Poznámka editora: Jedná se o přepis živého webového vysílání. Webové vysílání si můžete prohlédnout zde.
Eric Kavanagh: Dámy a pánové, je čas na moudrost! Je čas na zcela novou show TechWise! Jmenuji se Eric Kavanagh. Budu vaším moderátorem naší úvodní epizody TechWise. Přesně tak. Toto je partnerství Techopedia a Bloor Group, samozřejmě, slávy Inside Analysis.
Jmenuji se Eric Kavanagh. Lidi, moderuji tuto opravdu zajímavou a zapojenou událost. Budeme kopat hluboko do vazby, abychom pochopili, co se děje s touto velkou věcí zvanou Hadoop. Co je slon v místnosti? Říká se tomu Hadoop. Pokusíme se zjistit, co to znamená a co se s tím děje.
Především děkujeme našim sponzorům, GridGain, Actian, Zettaset a DataTorrent. Na konci této akce dostaneme od každého z nich několik krátkých slov. Budeme mít také otázky a odpovědi, takže se nemusíte stydět - pošlete své dotazy kdykoli.
Budeme kopat do detailů a házet těžké otázky na naše odborníky. A pokud jde o odborníky, hej, jsou tam. Takže, budeme slyšet od našeho vlastního Dr. Robina Bloora, a lidi, jsem velmi nadšený, že mám legendárního Raye Wanga, hlavního analytika a zakladatele Constellation Research. Dnes je online, aby nám dal své myšlenky a je jako Robin, že je neuvěřitelně rozmanitý a opravdu se zaměřuje na mnoho různých oblastí a má schopnost je syntetizovat a skutečně porozumět tomu, co se tam děje v celé této oblasti informačních technologií a správa dat.
Takže je tu malý roztomilý slon. Jak vidíte, je na začátku silnice. Je to teprve začátek, je to jen začátek, celá ta věc Hadoop. Předpokládám, že v roce 2006 nebo 2007 to bylo, když byl vydán komunitě open source, ale stále se děje mnoho věcí, lidi. Došlo k obrovskému vývoji. Ve skutečnosti chci vyprávět příběh, takže se chystám rychle sdílet plochu, alespoň si myslím, že jsem. Udělejme rychlé sdílení plochy.
Ukazuji ti tohle prostě šílené, šílené příběhy. Společnost Intel proto investovala 740 milionů dolarů na nákup 18 procent Cloudery. Pomyslel jsem si a říkám: "Svaté Vánoce!" Začal jsem dělat matematiku a je to jako: „Je to ocenění 4, 1 miliardy dolarů.“ Podívejme se na to na vteřinu. Myslím, že pokud WhatsApp má hodnotu 2 miliardy dolarů, předpokládám, že by Cloudera mohla mít také hodnotu 4, 1 miliardy dolarů, že? Chci říct, proč ne? Některá z těchto čísel jsou dnes právě z okna, lidi. Mám na mysli, typicky, pokud jde o investice, máte EBITDA a všechny tyto různé různé mechanismy, násobky výnosů atd. No, bude to sakra jednoho z více příjmů, když se pro Clouderu, což je úžasná společnost, dostane 4, 1 miliardy dolarů. Nechápejte mě špatně - tam jsou někteří velmi, velmi inteligentní lidé, včetně toho, kdo začal celou hadoopskou šílenství, Doug Cuttinga, je tam - mnoho velmi inteligentních lidí, kteří dělají hodně opravdu, opravdu skvělé věci, ale výsledkem je, že 4, 1 miliardy dolarů, to je spousta peněz.
Takže tady je druh zajatého zjevného okamžiku, kdy jsem si teď prošel hlavou, což je čip, Intel. Jejich návrháři čipů přicházejí vidět nějaký čip optimalizovaný pro Hadoop - musím si to myslet, lidi. To je jen můj odhad. To je jen zvěst, přichází ode mě, pokud chcete, ale je to trochu smysl. A co to všechno znamená?
Tady je moje teorie. Co se děje? Mnoho z těchto věcí není nic nového. Masivní paralelní zpracování není úplně nové. Paralelní zpracování jistě není nové. Chvíli jsem ve světě superpočítačů. Mnoho z těchto věcí, které se dějí, nejsou nové, ale existuje určitý druh obecného vědomí, že existuje nový způsob, jak zaútočit na některé z těchto problémů. To, co vidím, se děje, když se podíváte na některé z velkých prodejců Cloudera nebo Hortonworks a na některé z těchto dalších lidí, co dělají opravdu, když to vaříte na nejpodrobnější destilovanou úroveň, je vývoj aplikací. To dělají.
