Nota del editor: Esta es una transcripción de una transmisión web en vivo. Puede ver la transmisión web completa aquí.
Eric Kavanagh: Damas y caballeros, ¡es hora de ser sabios! ¡Es hora de TechWise, un nuevo espectáculo! Me llamo Eric Kavanagh. Voy a ser su moderador para nuestro episodio inaugural de TechWise. Eso es exactamente correcto. Esta es una asociación de Techopedia y el Grupo Bloor, por supuesto, de la fama de Inside Analysis.
Me llamo Eric Kavanagh. Moderaré este evento realmente interesante e involucrado, amigos. Vamos a profundizar en el tejido para comprender lo que está sucediendo con esta gran cosa llamada Hadoop. ¿Qué es el elefante en la habitación? Se llama Hadoop. Vamos a tratar de entender qué significa y qué está pasando con eso.
En primer lugar, muchas gracias a nuestros patrocinadores, GridGain, Actian, Zettaset y DataTorrent. Recibiremos unas breves palabras de cada uno de ellos cerca del final de este evento. También tendremos un Q&A, así que no seas tímido: envía tus preguntas en cualquier momento.
Profundizaremos en los detalles y lanzaremos las preguntas difíciles a nuestros expertos. Y hablando de los expertos, hey, ahí están. Entonces, vamos a tener noticias de nuestro propio Dr. Robin Bloor, y amigos, estoy muy emocionado de tener al legendario Ray Wang, analista principal y fundador de Constellation Research. Está en línea hoy para darnos sus pensamientos y es como Robin: es increíblemente diverso y realmente se enfoca en muchas áreas diferentes y tiene la capacidad de sintetizarlas y comprender realmente lo que está sucediendo en este campo de la tecnología de la información. y gestión de datos.
Entonces, está ese pequeño elefante lindo. Está al principio del camino, como puedes ver. Está comenzando ahora, es solo una especie de comienzo, todo esto de Hadoop. Por supuesto, en 2006 o 2007, supongo, es cuando se lanzó a la comunidad de código abierto, pero han sucedido muchas cosas, amigos. Ha habido grandes desarrollos. De hecho, quiero mencionar la historia, así que voy a compartir rápidamente el escritorio, al menos eso creo. Hagamos un uso compartido rápido del escritorio.
Les estoy mostrando esta historia loca, gente loca. Entonces Intel invirtió $ 740 millones para comprar el 18 por ciento de Cloudera. Pensé y dije: "¡Santa Navidad!" Comencé a hacer los cálculos y es como, "Es una valoración de $ 4.1 mil millones". Pensemos en esto por un segundo. Quiero decir, si WhatsApp vale $ 2 mil millones, supongo que Cloudera también podría valer $ 4, 1 mil millones, ¿verdad? Quiero decir, ¿por qué no? Algunos de estos números están fuera de la ventana en estos días, amigos. Quiero decir, típicamente en términos de inversión, tiene EBITDA y todos estos otros mecanismos, múltiplos de ingresos, etc. Bueno, será un gran múltiplo de ingresos llegar a $ 4, 1 mil millones para Cloudera, que es una compañía increíble. No me malinterpreten: hay algunas personas muy, muy inteligentes, incluido el tipo que comenzó toda la locura de Hadoop, Doug Cutting, él está allí, muchas personas muy inteligentes que están haciendo muchas cosas realmente cosas interesantes, pero la conclusión es que los $ 4.1 mil millones, eso es mucho dinero.
Así que aquí hay un momento cautivo obvio de pasar por mi cabeza en este momento, que es un chip, Intel. Sus diseñadores de chips están llevando a ver algunos chips optimizados para Hadoop. Tengo que pensarlo, amigos. Eso es solo mi suposición. Es solo un rumor, viniendo de mí, por así decirlo, pero tiene sentido. ¿Y qué significa todo esto?
Así que aquí está mi teoría. ¿Qué está pasando? Muchas de estas cosas no son nuevas. El procesamiento paralelo masivo no es terriblemente nuevo. El procesamiento en paralelo seguro no es nuevo. Llevo un tiempo en el mundo de la supercomputación. Muchas de estas cosas que están sucediendo no son nuevas, pero existe el tipo de conciencia general de que hay una nueva forma de atacar algunos de estos problemas. Lo que veo que sucede, si nos fijamos en algunos de los grandes proveedores de Cloudera o Hortonworks y algunos de estos otros tipos, lo que realmente están haciendo si se reduce al nivel más detallado es el desarrollo de aplicaciones. Eso es lo que están haciendo.
