Google 이후 전략적 이동으로 Snowflake를 선택한 이유

Google 이후 전략적 이동으로 Snowflake를 선택한 이유

참고: 이 내용은 2022. 1. 4에 게시된 컨텐츠(Pourquoi Snowflake était mon prochain mouvement stratégique après Google)에서 번역되었습니다.

저는 모든 이들이 머신 러닝(ML)과 인공 지능(AI)에 더 쉽게 접근할 수 있도록 돕기 위한 여정실 재정스 있도록

저 는 20 여 년 전 컴퓨터 과학 학부 과정 수업 몇 개 에서 Hex 와 Qubic (3d 3 목 두기) 과 같은 게임 을 하기 위해 전략 을 구현 했는데 이때 Ai 에 매료 되었습니다. 대학원 1 학년 때 Ai 설계 를 시험 삼아 해 봤고 2003 년 Google 에서 인턴 과정 중 ml 을 실제로 접해 본 후 ml 에 중점 을 두었습니다. 그런 다음 2004 년 Google 에 합류 하여 이후 17 년 동안 오픈 소스 소프트웨어 와 클라우드 제품 을 통해 Alphabet 전역 등 전 세계 에 도달 할 수 있는 Ml 기술 을 개발 했습니다.

Google 에서 저는 ML 및 대규모 시스템에 걸쳐 세계 최고의 기술자들과 함께 일할 기회가 있었습니다. 세계적으로 유명한 ML 연구원인 Yoram Singer와 함께 새로운 ML 알고리즘을 연구하고 구현했습니다. 저 는 Google 검색 에서 순위 를 매기는 동안, 도메인 지식 을 Ml 에 끌어 넣는 것 에 얽힌 과제 와 설명 가능 한 한 한 한 한 한 한 한 한 한 한 한 한 한 한 한 한 한 한 한 한 한 한 한 한 한 한 한 한 한 한 한 한 Ai (Ai explicable) 를 더 제대로 이해 하게 됐습니다. 또한, 분산 시스템 의 선도자 인 tushar chandra 와 함께 가장 규모 가 크고 가장 포괄 적인 엔드 투 엔드 ml 시스템 중 일부 를 구축 했습니다. 저는 ML 기반 솔루션을 개발하고 배포하는 데 있어 Ads, Search, YouTube, Cloud, Android, Waymo 및 Alphabet의 다른 부분에 속한 리더렀 협더왥.

그렇긴 하지만 ML은 제게 두 번째 분야이고 제 첫 번째 소명은 체스입니다.

저 는 1985 년 7 세 의 나이 로 우연 한 기회 에 체스 게임 에 입문 했고, 그랜드 마스터 가 되어 폴란드 자간 에서 열린 1997 년 세계 주니어 체스 챔피언십 에서 우승 등 정점 정점 을 이루며 국제 적인 경력 을 쌓게 되었습니다. 기술 분야 에서 경력 을 쌓기 이전 에 체스 에 관한 업적 을 쌓았기 때문 에 사람들 은 종종 체스 에 대한 제 과거의 경험 을 사용 엔지니어 엔지니어 로서 의 제 을 설명 하는 등 등, 두 업적 사이 의 관계 를 찾으려고들 합니다.

그러나 저는 이것이 인과관계와 상관관계를 혼동하는 경우라고 생각합니다. 이는 많은 ML 알고리즘에서도 발생하는 문제입니다. 저 는 항상 상황 을 장기 적 으로 개선 하고 최적화 하기 위한 방안 을 깊게 생각 하는 사람 이 되는 데 집중 하기 때문 에 좋은 체스 선수가 되었습니다. 저 는 시스템 을 이해 하고, 복잡성 을 수용 하고, 가치 를 극대 화 하기 위해 어려운 결정 에 관해 생각 하는 데 많은 시간 을 투자 하는 것 을 좋아합니다. 체스 에서 이는 제 가 될 수 있는 최고 의 선수 로 스스로 를 발전 시키기 위한 부단 한 노력 및 자기 성찰 과 결합 되어 게임 중 어떻게 움직일 것 인지 결정 하는 과 관련 관련 됩니다. 기술 에서 이는 시스템 설계, 다음 에 구축 할 항목 의 우선 순위 지정, 실행 및 영향 을 극대 화 하기 위한 프로젝트 및 팀 구성과 관련 됩니다.

최근 저의 Google 에서 Snowflake로의 이직 역시 전략적이고 합리적인 사고에 따른 결정으로 설명될 수 있실니. 저 는 이 전환 을 ml 에 대해 깊이 생각 하고 결단력 있게 행동 하고 모든 이 를 위해 Ml 이 미래 에 어떤 모습 일지 에 영향 을 미칠 수 있게 하는 논리 인 다음 다음 단계 라고 생각 합니다.