Navrhují nové aplikace - některé zahrnují obchodní analýzu; některé z nich se týkají pouze přeplňovacích systémů. Jeden z našich prodejců, kteří o tom mluvili, dělají takové věci celý den, dnes v show. Ale pokud je to strašně nové, opět je odpověď „ne ve skutečnosti“, ale děje se tu velké věci, a osobně si myslím, že to, co se děje s Intelem, že tato obrovská investice je tržním tahem. Dívají se dnes na svět a vidí, že je to dnes druh monopolu. Je tu Facebook a zmlátili jen ten hnus z chudého MySpace. LinkedIn porazil uzel z chudých Kdo je kdo. Takže se rozhlížíte a je to jedna služba, která dnes dominuje ve všech těchto různých prostorech v našem světě, a myslím, že myšlenkou je, že Intel hodí všechny své žetony na Clouderu a snaží se ji povýšit na vrchol zásobníku - to je jen moje teorie.
Takže lidi, jak jsem řekl, budeme mít dlouhou Q&A relaci, takže se nemusíte stydět. Pošlete své dotazy kdykoli. Můžete tak učinit pomocí této součásti odpovědí na otázky a odpovědi ve vaší webové vysílání. A s tím se chci dostat k našemu obsahu, protože musíme projít spoustou věcí.
Robin Bloore, dovolte mi, abych vám předal klíče a podlaha je na vás.
Robin Bloor: Dobře, Ericu, díky za to. Přiveďme tančící slony. Ve skutečnosti je zvláštní, že sloni jsou jediní suchozemští savci, kteří ve skutečnosti nemohou skákat. Všichni tito sloni v této konkrétní grafice mají na zemi alespoň jednu nohu, takže předpokládám, že je to proveditelné, ale do jisté míry to jsou zjevně hadoopští sloni, tak velmi, velmi schopní.
Otázka, o které si myslím, že musí být projednána a musí být projednána upřímně. Musí to být projednáno dříve, než jdete kamkoli jinam, což je opravdu začít mluvit o tom, co vlastně Hadoop je.
Jedna z věcí, která je absolutně ze základu člověk-hra, je úložiště klíč-hodnota. Měli jsme obchody s klíčem a hodnotou. Měli jsme je na mainframe IBM. Měli jsme je na minipočítačích; DEC VAX měl soubory IMS. Existovaly možnosti ISAM, které byly téměř na každém minipočítači, na kterém můžete mít ruce. Ale někdy kolem konce 80. let přišel Unix a Unix na něm vlastně neměl žádný klíč-hodnota. Když to Unix vyvinul, vyvinuli se velmi rychle. Opravdu se stalo, že se tam prodali dodavatelé databází, zejména Oracle, a prodali vaše databáze, aby se postarali o veškerá data, která chcete spravovat na Unixu. Windows a Linux se ukázaly být stejné. Odvětví tedy šlo o nejlepší část 20 let bez univerzálního úložiště klíč-hodnota. Teď je to zpátky. Nejen, že je to zpět, je to škálovatelné.
Teď si myslím, že to opravdu je základ toho, co Hadoop skutečně je, a do jisté míry určuje, kam to půjde. Co se nám na obchodech s klíčovou hodnotou líbí? Ti z vás, kteří jsou stejně starí jako já a vlastně si pamatuji práci s obchody s klíčovými hodnotami, si uvědomují, že byste je mohli použít k neformálnímu vytvoření databáze, ale pouze neformálně. Víte, že metadata rychle ukládají hodnoty do programového kódu, ale ve skutečnosti byste si mohli vytvořit externí soubor a mohli byste, pokud byste chtěli začít zpracovávat úložiště klíč-hodnota trochu jako databáze. Ale samozřejmě to nemělo vše, co má databáze k dispozici, a nemělo strašně mnoho věcí, které databáze nyní mají, ale byla to opravdu užitečná funkce pro vývojáře a to je jeden z důvodů, proč si myslím že se Hadoop osvědčil tak populární - jednoduše proto, že to byli kodéři, programátoři, vývojáři, k nimž se rychle dostanou. Uvědomili si, že nejde jen o klíčovou hodnotu úložiště, ale i o měřítko-hodnota úložiště klíč-hodnota. Měří se téměř neurčitě. Tyto stupnice jsem poslal na tisíce serverů, takže to je opravdu velká věc na Hadoopu, to je to, co to je.