Están diseñando nuevas aplicaciones, algunas de ellas incluyen análisis de negocios; algunos de ellos solo involucran sistemas de sobrealimentación. Uno de nuestros vendedores que ha hablado sobre eso, hace ese tipo de cosas todo el día, en el programa de hoy. Pero si es terriblemente nuevo, nuevamente la respuesta es "no realmente", pero están sucediendo cosas importantes, y personalmente, creo que lo que está sucediendo con Intel haciendo esta gran inversión es un movimiento de creación de mercado. Miran el mundo hoy y ven que es una especie de mundo monopolista hoy. Hay Facebook y han vencido a los pobres de MySpace. LinkedIn ha derrotado a los pobres Who's Who. Así que miras a tu alrededor y es un servicio que está dominando todos estos espacios diferentes en nuestro mundo de hoy, y creo que la idea es que Intel lanzará todos sus chips en Cloudera e intentará elevarlo a la cima de la pila, eso es solo Mi teoría
Así que amigos, como dije, vamos a tener una larga sesión de preguntas y respuestas, así que no sean tímidos. Envíe sus preguntas en cualquier momento. Puede hacerlo utilizando ese componente de preguntas y respuestas de su consola de transmisión web. Y con eso, quiero llegar a nuestro contenido porque tenemos muchas cosas que superar.
Entonces, Robin Bloor, déjame entregarte las llaves y el piso es tuyo.
Robin Bloor: OK, Eric, gracias por eso. Traigamos a los elefantes que bailan. Es algo curioso, en realidad, que los elefantes son los únicos mamíferos terrestres que en realidad no pueden saltar. Todos estos elefantes en este gráfico en particular tienen al menos un pie en el suelo, así que supongo que es factible, pero en cierta medida, obviamente son elefantes Hadoop, muy, muy capaces.
La pregunta, realmente, que creo que debe discutirse y debe discutirse con toda honestidad. Tiene que ser discutido antes de ir a otro lado, lo cual es realmente comenzar a hablar sobre lo que realmente es Hadoop.
Una de las cosas que es absolutamente desde el punto de vista humano es la tienda de valores clave. Solíamos tener tiendas de valores clave. Solíamos tenerlos en el mainframe de IBM. Los teníamos en las minicomputadoras; DEC VAX tenía archivos IMS. Había capacidades de ISAM que estaban disponibles en casi todas las minicomputadoras a las que puede tener acceso. Pero en algún momento a fines de los años 80, entró Unix y en realidad no tenía ningún almacén de valores clave. Cuando Unix lo desarrolló, se desarrollaron muy rápidamente. Lo que sucedió realmente fue que los proveedores de bases de datos, particularmente Oracle, entraron allí y vendieron sus bases de datos para cuidar cualquier información que usted quiera administrar en Unix. Windows y Linux resultaron ser lo mismo. Entonces, la industria pasó la mayor parte de 20 años sin una tienda de valor clave de uso general. Bueno, ya ha vuelto. No solo está de regreso, es escalable.
Ahora, creo que realmente es la base de lo que realmente es Hadoop y, hasta cierto punto, determina a dónde irá. ¿Qué nos gusta de las tiendas de valor clave? Aquellos de ustedes que son tan viejos como yo y que realmente recuerdan haber trabajado con tiendas de valores clave se dan cuenta de que podrían usarlos para configurar informalmente una base de datos, pero solo informalmente. Usted sabe que los metadatos rápidamente almacenan valores en el código del programa, pero en realidad podría convertirlo en un archivo externo, y podría hacerlo si quisiera comenzar a tratar un almacén de valores clave un poco como una base de datos. Pero, por supuesto, no tenía toda esa capacidad de recuperación que tiene una base de datos y no tenía muchas cosas que las bases de datos tienen ahora, pero era una característica realmente útil para los desarrolladores y esa es una de las razones por las que creo que Hadoop ha demostrado ser tan popular, simplemente porque han sido los codificadores, programadores y desarrolladores los que se apresuraron a hacerlo. Se dieron cuenta de que no solo es un valor clave de la tienda, sino que es una tienda de valor clave escalable. Se escala casi indefinidamente. Envié estas escalas a miles de servidores, así que eso es lo realmente importante de Hadoop, eso es lo que es.
También tiene encima MapReduce, que es un algoritmo de paralelización, pero en realidad eso, en mi opinión, no es importante. Entonces, ya sabes, Hadoop es un camaleón. No es solo un sistema de archivos. He visto varios tipos de afirmaciones hechas para Hadoop: es una base de datos secreta; no es una base de datos secreta; Es una tienda común; es una caja de herramientas analíticas; Es un entorno ELT; es una herramienta de limpieza de datos; es un almacén de datos de plataformas de transmisión; es una tienda de archivo; Es una cura para el cáncer, y así sucesivamente. La mayoría de estas cosas no son verdad para Hillaop vanilla. Hadoop es probablemente una creación de prototipos: sin duda es un entorno de creación de prototipos para una base de datos SQL, pero realmente no tiene, si coloca el espacio de edad con el catálogo de edad sobre Hadoop, tiene algo que parece una base de datos, pero en realidad no lo es lo que cualquiera llamaría una base de datos en términos de capacidad. Muchas de estas capacidades, ciertamente puede obtenerlas en Hadoop. Ciertamente hay muchos de ellos. De hecho, puede obtener alguna fuente de Hadoop, pero Hadoop en sí no es lo que yo llamaría endurecido operacionalmente y, por lo tanto, el trato sobre Hadoop, realmente no estaría en otra cosa, es que necesita tener un tercero -productos de fiesta para mejorarlo.
Entonces, hablar de ti solo puede incluir algunas líneas mientras estoy hablando de Hadoop. En primer lugar, la capacidad de consulta en tiempo real, bueno, usted sabe que el tiempo real es una especie de tiempo comercial, realmente, de lo contrario, casi siempre es crítico para el rendimiento. Quiero decir, ¿por qué diseñarías en tiempo real? Hadoop realmente no hace esto. Hace algo que está cerca del tiempo real pero realmente no hace cosas en tiempo real. Transmite, pero no transmite de una manera que yo llamaría que pueden hacer las plataformas de transmisión de aplicaciones de tipo crítico. Hay una diferencia entre una base de datos y una tienda limpiable. Sincronizarlo a través de Hadoop le brinda un almacén de datos limpiable. Es como una base de datos, pero no es lo mismo que una base de datos. Hadoop en su forma nativa, en mi opinión, en realidad no califica como una base de datos en absoluto, porque le faltan algunas cosas que debería tener una base de datos. Hadoop hace mucho, pero no lo hace particularmente bien. Una vez más, la capacidad está ahí, pero estamos muy lejos de tener una capacidad rápida en todas estas áreas.
La otra cosa que hay que entender sobre Hadoop es que ha recorrido un largo camino desde que se desarrolló. Fue desarrollado en los primeros días; se desarrolló cuando teníamos servidores que en realidad solo tenían un procesador por servidor. Nunca tuvimos procesadores multinúcleo y fue construido para correr sobre redes, lanzar redes y servidores. Uno de los objetivos de diseño de Hadoop era nunca perder el trabajo. Y eso fue realmente sobre la falla del disco, porque si tiene cientos de servidores, entonces es probable que, si tiene discos en los servidores, es probable que obtenga una disponibilidad de tiempo de actividad de 99.8. Eso significa que obtendrá en promedio una falla de uno de esos servidores una vez cada 300 o 350 días, un día en un año. Entonces, si tuviera cientos de estos, la probabilidad sería en cualquier día del año en que se produjera una falla en el servidor.
Hadoop se creó específicamente para abordar ese problema, de modo que, en caso de que algo fallara, está tomando instantáneas de todo lo que sucede en cada servidor en particular y puede recuperar el trabajo por lotes que se está ejecutando. Y eso fue todo lo que realmente se ejecutó en Hadoop: trabajos por lotes y es una capacidad realmente útil, hay que decirlo. Algunos de los trabajos por lotes que se estaban ejecutando, particularmente en Yahoo, donde creo que nació Hadoop, se ejecutarían durante dos o tres días, y si fallaba después de un día, realmente no querría perder el trabajo. Eso se había hecho. Ese fue el punto de diseño detrás de la disponibilidad en Hadoop. No llamaría a esa alta disponibilidad, pero podría llamarla alta disponibilidad para trabajos por lotes en serie. Esa es probablemente la forma de verlo. La alta disponibilidad siempre se configura de acuerdo con las características de la línea de trabajo. Por el momento, Hadoop solo se puede configurar para trabajos realmente por lotes en serie con respecto a ese tipo de recuperación. La alta disponibilidad de la empresa probablemente se considere mejor en términos de LLP transaccional. Creo que si no lo estás viendo como algo en tiempo real, Hadoop aún no lo hace. Probablemente esté muy lejos de hacerlo.
Pero aquí está lo hermoso de Hadoop. Ese gráfico en el lado derecho que tiene una lista de proveedores en el borde y todas las líneas en él indican conexiones entre esos proveedores y otros productos en el ecosistema de Hadoop. Si nos fijamos en eso, ese es un ecosistema increíblemente impresionante. Es bastante notable. Obviamente, hablamos con muchos proveedores en términos de sus capacidades. Entre los proveedores con los que he hablado, hay algunas capacidades realmente extraordinarias de usar Hadoop y en la memoria, la forma de usar Hadoop como un archivo comprimido, de usar Hadoop como un entorno ETL, y así sucesivamente. Pero realmente, si agrega el producto a Hadoop, funciona extremadamente bien en un espacio en particular. Entonces, aunque soy crítico con Hadoop nativo, no soy crítico con Hadoop cuando realmente le agregas algo de potencia. En mi opinión, la popularidad de Hadoop garantiza su futuro. Con eso quiero decir, incluso si cada línea de código que se ha escrito hasta ahora en Hadoop desaparece, no creo que la API HDFS desaparezca. En otras palabras, creo que el sistema de archivos, API, está aquí para quedarse, y posiblemente YARN, el programador que lo revisa.
Cuando realmente miras eso, esa es una capacidad muy importante y voy a hablar sobre eso en un minuto, pero la otra cosa que es, digamos, que la gente emocionante sobre Hadoop es toda la imagen de código abierto. Por lo tanto, vale la pena analizar cuál es la imagen de código abierto en términos de lo que considero una capacidad real. Si bien Hadoop y todos sus componentes ciertamente pueden hacer lo que llamamos longitudes de datos, o como prefiero llamarlo, un depósito de datos, sin duda es un área de preparación muy buena para colocar datos en la organización o para recopilar datos en la organización, extremadamente buena para cajas de arena y para la pesca de datos. Es muy bueno como plataforma de desarrollo de prototipos que podrías implementar al final del día, pero sabes que como entorno de desarrollo prácticamente todo lo que deseas está ahí. Como almacén de archivos, tiene casi todo lo que necesita y, por supuesto, no es costoso. No creo que debamos divorciarnos de estas dos cosas de Hadoop, aunque no sean formalmente, si lo desea, componentes de Hadoop. La plataforma en línea ha traído una gran cantidad de análisis al mundo de código abierto y muchos de esos análisis ahora se están ejecutando en Hadoop porque eso le brinda un entorno conveniente en el que puede tomar una gran cantidad de datos externos y simplemente comenzar a jugar en una caja de arena analítica.
Y luego tienes las capacidades de código abierto, las cuales son aprendizaje automático. Ambos son extremadamente poderosos en el sentido de que implementan potentes algoritmos analíticos. Si reúne estas cosas, tiene los núcleos de una capacidad muy, muy importante, que de una forma u otra es muy probable, ya sea que se desarrolle por sí sola o si los proveedores ingresan para completar las piezas faltantes. es muy probable que continúe durante mucho tiempo y ciertamente creo que el aprendizaje automático ya está teniendo un gran impacto en el mundo.
La evolución de Hadoop, YARN cambió todo. Lo que sucedió fue que MapReduce estaba prácticamente soldado al primer sistema de archivos HDFS. Cuando se introdujo YARN, creó una capacidad de programación en su primer lanzamiento. No espera la programación extremadamente sofisticada desde el primer lanzamiento, pero sí significa que ya no era necesariamente un entorno de parches. Era un entorno en el que se podían programar múltiples trabajos. Tan pronto como sucedió eso, hubo una serie completa de proveedores que se habían mantenido alejados de Hadoop; simplemente entraron y se conectaron a él porque entonces solo podían verlo como el entorno de programación en un sistema de archivos y podían abordar cosas para eso. Incluso hay proveedores de bases de datos que han implementado sus bases de datos en HDFS, porque simplemente toman el motor y lo ponen en HDFS. Con la conexión en cascada y con YARN, se convierte en un entorno muy interesante porque puede crear flujos de trabajo complejos a través de HDFS y esto realmente significa que puede comenzar a considerarlo realmente como una plataforma que puede ejecutar múltiples trabajos al mismo tiempo y se está empujando hacia el punto de haciendo cosas de misión crítica. Si va a hacer eso, es probable que necesite comprar algunos componentes de terceros, como seguridad, etc., que Hadoop en realidad no tiene una cuenta de auditoría para llenar los vacíos, pero usted entrar en el punto donde incluso con código abierto nativo puede hacer algunas cosas interesantes.
En términos de dónde creo que irá Hadoop, personalmente creo que HDFS se convertirá en un sistema de archivos de escalamiento predeterminado y, por lo tanto, se convertirá en el sistema operativo, el sistema operativo, para la red para el flujo de datos. Creo que tiene un gran futuro en eso y no creo que se detenga allí. Y creo que, de hecho, el ecosistema simplemente ayuda porque casi todos, todos los vendedores en el espacio, están integrando Hadoop de una manera u otra y simplemente lo están habilitando. En términos de otro punto que vale la pena destacar, en términos de exceso de Hadoop, es que no es una plataforma muy buena más la paralelización. Si realmente observa lo que está haciendo, lo que realmente está haciendo es tomar una instantánea regularmente en cada servidor mientras ejecuta sus trabajos MapReduce. Si fuera a diseñar para una paralelización realmente rápida, no estaría haciendo algo así. De hecho, probablemente no estarías usando MapReduce por sí solo. MapReduce es solo lo que yo diría que es medio capaz de paralelismo.
Hay dos enfoques para el paralelismo: uno es canalizando procesos y el otro es dividiendo datos MapReduce y hace la división de datos, por lo que hay muchos trabajos donde MapReduce no sería la forma más rápida de hacerlo, pero lo hará darte paralelismo y no hay que quitarle eso. Cuando tienes muchos datos, ese tipo de poder no suele ser tan útil. YARN, como ya he dicho, es una capacidad de programación muy joven.
Hadoop es, como dibujar la línea en la arena aquí, Hadoop no es un almacén de datos. Está tan lejos de ser un almacén de datos que es casi una sugerencia absurda decir que sí. En este diagrama, lo que estoy mostrando en la parte superior es una especie de flujo de datos, que va desde un depósito de datos de Hadoop a una gigantesca base de datos de escalamiento horizontal, que es lo que realmente haremos, un almacén de datos empresarial. Estoy mostrando bases de datos heredadas, introduciendo datos en el almacén de datos y la actividad de descarga creando bases de datos de descarga desde el almacén de datos, pero esa es en realidad una imagen que estoy empezando a ver emerger, y diría que es como la primera generación de qué le sucede al almacén de datos con Hadoop. Pero si observa el almacén de datos usted mismo, se da cuenta de que debajo del almacén de datos, tiene un optimizador. Tiene trabajadores de consultas distribuidos en muchos procesos, quizás en una gran cantidad de discos. Eso es lo que sucede en un almacén de datos. Esa es realmente una arquitectura diseñada para un almacén de datos y lleva mucho tiempo construir algo así, y Hadoop no tiene nada de eso. Entonces Hadoop no es un almacén de datos y, en mi opinión, no se convertirá en uno en el corto plazo.
Tiene este depósito de datos relativo, y se ve interesante si se mira el mundo como una serie de eventos que fluyen hacia la organización. Eso es lo que estoy mostrando en el lado izquierdo de este diagrama. Hacer que pase por una capacidad de filtrado y enrutamiento y todo lo que necesita para la transmisión se desvía de las aplicaciones de transmisión y todo lo demás va directamente al depósito de datos donde está preparado y limpiado, y luego pasa por ETL a un solo dato almacén o un almacén de datos lógico que consta de múltiples motores. Esta es, en mi opinión, una línea de desarrollo natural para Hadoop.
