Nota del redattore: questa è una trascrizione di un webcast live. Puoi visualizzare il webcast per intero qui.
Eric Kavanagh: Signore e signori, è ora di diventare saggi! È tempo di TechWise, un nuovissimo spettacolo! Mi chiamo Eric Kavanagh. Sarò il tuo moderatore per il nostro episodio inaugurale di TechWise. Esatto. Questa è una partnership di Techopedia e Bloor Group, ovviamente, della fama di Inside Analysis.
Mi chiamo Eric Kavanagh. Modererò questo evento davvero interessante e coinvolgente, gente. Scaveremo in profondità nella trama per capire cosa sta succedendo con questa grande cosa chiamata Hadoop. Cos'è l'elefante nella stanza? Si chiama Hadoop. Cercheremo di capire cosa significa e cosa succede.
Innanzitutto, grazie mille ai nostri sponsor, GridGain, Actian, Zettaset e DataTorrent. Riceveremo alcune brevi parole da ciascuno di essi verso la fine di questo evento. Avremo anche domande e risposte, quindi non essere timido: invia le tue domande in qualsiasi momento.
Scaveremo nei dettagli e porteremo le domande difficili ai nostri esperti. E parlando degli esperti, ehi, eccoli qui. Quindi, sentiremo il nostro dottor Robin Bloor, e gente, sono molto entusiasta di avere il leggendario Ray Wang, principale analista e fondatore di Constellation Research. È online oggi per darci i suoi pensieri ed è come Robin che è incredibilmente diversificato e si concentra davvero su molte aree diverse e ha la capacità di sintetizzarle e capire davvero cosa sta succedendo là fuori in questo intero campo della tecnologia dell'informazione e gestione dei dati.
Quindi, c'è quel piccolo elefante carino. È all'inizio della strada, come puoi vedere. Sta iniziando ora, è solo un po 'l'inizio, tutta questa faccenda di Hadoop. Ovviamente, nel 2006 o nel 2007, suppongo, è stato quando è stato rilasciato alla comunità open-source, ma ci sono state molte cose in corso, gente. Ci sono stati enormi sviluppi. In realtà, voglio far apparire la storia, quindi ho intenzione di fare una rapida condivisione desktop, almeno penso di esserlo. Facciamo una rapida condivisione desktop.
Ti sto mostrando questa storia folle, folle gente. Quindi Intel ha investito $ 740 milioni per acquistare il 18 percento di Cloudera. Ho pensato e sono tipo "Santo Natale!" Ho iniziato a fare i conti ed è come "È una valutazione di $ 4, 1 miliardi". Pensiamo a questo per un secondo. Voglio dire, se WhatsApp vale $ 2 miliardi, suppongo che Cloudera potrebbe anche valere $ 4, 1 miliardi, giusto? Voglio dire, perché no? Alcuni di questi numeri sono fuori dalla finestra in questi giorni, gente. Voglio dire, in genere in termini di investimento, hai l'EBITDA e tutti questi altri vari meccanismi, multipli di entrate e così via. Bene, sarà un diavolo di un multiplo delle entrate per arrivare a $ 4, 1 miliardi per Cloudera, che è una società fantastica. Non fraintendetemi - ci sono alcune persone molto, molto intelligenti laggiù incluso il ragazzo che ha iniziato l'intera mania di Hadoop, Doug Cutting, è laggiù - un sacco di persone molto intelligenti che stanno facendo molto, davvero cose interessanti, ma la linea di fondo è che i $ 4, 1 miliardi, sono un sacco di soldi.
Quindi ecco un momento ovvio in cattività che mi passa per la testa in questo momento che è un chip, Intel. I loro progettisti di chip stanno portando a vedere alcuni chip ottimizzati per Hadoop - devo pensarlo, gente. Questa è solo la mia ipotesi. Questa è solo una voce, se vuoi, ma ha un senso. E cosa significa tutto questo?
Quindi ecco la mia teoria. Che cosa sta succedendo? Molte di queste cose non sono nuove. La massiccia elaborazione parallela non è terribilmente nuova. L'elaborazione parallela sicuramente non è nuova. Sono stato nel mondo del supercalcolo per un po '. Molte di queste cose che stanno accadendo non sono nuove, ma c'è il tipo di consapevolezza generale che esiste un nuovo modo per attaccare alcuni di questi problemi. Quello che vedo accadere, se guardi alcuni dei grandi fornitori di Cloudera o Hortonworks e alcuni di questi altri ragazzi, quello che stanno facendo davvero se lo riduci al livello distillato più granulare è lo sviluppo di applicazioni. Questo è quello che stanno facendo.