Má také MapReduce, což je algoritmus paralelizace, ale ve skutečnosti to podle mého názoru není důležité. Takže, Hadoop je chameleon. Není to jen souborový systém. Viděl jsem různá tvrzení o Hadoop: je to tajná databáze; není to žádná tajná databáze; je to obyčejný obchod; je to analytická sada nástrojů; je to prostředí ELT; je to nástroj pro čištění dat; je to datový sklad datových platforem; je to archivní obchod; je to lék na rakovinu, a tak dále. Většina z těchto věcí pro vanilku Hadoopovou opravdu neplatí. Hadoop je pravděpodobně prototyp - je to určitě prototypovací prostředí pro SQL databázi, ale ve skutečnosti to není, pokud dáte věkový prostor s věkovým katalogem přes Hadoop, máte něco, co vypadá jako databáze, ale ve skutečnosti to není co by někdo nazval databází z hlediska schopností. Mnoho z těchto schopností, můžete je určitě dostat na Hadoop. Určitě je jich mnoho. Ve skutečnosti můžete získat nějaký zdroj Hadoopu, ale samotný Hadoop není tím, co bych nazval operačně zatvrzelým, a proto dohoda o Hadoopu, ve skutečnosti bych na nic jiného nebyla, je, že musíte mít třetí -party produkty, které ji vylepšují.
Když už mluvíme o vás, můžete jen házet v několika řádcích, když mluvím o Hadoop. Za prvé, schopnost dotazování v reálném čase, dobře víte, že v reálném čase je druh obchodního času, opravdu, téměř vždy výkonně kritický jinak. Chci říct, proč byste měl inženýra v reálném čase? Hadoop to opravdu nedělá. Dělá něco, co je téměř v reálném čase, ale ve skutečnosti to nedělá. Provádí streamování, ale neprovádí streamování tak, jak bych nazval opravdu aplikační platformy pro streaming aplikací, které mohou dělat. Existuje rozdíl mezi databází a obchodem, který lze oddělit. Synchronizací s přes Hadoop získáte přehledné úložiště dat. Je to něco jako databáze, ale není to totéž jako databáze. Hadoop ve své nativní podobě, podle mého názoru, není ve skutečnosti vůbec kvalifikován jako databáze, protože je to dost málo věcí, které by databáze měla mít. Hadoop to dělá hodně, ale nedělá to zvlášť dobře. Opět platí, že schopnost je tam, ale my jsme způsoby, jak od skutečně mít rychlou schopnost ve všech těchto oblastech.
Další věc, kterou je třeba pochopit o Hadoopu, je to, že od jeho vývoje je to docela daleko. Byl vyvinut v raných dobách; to bylo vyvinuto, když jsme měli servery, které ve skutečnosti měly pouze jeden procesor na server. Nikdy jsme neměli vícejádrové procesory a bylo postaveno tak, aby běhaly přes mřížky, startovací mřížky a věže. Jedním z cílů designu Hadoopu bylo nikdy ztratit práci. A to vlastně bylo o selhání disku, protože pokud máte stovky serverů, pak je pravděpodobné, že pokud máte na serverech disky, je pravděpodobné, že získáte dostupnost uptime, například 99, 8. To znamená, že v průměru dostanete selhání jednoho z těchto serverů jednou za 300 nebo 350 dní, jeden den v roce. Takže pokud byste jich měli stovky, je pravděpodobné, že v jakýkoli den v roce dojde k selhání serveru.
Hadoop byl vytvořen speciálně pro řešení tohoto problému - takže v případě, že by něco selhalo, pořizuje snímky všeho, co se děje, na každém konkrétním serveru a může obnovit spuštěnou dávkovou úlohu. A to bylo všechno, co ve skutečnosti na Hadoopu kdy bylo, byly dávkové práce, a to je opravdu užitečná schopnost, je třeba říci. Některé z dávkových úloh, které byly spuštěny - zejména v Yahoo, kde se domnívám, že se Hadoop narodil - by běžely dva nebo tři dny, a pokud by selhaly po jednom dni, opravdu byste nechtěli ztratit práci to se stalo. Takže to byl designový bod za dostupností na Hadoopu. Tuto vysokou dostupnost byste nenazvali, ale mohli byste ji nazvat vysokou dostupností pro sériové dávkové úlohy. To je pravděpodobně způsob, jak se na to podívat. Vysoká dostupnost je vždy konfigurována podle charakteristik pracovních linek. V současné době lze Hadoop konfigurovat pouze pro opravdu sériové dávkové úlohy, pokud jde o tento druh obnovy. Vysoká dostupnost podniku je pravděpodobně nejlepší myšlenkou, pokud jde o transakční LLP. Věřím, že pokud se na to nedíváte jako na věc v reálném čase, Hadoop to ještě neudělá. Je to pravděpodobně daleko od toho.
Ale tady je krásná věc o Hadoopovi. Tato grafika na pravé straně, která obsahuje seznam prodejců po celém okraji a všechny řádky na ní, ukazují spojení mezi těmito prodejci a dalšími produkty v ekosystému Hadoop. Když se na to podíváte, jedná se o neuvěřitelně působivý ekosystém. Je to docela pozoruhodné. O jejich schopnostech samozřejmě hovoříme s mnoha prodejci. Mezi prodejci, se kterými jsem hovořil, existují některé opravdu mimořádné možnosti použití Hadoopu a paměti, způsob použití Hadoopu jako komprimovaného archivu, použití Hadoopu jako prostředí ETL atd. Atd. Ale opravdu, pokud přidáte produkt do samotného Hadoopu, v určitém prostoru funguje velmi dobře. Takže když jsem kritický vůči nativnímu Hadoopu, nejsem vůči Hadoopovi kritický, když do něj přidáte nějakou moc. Podle mého názoru druh popularity Hadoop zaručuje jeho budoucnost. Myslím tím, že i když každý řádek kódu, který je doposud napsán na Hadoopu, zmizí, nemyslím si, že rozhraní HDFS API zmizí. Jinými slovy, myslím, že souborový systém, API, je tu, aby zůstal, a možná YARN, plánovač, který se na něj dívá.
Když se na to skutečně podíváte, je to velmi důležitá schopnost a asi za minutu to budu voskovat, ale další věc, která je, řekněme, vzrušující lidé o Hadoopu, je celý obrázek s otevřeným zdrojovým kódem. Takže stojí za to projít, co je obrázek s otevřeným zdrojovým kódem z hlediska toho, co považuji za skutečnou schopnost. Zatímco Hadoop a všechny jeho komponenty mohou určitě dělat to, čemu říkáme délka dat - nebo jak tomu říkám raději datový zásobník - určitě je to velmi dobrá pracovní plocha, která umožňuje ukládat data do organizace nebo shromažďovat data v organizaci - velmi dobrá pro karantény a údaje o rybaření. Je to velmi dobré jako platforma pro vývoj prototypů, kterou byste mohli implementovat na konci dne, ale jako vývojové prostředí víte, skoro všechno, co chcete, je tam. Jako archivní obchod má skoro všechno, co potřebujete, a samozřejmě to není drahé. Nemyslím si, že bychom se měli s Hadoopem rozvést některou z těchto dvou věcí, i když nejsou formálně, pokud se vám líbí, komponenty Hadoopu. Online klín přinesl do světa otevřených zdrojů obrovské množství analytiků a mnoho z nich je nyní spuštěno na Hadoopu, protože to vám poskytuje vhodné prostředí, ve kterém můžete skutečně vzít spoustu externích dat a začít hrát. v analytické karanténě.
A pak máte open-source funkce, které jsou strojovým učením. Oba jsou extrémně výkonní v tom smyslu, že implementují výkonné analytické algoritmy. Když dáte tyto věci dohromady, máte jádra nějaké velmi, velmi důležité schopnosti, což je tak či onak velmi pravděpodobné - ať už se vyvíjí samo o sobě, nebo zda prodejci přicházejí vyplnit chybějící kousky - je velmi pravděpodobné, že bude pokračovat dlouhou dobu a určitě si myslím, že strojové učení již má na svět velmi velký dopad.
Evoluce Hadoop, YARN všechno změnila. To, co se stalo, bylo, že MapReduce byl do velké míry přivařen k dřívějšímu systému souborů HDFS. Když byl představen YARN, vytvořil ve své první verzi plánovací schopnost. Neočekáváte extrémně sofistikované plánování od prvního vydání, ale znamenalo to, že už to nebylo nutně záplatové prostředí. Bylo to prostředí, ve kterém bylo možné naplánovat více úloh. Jakmile se to stalo, existovala celá řada prodejců, kteří se drželi dál od Hadoopu - právě přišli a připojili se k němu, protože pak se na to mohli podívat jako na plánovací prostředí v systému souborů a mohli adresovat věci to. Existují dokonce i dodavatelé databází, kteří implementovali své databáze na HDFS, protože prostě vezmou motor a jednoduše ho převedou na HDFS. Díky kaskádování a YARN se to stává velmi zajímavým prostředím, protože můžete vytvořit složité pracovní postupy přes HDFS a to opravdu znamená, že můžete začít myslet na to jako na platformu, která může současně spouštět více úloh a tlačí se směrem k bodu dělat kritické věci. Pokud to uděláte, pravděpodobně budete muset koupit nějaké komponenty třetích stran, jako je zabezpečení atd., Které Hadoop ve skutečnosti nemá účet auditu, který by vyplnil mezery, ale vy dostat se do bodu, kdy i s nativním open source můžete dělat zajímavé věci.
Pokud jde o to, kde si myslím, že Hadoop skutečně půjde, osobně se domnívám, že HDFS se stane výchozím souborovým systémem s zmenšeným rozsahem, a proto se stane OS, operačním systémem, pro mřížku pro tok dat. Myslím, že má v tom obrovskou budoucnost a nemyslím si, že se to zastaví. A ve skutečnosti si myslím, že ekosystém jen pomáhá, protože téměř všichni, všichni prodejci ve vesmíru, skutečně integrují Hadoop tak či onak a oni to jen umožňují. Pokud jde o další bod, který stojí za to udělat, pokud jde o přebytek Hadoop, není to velmi dobrá platforma plus paralelizace. Pokud se skutečně podíváte na to, co dělá, dělá to tak, že pořizuje snímky pravidelně na každém serveru, když provádí své MapReduce úlohy. Pokud byste chtěli navrhnout opravdu rychlou paralelizaci, nic podobného byste nedělali. Ve skutečnosti byste MapReduce pravděpodobně sami nepoužívali. MapReduce je jen to, co bych řekl, že polovina je schopna paralelismu.
Existují dva přístupy k paralelismu: jeden je zpracováním procesů a druhý rozdělením dat MapReduce a rozdělení dat, takže existuje spousta úloh, kde by MapReduce ve skutečnosti nebyl nejrychlejším způsobem, jak to udělat, ale bude dá vám rovnoběžnost a nedá se z toho odnést. Když máte hodně dat, tento druh energie obvykle není tak užitečný. YARN, jak jsem již řekl, je velmi mladá schopnost plánování.
Hadoop je, jaksi zde kreslí čáru v písku, Hadoop není datový sklad. Není to zdaleka datový sklad, že je to téměř absurdní návrh říkat, že je. V tomto diagramu to, co ukazuji nahoře, je druh toku dat, přecházející z datového zásobníku Hadoop do gargantuánské škálovatelné databáze, což je to, co ve skutečnosti uděláme, podnikový datový sklad. Zobrazuji starší databáze, vkládám data do datového skladu a vyprazdňuji aktivitu a vytvářím offload databáze z datového skladu, ale to je vlastně obrázek, který se začíná objevovat, a řekl bych, že je to jako první generace co se stane s datovým skladem s Hadoopem. Ale pokud se podíváte na datový sklad sami, uvědomíte si, že pod datovým skladem máte optimalizátor. Máte distribuované dotazovací pracovníky na velmi mnoho procesů, které sedí na možná velmi velkém počtu disků. To se děje v datovém skladu. To je vlastně druh architektury, která je postavena pro datový sklad, a vybudování něčeho takového trvá velmi dlouho a Hadoop to vůbec nemá. Hadoop tedy není datový sklad a podle mého názoru se z něj brzy nestane.
Má tento relativní zásobník dat a vypadá to zajímavě, pokud se jen díváte na svět jako na řadu událostí plynoucích do organizace. To je to, co ukazuji na levé straně tohoto diagramu. To, že projde schopností filtrování a směrování, a věci, které je potřeba pro streamování, se sifonují z aplikací pro streamování a vše ostatní jde přímo do datového zásobníku, kde je připraveno a očištěno, a poté předán ETL do jednoho data sklad nebo logický datový sklad sestávající z více motorů. Podle mého názoru je to přirozená linie vývoje pro Hadoop.
Pokud jde o ETW, jedna z věcí, kterou stojí za zmínku, je to, že samotný datový sklad byl skutečně přesunut - není to to, co to bylo. V dnešní době určitě očekáváte, že na hierarchická data bude existovat hierarchická schopnost toho, co lidé nebo někteří lidé nazývají dokumenty v datovém skladu. To je JSON. Pravděpodobně síťové dotazy, které jsou grafovými databázemi, případně analytické. Takže se pohybujeme směrem k ETW, který má ve skutečnosti složitější pracovní vytížení, než jaké jsme zvyklí. Je to tak trochu zajímavé, protože svým způsobem to znamená, že datový sklad je stále sofistikovanější, a proto bude ještě delší dobu, než se Hadoop dostane kamkoli blízko. Význam datového skladu se rozšiřuje, ale stále zahrnuje optimalizaci. Musíte mít možnost optimalizace, a to nejen nad dotazy, ale nad všemi těmito činnostmi.
To je ono, opravdu. To je vše, co jsem chtěl říct o Hadoopovi. Myslím, že mohu předat Rayovi, který nemá žádné snímky, ale vždycky umí dobře mluvit.
Eric Kavanagh: Vezmu snímky. Je tu náš přítel, Ray Wang. Takže, Rayi, co na to všechno myslíš?
Ray Wang: Teď si myslím, že to byl pravděpodobně jeden z nejkratších a největších dějin obchodů s klíčovou hodnotou a kde Hadoop odešel ve vztahu k podnikům, které jsou venku, takže se při poslechu Robina vždycky hodně naučím.
Vlastně mám jednu skluzavku. Zde mohu otevřít jeden snímek.
Eric Kavanagh: Jen jděte do toho a klikněte na, klikněte na start a jděte pro sdílení plochy.
Ray Wang: Chápu, jdete. Vlastně se podělím. Můžete vidět samotnou aplikaci. Uvidíme, jak to jde.
Celá tato řeč o Hadoopu a pak jsme se dostali hlouběji do rozhovoru o technologiích, které jsou tam a kde Hadoop míří, a mnohokrát jsem prostě rád vzal zpět, aby se opravdu obchodní diskuse. Spousta věcí, které se dějí na technologické straně, je opravdu tento kus, kde jsme hovořili o datových skladech, správě informací, kvalitě dat, zvládnutí těchto dat, a tak máme tendenci to vidět. Takže pokud se podíváte na tento graf úplně dole, je velmi zajímavé, že typy jednotlivců, které narazíme do toho rozhovoru o Hadoopu. Máme technology a vědce v oblasti dat, kteří geekingují, mají velké vzrušení a obvykle jde o zdroje dat, že? Jak zvládneme zdroje dat? Jak se dostaneme do správné úrovně kvality? Co děláme s řízením? Co můžeme udělat, aby odpovídaly různým typům zdrojů? Jak udržíme počet řádků? A všechny takové diskuse. A jak získáme více SQL z našeho Hadoopu? Takže tato část se děje na této úrovni.
Na straně informací a orchestrace se to stane zajímavým. Začínáme svázat výstupy tohoto vhledu, který získáváme, nebo ho táhneme od zády k podnikovým procesům? Jak ho můžeme spojit s jakýmkoli modelem metadat? Spojujeme tečky mezi objekty? A tak nová slovesa a diskuse o tom, jak používáme tato data, přecházející z toho, co jsme tradičně ve světě CRUD: vytvářejí, čtou, aktualizují, odstraňují, do světa, který diskutuje o tom, jak zapojujeme nebo sdílíme nebo spolupracujeme nebo jako nebo něco vytáhnout.