Snowflake로 이직한 이유

2015년까지 저는 Google 내부의 문제를 해결하기 위한 ML 기술 개발에 집중했습니다. 그 무렵 Google Cloud 사람들은 ML 공간에서 무엇을 해야 할지 고민하기 시작했습니다. 저는 현재 Snowflake의 엔지니어링 SVP인 Greg Czajkowski와 Google 에서 협력하여 우리가 학습한 내용을 Google Cloud 에 적용할 수 있는 방법을 탐색하기 시작 했습니다. 저 는 특히 더 많은 사람들 이 Ml 에 액세스 할 수 있도록 하는 새로운 Ml 서비스 및 기능 을 설계 하는 데 도움 을 줄 기회 가 주어져서 주어져서 기뻤습니다.

몇 년 동안 Google Cloud로 작업한 후 저는 역사가 반복되는 것을 보았습니다. 이번에는 클라우드 및 엔터프라이즈 설정에서 그러했습니다. ML 이 마법 같은 경험을 만들어낼 수는 있지만 ML 자체가 마법은 아니라는 것을 배우는 데 년 이 슸. 클라우드 및 엔터 프라이즈 영역 에서 일 하는 많은 회사 는 Ml 을 블랙 박스로 취급 하는 데 지나치게 집중 하여 모든 경쟁 을 뛰어 넘는 기술 기술 을 만들 수 있는 묘책 을 찾고 있었습니다.

현실에서, ML은 사용하기 어렵습니다. 단일 ML 기반 솔루션을 구축하는 데 종종 많은 사람과 여러 팀이 필요합니다. 결과 솔루션은 ML 시스템의 예측할 수 없는 동작으로 인해 일반적으로 취약합니다. Ml 시스템 이 범 하는 실수 는 일반 적 으로 사람 이 범 하는 실수 와 다르게 나타나므로 이러한 오류 를 설명 하고 디버그 하고 개선 하기 가 어렵습니다. 이 모든 영역 에서 진전 을 이루긴 했지만, ml 을 통해 얻을 수 있는 대부분 의 기회 는 여전히 우리 앞 에 놓여 있다 고 생각 합니다.

지난 1년 동안 저는 가장 큰 영향을 미치기 위해 제가 무엇을 할 수 있을지 고민했습니다. 10 가지에 가까운 다양한 기회를 면밀히 살펴본 후 Snowflake에서 확인한 잠재력에 가장 했습니다. 이유는 다음과 같습니다.

데이터 중력 및 머신 러닝

Snowflake 다음과 같은 단순한 한 가지 이유로 ML과 AI를 변환하는 데 매우 유리한 위치에 있습니다. 데이터가 모든 ML 시스템에서 가장 중요한 부분이기 때문입니다. 우리 모두 는 더 나 은 데이터 가 더 나 은 모델 로 이어진다는 것 을 알고 있지만 데이터 를 사용 하여 모델 을 훈련 시키는 것 엔드 엔드 투 엔드 엔드 시스템 데이터 가 수행 하는 역할 의 극히 일부 엔드 불과 시스템 에서 가 수행 수행 하는 역할 극히 일부 일부 에 불과 합니다. 예를 들어 ML 시스템은 지속적인 훈련 및 실시간 추론을 위해 데이터 스트림에 의존합니다. 이들 은 복잡한 비즈니스 로직 및 소비자 대면 제품 에 참여 하는 모델 및 예측 과 같은 상호 관련 된 여러 버전 의 아티팩트 를 생성 하며, 모두 많은 양 의 데이터 를 소비 생성 생성 생성 합니다. 훌륭한 엔드 투 엔드 ml 경험 을 제공 하려면 이 모든 데이터 를 구성 하고 처리 하기 위한 전체 적 인 접근 방식 이 필요 필요.

‘데이터 중력’ 개념 은 많은 양 의 데이터 를 이동 하는 것 이 비교 적 더 어렵기 때문 에 에, 서비스 와 이 이 데이터 를 끌어들 이기 보다 는 데이터 의 이 점점 더 커지면 서비스 와 애플리케이션 을 끌어들임 을 관찰 으로써 정립 정립 됐습니다. 우리 모두 알다시피, 우리는 지금 그 어느 때보다 더 많은 데이터를 생성하고 있습니다. 따라서 데이터는 시간이 지남에 따라 훨씬 더 많은 ‘질량’이 축적되어 더 큰 중력을 유발합니. 데이터는 모든 ML 시스템에서 가장 중요한 부분이고 데이터 중력이 있음은 서비스와 애플리케이션이 데이터에 더 가깝게 이동함을 의미하므로 Snowflake는 혁신을 통해 앞으로 얼마나 많은 기업이 ML을 활용할 것인지 결정할 놀라운 기회를 갖게 됩니다.