En términos de ETW, una de las cosas que vale la pena señalar es que el almacén de datos en sí se trasladó, no es lo que era. Ciertamente, hoy en día, espera que haya una capacidad jerárquica por datos jerárquicos de lo que las personas, o algunas personas, llaman los documentos en el almacén de datos. Eso es JSON Posiblemente, consultas de red que son bases de datos gráficas, posiblemente analíticas. Entonces, hacia lo que nos estamos moviendo es un ETW que en realidad tiene una carga de trabajo más compleja que las que estamos acostumbrados. Eso es algo interesante porque de alguna manera significa que el almacén de datos se está volviendo aún más sofisticado, y debido a eso, pasará aún más tiempo antes de que Hadoop se acerque a él. El significado del almacén de datos se está extendiendo, pero aún incluye la optimización. Debe tener una capacidad de optimización, no solo sobre las consultas ahora, sino sobre todas estas actividades.
Eso es todo. Eso es todo lo que quería decir sobre Hadoop. Creo que puedo pasar a Ray, que no tiene diapositivas, pero siempre es bueno para hablar.
Eric Kavanagh: tomaré las diapositivas. Ahí está nuestro amigo, Ray Wang. Entonces, Ray, ¿qué piensas sobre todo esto?
Ray Wang: Ahora, creo que esa fue probablemente una de las historias más sucintas y geniales de las tiendas de valor clave y donde Hadoop ha ido en relación con las empresas que están fuera, por lo que siempre aprendo mucho cuando escucho a Robin.
En realidad, tengo una diapositiva. Puedo abrir una diapositiva aquí.
Eric Kavanagh: Simplemente adelante, haga clic en, haga clic en Inicio y vaya a compartir su escritorio.
Ray Wang: Entendido, ahí lo tienes. De hecho lo compartiré. Puedes ver la aplicación en sí. Veamos cómo va.
Todo esto habla sobre Hadoop y luego profundizamos en la conversación sobre las tecnologías que existen y hacia dónde se dirige Hadoop, y muchas veces me gusta retomarlo para tener realmente una discusión comercial. Muchas de las cosas que están sucediendo en el lado de la tecnología es realmente esta pieza en la que hemos estado hablando sobre almacenes de datos, gestión de la información, calidad de los datos, dominio de esos datos, por lo que tendemos a ver esto. Entonces, si miras este gráfico aquí en la parte inferior, es muy interesante que los tipos de individuos con los que nos topamos hablen sobre Hadoop. Tenemos los tecnólogos y los científicos de datos que se están escapando, tienen mucha emoción, y generalmente se trata de fuentes de datos, ¿verdad? ¿Cómo dominamos las fuentes de datos? ¿Cómo llevamos esto a los niveles correctos de calidad? ¿Qué hacemos con respecto a la gobernanza? ¿Qué podemos hacer para unir diferentes tipos de fuentes? ¿Cómo mantenemos el linaje? Y todo ese tipo de discusión. ¿Y cómo obtenemos más SQL de nuestro Hadoop? Entonces esa parte está sucediendo a este nivel.
Luego, en el lado de la información y la orquestación, aquí es donde se pone interesante. ¿Estamos comenzando a vincular los resultados de esta información que estamos obteniendo o la estamos llevando de vuelta a los procesos comerciales? ¿Cómo lo relacionamos con cualquier tipo de modelo de metadatos? ¿Estamos conectando los puntos entre los objetos? Y así, los nuevos verbos y discusiones sobre cómo usamos esos datos, pasando de lo que tradicionalmente somos en un mundo de CRUD: crear, leer, actualizar, eliminar, a un mundo que está discutiendo sobre cómo interactuamos, compartimos o colaboramos o gusta o tira algo.
Ahí es donde comenzamos a ver mucha emoción e innovación, especialmente sobre cómo obtener esta información y ponerla en valor. Esa es la discusión impulsada por la tecnología debajo de la línea roja. Por encima de esa línea roja, recibimos las mismas preguntas que siempre quisimos hacer y una de ellas que siempre mencionamos es, por ejemplo, tal vez la pregunta en el comercio minorista para usted es como, "¿Por qué los suéteres rojos se venden mejor? en Alabama que los suéteres azules en Michigan? Podrías pensarlo y decir: "Eso es algo interesante". Ves ese patrón. Hacemos esa pregunta y nos preguntamos: "¿Qué estamos haciendo?" Tal vez se trata de escuelas estatales: Michigan versus Alabama. Bien, entiendo esto, veo a dónde vamos. Y entonces estamos comenzando a tener el lado comercial de la casa, personas en finanzas, personas que tienen capacidades de BI tradicionales, personas en marketing y personas en RRHH que dicen: "¿Dónde están mis patrones?" ¿Cómo llegamos a esos patrones? Y entonces vemos otra forma de innovación en el lado de Hadoop. Realmente se trata de cómo emerger los conocimientos de actualización más rápido. ¿Cómo hacemos este tipo de conexiones? Llega hasta las personas que están haciendo, como: publicidad: tecnología que básicamente trata de conectar anuncios y contenido relevante desde cualquier cosa, desde redes de ofertas en tiempo real hasta anuncios contextuales y colocación de anuncios y lo hace sobre la marcha.
Entonces es interesante. Usted ve la progresión de Hadoop de: "Oye, aquí está la solución tecnológica. Esto es lo que debemos hacer para llevar esta información a la gente". Luego, a medida que cruza la parte de la línea de negocios, aquí es donde se pone interesante. Es la idea. ¿Dónde está la actuación? ¿Dónde está la deducción? ¿Cómo estamos prediciendo cosas? ¿Cómo tomamos influencia? Y luego lleve eso a ese último nivel donde realmente vemos otro conjunto de innovaciones de Hadoop que están sucediendo en torno a los sistemas de decisión y las acciones. ¿Cuál es la próxima mejor acción? Entonces sabes que los suéteres azules se venden mejor en Michigan. Estás sentado en un montón de suéteres azules en Alabama. Lo obvio es: "Sí, bueno, enviemos esto". ¿Cómo lo hacemos? ¿Cuál es el siguiente paso? ¿Cómo vinculamos eso de nuevo? Tal vez la siguiente mejor acción, tal vez sea una sugerencia, tal vez sea algo que lo ayude a prevenir un problema, tal vez tampoco sea una acción, que es una acción en sí misma. Entonces comenzamos a ver emerger este tipo de patrones. Y la belleza de esto, de vuelta a lo que estás diciendo sobre las tiendas de valor clave, Robin, es que está sucediendo muy rápido. Está sucediendo de la forma en que no lo hemos estado pensando de esta manera.
Probablemente diría que en los últimos cinco años hemos recogido. Comenzamos a pensar en términos de cómo podemos aprovechar las tiendas de valor clave nuevamente, pero es solo en los últimos cinco años, la gente lo ve de manera muy diferente y es como si los ciclos tecnológicos se repitieran en patrones de 40 años, así que esto es amable de algo gracioso donde estamos mirando la nube y yo soy como compartir el tiempo del mainframe. Estamos viendo a Hadoop y nos gusta la tienda de valores clave, tal vez es un mercado de datos, menos que un almacén de datos, por lo que comenzamos a ver estos patrones nuevamente. Lo que estoy tratando de hacer ahora es pensar en lo que hacían las personas hace 40 años. ¿Qué enfoques, técnicas y metodologías se estaban aplicando y que estaban limitadas por las tecnologías que tenían las personas? Eso está impulsando este proceso de pensamiento. Entonces, a medida que analizamos la imagen más grande de Hadoop como herramienta, cuando volvemos y pensamos en las implicaciones comerciales, este es el tipo de camino por el que generalmente llevamos a las personas para que pueda ver qué partes, qué partes están en los datos camino de decisiones. Es algo que quería compartir. Es una especie de pensamiento que hemos estado usando internamente y esperamos que se agregue a la discusión. Así que te lo devolveré, Eric.
Eric Kavanagh: Eso es fantástico. Si puede quedarse para algunas preguntas y respuestas. Pero me gustó que lo llevaras de vuelta al nivel de negocios porque al final del día, todo se trata del negocio. Se trata de hacer las cosas y asegurarse de que está gastando dinero sabiamente y esa es una de las preguntas que ya vi, por lo que los oradores pueden pensar en cuál es el TCL de ir a la ruta de Hadoop. Hay un punto dulce en el medio, por ejemplo, el uso de herramientas de estantería de oficina para hacer las cosas de una manera tradicional y el uso de los nuevos conjuntos de herramientas, porque una vez más, piense en ello, muchas de estas cosas no son nuevas, son más o menos fusionarse de una nueva manera es, supongo, la mejor manera de decirlo.
Así que sigamos adelante y presentemos a nuestra amiga, Nikita Ivanov. Es el fundador y CEO de GridGain. Nikita, voy a seguir adelante y entregarte las llaves, y creo que estás ahí afuera. ¿Me oyes Nikita?
Nikita Ivanov: Sí, estoy aquí.
Eric Kavanagh: excelente. Entonces el piso es tuyo. Haz clic en esa diapositiva. Usa la flecha hacia abajo y quítala. Cinco minutos.
Nikita Ivanov: ¿En qué diapositiva hago clic?
Eric Kavanagh: Simplemente haga clic en cualquier lugar de esa diapositiva y luego use la flecha hacia abajo en el teclado para moverse. Simplemente haga clic en la diapositiva y use la flecha hacia abajo.
Nikita Ivanov: Muy bien, solo unas pocas diapositivas sobre GridGain. ¿Qué hacemos en el contexto de esta conversación? GridGain básicamente produce un software informático en memoria y parte de la plataforma que desarrollamos es el acelerador Hadoop en memoria. En términos de Hadoop, tendemos a pensar en nosotros mismos como especialistas en rendimiento de Hadoop. Lo que hacemos, esencialmente, en la parte superior de nuestra plataforma informática central en memoria que consta de tecnologías como la cuadrícula de datos, la transmisión de memoria y las cuadrículas de computación, sería capaz de conectar y reproducir el acelerador Hadoop. Eso es muy simple. Sería bueno si pudiéramos desarrollar algún tipo de solución plug-and-play que se pueda instalar directamente en la instalación de Hadoop. Si usted, el desarrollador de MapReduce, necesita un impulso sin necesidad de escribir ningún nuevo software o cambio de código o cambio, o básicamente tiene un cambio de configuración mínimo en el clúster de Hadoop. Eso es lo que desarrollamos.
Básicamente, el acelerador Hadoop en memoria se basa en la optimización de dos componentes en el ecosistema Hadoop. Si piensa en Hadoop, se basa principalmente en HDFS, que es el sistema de archivos. MapReduce, que es el marco para ejecutar las competiciones en paralelo en la parte superior del sistema de archivos. Para optimizar el Hadoop, optimizamos ambos sistemas. Desarrollamos un sistema de archivos en memoria que es completamente compatible, 100% compatible plug-and-play, con HDFS. Puede ejecutar en lugar de HDFS, puede ejecutar sobre HDFS. Y también desarrollamos MapReduce en memoria que es compatible con plug-and-play con Hadoop MapReduce, pero hay muchas optimizaciones sobre cómo funciona el flujo de trabajo de MapReduce y cómo funciona la programación en MapReduce.
Si observa, por ejemplo, en esta diapositiva, donde mostramos el tipo de pila de duplicación. En el lado izquierdo, tiene su sistema operativo típico con GDM y encima de este diagrama tiene el centro de aplicaciones. En el medio tienes el Hadoop. Y Hadoop se basa nuevamente en HDFS y MapReduce. Entonces, esto representa en este diagrama, que es lo que estamos incorporando en la pila de Hadoop. De nuevo, es plug-and-play; No tienes que cambiar ningún código. Simplemente funciona de la misma manera. En la siguiente diapositiva, mostramos esencialmente cómo optimizamos el flujo de trabajo de MapReduce. Esa es probablemente la parte más interesante porque le brinda la mayor ventaja cuando ejecuta los trabajos de MapReduce.
El MapReduce típico, cuando envía el trabajo, y en el lado izquierdo hay un diagrama, hay una aplicación habitual. Por lo general, está enviando el trabajo y el trabajo va a un rastreador de trabajos. 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. Gracias.
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.
Gracias.
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. Let's see. 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? Con un gran poder viene una gran responsabilidad. 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. Eso es todo. 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.
Con eso, nos despediremos, amigos. 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. Adiós.