To je místo, kde začínáme vidět spoustu vzrušení a inovací, zejména o tom, jak tyto informace vytáhnout a přivést je k hodnotě. To je technologicky řízená diskuse pod červenou čarou. Nad touto červenou čarou dostáváme ty samé otázky, na které jsme se vždy chtěli zeptat, a jedna z nich, kterou vždy vychováváme, je například: možná je otázka v maloobchodě pro vás podobná: „Proč se červené svetry prodávají lépe v Alabamě než modré svetry v Michiganu? “ Dalo by se o tom přemýšlet a říci: „To je zajímavé.“ Vidíš ten vzorec. Ptáme se na tuto otázku a přemýšlíme: „Hej, co to děláme?“ Možná jde o státní školy - Michigan versus Alabama. Dobře, chápu to, vidím, kam jdeme. A tak začínáme mít obchodní stránku domu, lidi ve financích, lidi, kteří mají tradiční schopnosti BI, lidi v marketingu a lidi v oblasti lidských zdrojů, kteří říkají: „Kde jsou moje vzorce?“ Jak se k těmto vzorcům dostaneme? A tak vidíme další způsob inovací na straně Hadoopu. Je to opravdu o tom, jak rychle získáváme informace o aktualizaci. Jak vytvoříme tyto druhy spojení? Je to až na lidi, kteří se jim líbí, reklama: technika, která se v zásadě snaží propojit reklamy a relevantní obsah od všeho od sítí nabízejících v reálném čase po kontextové reklamy a umísťování reklam a dělá to za běhu.
Takže je to zajímavé. Vidíte vývoj Hadoopu z: „Hej, tady je technologické řešení. Tady je to, co musíme udělat, abychom tyto informace dostali lidem.“ Poté, co přejde přes obchodní část, je to místo, kde se to stane zajímavým. Je to vhled. Kde je představení? Kde je odpočet? Jak předpovídáme věci? Jak získáme vliv? A pak to přivedeme na poslední úroveň, kde vlastně vidíme další řadu inovací Hadoop, které se dějí kolem rozhodovacích systémů a akcí. Jaká je další nejlepší akce? Takže víte, že modré svetry se v Michiganu prodávají lépe. Sedíte na tuně modrých svetrů v Alabamě. Je zřejmé, že: "Jo, dobře, pojďme to tam dostat." Jak to uděláme? Jaký je další krok? Jak se k tomu vracíme? Možná další nejlepší akce, možná je to návrh, možná je to něco, co vám pomůže předcházet problému, možná to také není žádná akce, což je akce sama o sobě. Takže začneme vidět, jak se tento druh vzorců objeví. A krása toho, co říkáte o obchodech s klíčovou hodnotou, Robine, je, že se to děje tak rychle. Děje se tak, že jsme o tom nepřemýšleli.
Pravděpodobně bych řekl, že za posledních pět let jsme to zvedli. Začali jsme přemýšlet o tom, jak můžeme znovu využít páky obchodů s klíčovou hodnotou, ale právě v posledních pěti letech se lidé na to dívají velmi odlišně a je to, jako by se technologické cykly opakovaly ve 40letých vzorcích, takže je to milé legrační věc, kde se díváme na cloud a já jsem jako sdílení mainframe času. Díváme se na Hadoop a jako klíčová hodnota - možná je to datový server, méně než datový sklad - a tak začneme znovu vidět tyto vzorce. Co se teď snažím udělat, je přemýšlet o tom, co lidé dělali před 40 lety? Jaké přístupy a techniky a metodiky byly použity a které byly omezeny technologiemi, které lidé měli? To je hnací silou tohoto myšlenkového procesu. Takže když procházíme větším obrazem nástroje Hadoop jako nástroje, když se vracíme a přemýšlíme o obchodních důsledcích, jedná se o druh cesty, kterou obvykle bereme lidi, abyste viděli, jaké kousky, jaké části jsou v datech cesta rozhodnutí. Chtěl jsem se o to podělit. Je to trochu přemýšlení, které jsme používali interně, a doufejme, že se přidá do diskuse. Takže to otočím zpátky k tobě, Ericu.