데이터 관리 및 데이터 공유

Flocon de neige 에 합류 하기 전 에 저 는 Google ADS 에서 2 년 동안 사용자, 광고주 및 Google 을 위한 장기 적인 가치 최적화 에 중점 을 둔 여러 Ml 시도 를 담당 했습니다. 이것은 더 많은 데이터가 항상 더 나은 결과로 이어지는 엄청나게 복잡한 공간이었습니다. 가장 단순한 경우는 저희 팀의 한 부분이 팀 내 다른 부분과 데이터를 공유하는 것이었습니다. 더 복잡한 경우 는 사용자 의 단기 적 행동 과 장기 적 관심 을 더 잘 이해 하기 위해 위해 Recherche, YouTube, ADS 와 같은 다양 제품 제품 영역 에서 데이터 를 공유 하는 것 이 포함 포함 되었습니다. 가장 복잡한 사례 중 몇몇 에는 전환 을 최적 화 하고 사용자 를 더 잘 이해 하기 위해 Google 과 다른 회사 전반 에 걸쳐 데이터 를 공유 하는 것 이 포함 되었습니다. 팀, 조직 및 회사 간 에 데이터 를 공유 함 으로써 많은 Ml 시스템 이 전체 광고 생태계 에 훨씬 더 많은 가치 를 생성 할 수 수.

그러나 데이터 공유 를 쉽게 만들고 해당 되는 모든 기업 의 정책 및 개인 정보 보호 규정 을 준수 하는 방식 으로 수행 하려면 데이터 거버 넌스 및 데이터 처리 를 위한 정교 한 이 필요 필요 했습니다. ADS 의 많은 리소스 가 이러한 복잡성 을 해결 하는 데 사용 되었지만 파트너 회사도 자체 솔루션이 필요 했기 때문 에 문제 의 일부 만 을 해결 했습니다. 이전에 저는 데이터 관리 시스템을 당연하게 여겼습니다. 이후, ADS 에서 의 경험 및 파트너 기업과 함께 일 한 경험 덕분 에 대규모 데이터 관리 및 공유 의 어려움이 Ml 의 잠재력 을 얼마나 차단 하고 있는지 이해 하게 되었습니다. 2019년 처음 Snowflake에 대해 들었을 때 저는 이를 또 다른 데이터 관리 회사로 마음속에 정리해두었스. 2021년에 더 자세히 살펴보면서 Snowflake의 혁신적인 데이터 공유 기술에 대해 읽고 데이터 클라우드가 얼마나 빨리 성장 하고 있는지 알게 되면서 저 는 모든 것 을 종합 한 뒤 데이터 클라우드 위 에 Ml 기능과 서비스 를 구축 할 거대 하고 독자 적 인 기회 가 있다는 것 을 깨달았습니다.

기술 우선과 고객 우선 문화

Snowflake 핵심은 기술 회사입니다. flocon de neige 그들 은 정말 어려운 기술 문제 를 해결 하고 세계 에서 가장 확장 가능 한 멀티 클라우드 및 크로스 클라우드 데이터 플랫폼 으로 이어지는 혁신 적 인 솔루션 을 설계 하는 데 많은 시간 을 할애 했습니다. 이는 누구 나 데이터 를 공유 하고 해당 데이터 를 기반 으로 서비스 를 구축 하여 다른 모든 이 가 사용 할 수 있게 하는 데이터 클라우드 가 가능 해지는 기반이 되었습니다.

Flocon de neige 합류하기 전에 Flocon de neige Flocon de neige 의 로켓선 이면의 로켓을 읽었습니다. 지금까지 그 기사에서 읽은 모든 내용이 처음 몇 달 동안 제가 관찰한 내용과 일맥상통합니다. 창립자는 모든 가장 중요 한 기술 및 제품 관련 질문 에 적극 적 으로 관여 하며 제품 및 엔지니어링 의 우수성 에 중점 을 을 둡니다. 팀 은 신중 하므로, 긴박감 을 느낄 때 지름길 을 찾거나 기술 적 부채 를 늘리는 대신 건강 한 논의 를 할 시간 을 낸 다음 비로소 최고 의 기능 및 을 구축 하기 위해 의견 을 수렴 하고 일 에 전념 하며 노력 하기. 사람들 은 개방 적 이고 투명 하며 기꺼이 새로운 데이터 를 통합 하고 의견 을 변경 하는데, 이것 이 제 개인 적 인 스타일 에 잘 맞습니다.

또한, 미션은 강력한 집중의 대상입니다. 이는 더 작은 규모 의 회사 에서 일반 적 이나 Flake de neige 는 급속한 성장 에 도 불구하고 오늘날 에도 여전히 이러한 문화 를 보존 하고 있습니다. 혁명적인 무언가를 만들고 세상을 변화시키는 우리의 에너지는 손에 만져질 듯 뚜렷합니다. 우리는 거래를 성사시키면 축하하고, 패배했을 때는 앞으로 무엇을 더 잘해야 할지 생각합다. 저 는 때때 로, 클라우드 의 빠른 성장 에 발맞춰 새 기술 을 구축 하기 위해 다른 많은 기업 이 지나치게 서두르는 와중 당사 는 가능 한 한 빠르게 혁신 하기 위해 을 다 하는 스포츠 팀 처럼 운영 된다 혁신 하기 최선.

Snowflake ML 분야에서 역사가 길지 않을 수 있지만 저는 0에서 1로 가는 것을 좋아합니다. 저 는 Google 에서 그것 을 경험 했고 이번 에는 Snowflake 에서 완전히 새로운 도전 과 기회 로 다시 그렇게 하기 를 고대 하고 하고 있습니다.

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée.