Hadoop know that there is now the HDFS if you want to use HDFS and you have to set up which way you want to use it. You can get it from BigTop, by the way. It's probably the easiest way to install it if you're using the Hadoop. That's about it. With the new versions coming up, a little in about few weeks from now, by the end of May, we're going to have even more simplified process for this. So the whole point of the in-memory Hadoop accelerator is to, do not code. Do not make any changes to your code. The only that you need to do is install it and have enough RAM in the cluster and off you go, so the process is very simple.
Eric Kavanagh: Let me bring John Santaferraro back in. We'll take a couple more questions here. You know, John, you guys, we've been watching you from various perspectives of course. You were over at PEAR Excel; that got folded into Actian. Of course, Actian used to be called Ingres and you guys made a couple of other acquisitions. How are you stitching all of that stuff together? I realize you might not want to get too technical with this, but you guys have a lot of stuff now. You've got Data Rush. I'm not sure if it's still the same name, but you got a whole bunch of different products that have been kind of woven together to create this platform. Talk about what's going on there and how that's coming along.
John Santaferraro: The good news is, Eric, that separately in the companies that we're acquired Pervasive, PEAR Excel and even when Actian had developed, everybody developed their product with very similar architectures. Number one, they were open with regards to data and interacting with other platforms. Number two, everything was parallelized to run in a distributed environment. Number three, everything was highly optimized. What that allowed us to do is to very quickly make integration points, so that you can be creating these data flows already today. We have established the integration, so you create the data flows. You do your data blending and enriching right on Hadoop, everything parallelized, everything optimized. When you want, you move that over into our high-performance engines. Then, there's already a high-performance connection between Hadoop and our massively parallel analytic engine that does these super-low-latency things like helping a bank recalculate and recast their entire risk portfolio every two minutes and feeding that into our real-time trading system or feeding it into some kind of a desktop for the wealth manager so they can respond to the most valuable customers for the bank.
We have already put those pieces together. There's additional integration to be done. But today, we have the Actian Analytics Platform as our offering because a lot of that integration was ready to go. It has already been accomplished, so we're stitching those pieces together to drive this entire analytic value chain from connecting the data, all of the processing that you do of it, any kind of analytics you want to run, and then using it to feed into these automated business processes so that you're actually improving that activity over time. It's all about this end-to-end platform that already exists today.
Eric Kavanagh: That's pretty good stuff. And I guess, Jim, I'll bring you back in for another couple of comments, and Robin, I want to bring you in for just one big question, I suppose. Folks, we will keep all these questions - we do pass them on to the people who participated in the event today. If you ever feel a question you asked was not answered, feel free to email yours truly. You should have some information on me and how to get ahold from me. Also, just now I put a link to the full deck with slides from non-sponsoring vendors. So we put the word out to all the vendors out there in the whole Hadoop space. We said, "Tell us what your story is; tell us what's going on." It's a huge file. It's about 40-plus megabytes.
But Jim, let me bring you back in and just kind of talk about - again, I love this concept - where you're talking about the pool party that comes to an end. Could you talk about how it is that you manage to stay on top on what's happening in the open-source community? Because it's a very fast-moving environment. But I think you guys have a pretty clever strategy of serving this sort of enterprise-hardening vendor that sits on top or kind of around that. Can you talk about your development cycles and how you stay on top of what's happening?
Jim Vogt: Sure. It is pretty fast moving in terms of if you look at just a snapshot updates, but what we're shipping in functionality today is about a year to a year and a half ahead of what we can get on security capabilities out to the community today. It's not that they're not going to get there; it just takes time. It's a different process, it has contributors and so forth, and it just takes time. When we go to a customer, we need to be very well versed in the open source and very well versed in mainly the security things that we're bringing. The reason that we're actually issuing patents and submitting patents is that there is some real value in IP, intellectual property, around hardening these open-source components. When we support a customer, we have to support all the varying open-source components and all the varying distributions as we do, and we also need to have the expertise around the specific features that we're adding to that open source to create the solution that we create. As a company, although we don't want the customer to be a Hadoop expert, we don't think you need to be a mechanic to drive the car. We need to be a mechanic that understands the car and how it works and understand what's happening between our code and the open source code.
Eric Kavanagh: That's great. Phu, I'll give you one last question. Then Robin, I have one question for you and then we'll wrap up, folks. We will archive this webcast. As I suggested, we'll be up on insideanalysis.com. We'll also go ahead and have some stuff up on Techopedia. A big thank you to those folks for partnering with us to create this cool new series.
But Phu … I remember watching the demo of the stuff and I was just frankly stunned at what you guys have done. Can you explain how it is that you can achieve that level of no failover?
Phu Hoang: Sure, I think it's a great question. Really, the problem for us had three components. Number one is, you can't lose the events that are moving from operator to operator in the Hadoop cluster. So we have to have event buffering. But even more importantly, inside your operators, you may have states that you're calculating. Let's say you're actually counting money. There's a subtotal in there, so if that node goes down and it's in memory, that number is gone, and you can't start from some point. Where would you start from?
So today, you have to actually do a regular checkpoint of your operator state down to this. You put that interval so it does not become a big overhead, but when a node goes down, it can come back up and be able to go back to exactly the right state where you last checkpointed and be able to bring in the events starting from that state. That allows you to therefore continue as if the event actually has never happened. Of course, the last one is to make sure that your application manager is also fault tolerant so that doesn't go down. So all three factors need to be in place for you to say that you're fully fault tolerant.
Eric Kavanagh: Yeah, that's great. Let me go ahead and throw one last question over to Robin Bloor. So one of the attendees is asking, does anyone think that Hortonworks or another will get soaked up/invested in by a major player like Intel? I don't think there's any doubt about that. I'm not surprised, but I'm fascinated, I guess, that Intel jumped in before like an IBM or an Oracle, but I guess maybe the guys at IBM and Oracle think they've already got it covered by just co-opting what comes out of the open-source movement. What do you think about that?
Robin Bloor: It's a very curious move. We should see in light of the fact that Intel already had its own Hadoop distribution and what it has effectively done is just passed that over to Cloudera. There aren't many powers in the industry as large as Intel and it is difficult to know what your business model actually is if you have a Hadoop distribution, because it is difficult to know exactly what it is going to be used for in the future. In other words, we don't know where the revenue streams are necessarily coming from.
With somebody like Intel, they just want a lot of processes to be solved. It is going to support their main business plan the more that Hadoop is used. It's kind of easy to have a simplistic explanation of what Intel are up to. It's not so easy to guess what they might choose to do in terms of putting code on chips. I'm not 100% certain whether they're going to do that. I mean, it's a very difficult thing to call that. Their next move at the hardware level, I think, is the system on a chip. When we go to the system on a chip, you may actually want to put some basic software on the chip, so to speak. So putting HDFS on there; that might make some sense. But I don't think that that was what that money investment was about. I think all that money investment was about was just making sure that Intel had a hand in the game and is actually going forward.
In terms of who else is going to buy, that is also difficult to say. I mean, certainly the SAPs and Oracles of this world have got enough money to buy into this or IBM has got enough money to buy into it. But, you know, this is all open source. IBM never bought a Linux distribution, even though they plowed a lot of money into Linux. It didn't break their hearts that they didn't actually have a Linux distribution. They're very happy to cooperate with Red Hat. I would say maybe Red Hat will buy one of these distributions, because they know how to make that business model work, but it's difficult to say.
Eric Kavanagh: Yeah, great point. So folks, I'm going to go ahead and just share my desktop one last time here and just show you a couple of things. So after the event, check out Techopedia - you can see that on the left-hand side. Here's a story that yours truly wrote, I guess a couple of months ago or a month and a half ago, I suppose. It really kind of spun out of a lot of the experience that we had talking with various vendors and trying to dig in to understanding what exactly is going on with the space because sometimes it can be kind of difficult to navigate the buzz words and the hype and the terminology and so forth.
Also a very big thank you to all of those who have been Tweeting. We had one heck of a Tweet stream here going today. So, thank you, all of you. You see that it just goes on and on and on. A lot of great Tweets on TechWise today.
This is the first of our new series, folks. Thank you so much for tuning in. We will let you know what's going on for the next series sometime soon. I think we're going to focus on analytics probably in June sometime. And folks, with that, I think we're going to go ahead and close up our event. We will email you tomorrow with a link to the slides from today and we're also going to email you the link to that full deck, which is a huge deck. We've got about twenty different vendors with their Hadoop story. We're really trying to give you a sort of compendium of content around a particular topic. So for bedtime reading or whenever you're interested, you can kind of dive in and try to get that strategic view of what's going on here in the industry.
З цим ми збираємось попрощатися, люди. Thank you again so much. Go to insideanalysis.com and Techopedia to find more information about all this in the future and we'll catch up to you next time. Бувай.