Eric Kavanagh: To je fantastické. Pokud se můžete držet pro nějaké Q & A. Ale líbilo se mi, že jste to vzali zpět na obchodní úroveň, protože na konci dne je to všechno o podnikání. Je to všechno o tom, jak věci udělat, a ujistit se, že utrácíte peníze rozumně, a to je jedna z otázek, které jsem již viděl, takže řečníci možná budou chtít přemýšlet o tom, co je TCL cesty po cestě Hadoop. Mezi některými sladkými místy je například použití kancelářských polic na výrobu věcí tradičním způsobem a používání nových sad nástrojů, protože znovu, přemýšlejte o tom, mnoho z těchto věcí není nic nového, je to prostě druh sloučení novým způsobem je, myslím, nejlepší způsob, jak to vyjádřit.
Pojďme tedy představit naši přítelkyni Nikitu Ivanovovou. Je zakladatelem a generálním ředitelem společnosti GridGain. Nikito, jdu do toho a podám ti klíče a věřím, že jsi tam venku. Slyšíš mě Nikita?
Nikita Ivanov: Ano, jsem tady.
Eric Kavanagh: Výborně. Takže podlaha je na vás. Klikněte na tento snímek. Použijte šipku dolů a odeberte ji. Pět minut.
Nikita Ivanov: Na který snímek kliknu?
Eric Kavanagh: Stačí kliknout kamkoli na snímek a poté se pohybovat pomocí šipky dolů na klávesnici. Stačí kliknout na samotný snímek a použít šipku dolů.
Nikita Ivanov: Dobře, tak jen pár rychlých snímků o GridGain. Co děláme v souvislosti s touto konverzací? GridGain v podstatě vyrábí softwarový software v paměti a součástí platformy, kterou jsme vyvinuli, je Hadoop akcelerátor v paměti. Pokud jde o Hadoop, máme sklon myslet na sebe jako na specialisty na výkon Hadoop. To, co děláme, v podstatě, na naší hlavní platformě pro výpočet paměti v paměti, která se skládá z technologií, jako je datová mřížka, streaming paměti a výpočetní mřížky, by bylo schopno zapojit a hrát akcelerátor Hadoop. To je velmi jednoduché. Bylo by hezké, kdybychom mohli vyvinout nějaký druh plug-and-play řešení, které lze nainstalovat přímo v instalaci Hadoop. Pokud vy, vývojář MapReduce, potřebujete podporu bez nutnosti psát jakýkoli nový software nebo změnu kódu nebo změnu, nebo v podstatě máte minimální změnu konfigurace v clusteru Hadoop. To jsme vyvinuli.
V zásadě je urychlovač Hadoop v paměti založen na optimalizaci dvou složek v ekosystému Hadoop. Pokud si myslíte o Hadoop, je to hlavně na HDFS, což je systém souborů. MapReduce, což je rámec pro paralelní řízení soutěží v horní části systému souborů. Abychom optimalizovali Hadoop, optimalizujeme oba tyto systémy. Vyvinuli jsme systém souborů v paměti, který je plně kompatibilní, 100% kompatibilní plug-and-play, s HDFS. Můžete spustit místo HDFS, můžete spustit na HDFS. A vyvinuli jsme také paměť MapReduce v paměti, která je kompatibilní s technologií Hadoop MapReduce, ale existuje mnoho optimalizací, jak pracovní postup MapReduce a jak funguje plán MapReduce.
Pokud se podíváte například na tento snímek, kde vám ukážeme druh stohování duplikace. Na levé straně máte svůj typický operační systém s GDM a nahoře je schéma aplikace. Uprostřed máte Hadoop. A Hadoop je opět založen na HDFS a MapReduce. To tedy na tomto diagramu představuje to, co se vlastně vkládáme do zásobníku Hadoop. Opět je to plug-and-play; nemusíte měnit žádný kód. Funguje to stejně. Na dalším snímku jsme v podstatě ukázali, jak jsme optimalizovali pracovní postup MapReduce. To je pravděpodobně nejzajímavější část, protože vám poskytuje největší výhodu při spuštění úloh MapReduce.
Typický MapReduce, když odesíláte úlohu, a na levé straně je schéma, tam je obvyklá aplikace. Obvykle tedy zadáváte úlohu a úloha přejde na sledování úloh. 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. O tom není pochyb.
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. Skvělý obrázek. 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. Děkuji.
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.
Dík.
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. Uvidíme. 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? With great power comes great responsibility. 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. To je o tom. 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.
Díky tomu se s vámi rozloučíme, lidi. 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. Ahoj.