Stanno progettando nuove applicazioni, alcune delle quali riguardano l'analisi aziendale; alcuni riguardano solo sistemi di sovralimentazione. Uno dei nostri venditori che ne ha parlato, fa quel genere di cose tutto il giorno, nello show oggi. Ma se è terribilmente nuovo, la risposta è "non proprio", ma stanno accadendo grandi cose, e personalmente, penso che quello che sta succedendo con Intel che sta facendo questo enorme investimento è una mossa che fa il mercato. Guardano il mondo oggi e vedono che è una specie di mondo monopolistico oggi. C'è Facebook e hanno battuto solo il moccio del povero MySpace. LinkedIn ha battuto il bottino del povero Who's Who. Quindi ti guardi intorno ed è un servizio che sta dominando tutti questi diversi spazi nel nostro mondo oggi, e penso che l'idea sia che Intel lanci tutti i suoi chip su Cloudera e provi a elevarlo in cima allo stack - questo è solo la mia teoria.
Quindi gente, come ho detto, avremo una lunga sessione di domande e risposte, quindi non essere timido. Invia le tue domande in qualsiasi momento. Puoi farlo utilizzando quel componente Domande e risposte della tua console di webcast. E con ciò, voglio arrivare ai nostri contenuti perché abbiamo un sacco di cose da superare.
Quindi, Robin Bloor, lascia che ti dia le chiavi e il pavimento è tuo.
Robin Bloor: OK, Eric, grazie per quello. Portiamo in ballo gli elefanti. È curioso, in realtà, che gli elefanti siano gli unici mammiferi terrestri che non possono effettivamente saltare. Tutti questi elefanti in questa particolare grafica hanno almeno un piede per terra, quindi suppongo che sia fattibile, ma in una certa misura, questi sono ovviamente elefanti Hadoop, quindi molto, molto capaci.
La domanda, davvero, che penso debba essere discussa e deve essere discussa in tutta onestà. Deve essere discusso prima di andare in qualsiasi altro luogo, il che è davvero quello di iniziare a parlare di ciò che Hadoop è in realtà.
Una delle cose che è assolutamente dalla base dell'uomo-gioco è l'archivio di valori-chiave. Avevamo negozi con valori-chiave. Li avevamo su mainframe IBM. Li abbiamo avuti sui minicomputer; DEC VAX aveva file IMS. C'erano capacità ISAM che erano praticamente su ogni minicomputer su cui puoi mettere le mani. Ma verso la fine degli anni '80, arrivò Unix e Unix in realtà non aveva alcun archivio di valori-chiave. Quando Unix lo sviluppò, si svilupparono molto rapidamente. Quello che è successo è stato che i venditori di database, in particolare Oracle, sono andati a ruba e hanno venduto i tuoi database per occuparsi di tutti i dati che ti interessano gestire su Unix. Windows e Linux si sono rivelati gli stessi. Pertanto, l'industria è andata avanti per la maggior parte degli ultimi 20 anni senza un negozio di valore-chiave per scopi generici. Bene, adesso è tornato. Non solo è tornato, è scalabile.
Ora, penso davvero che sia il fondamento di ciò che Hadoop è davvero e, in una certa misura, determina dove andrà. Cosa ci piace dei negozi con valori-chiave? Quelli di voi che sono vecchi come me e in realtà ricordano di aver lavorato con negozi di valori-chiave si rendono conto che potreste praticamente usarli per creare un database in modo informale, ma solo in modo informale. Sai che i metadati valutano rapidamente gli archivi nel codice del programma, ma potresti effettivamente crearlo come un file esterno e potresti se volessi iniziare a trattare un archivio di valori-chiave un po 'come un database. Ma ovviamente non aveva tutte quelle capacità di recupero di un database e non aveva un sacco di cose che i database ora hanno, ma era una funzionalità davvero utile per gli sviluppatori ed è uno dei motivi per cui penso che Hadoop si è rivelato così popolare, semplicemente perché sono stati programmatori, programmatori e sviluppatori che sono stati rapidi. Si sono resi conto che non solo è un valore-chiave del negozio, ma è un negozio di valori-chiave scalabile. Si ridimensiona praticamente indefinitamente. Ho inviato queste scale a migliaia di server, quindi questa è la cosa più grande di Hadoop, è quello che è.
Ha anche MapReduce, che è un algoritmo di parallelizzazione, ma secondo me non è importante. Quindi, sai, Hadoop è un camaleonte. Non è solo un file system. Ho visto vari tipi di affermazioni fatte per Hadoop: è un database segreto; non è un database segreto; è un negozio comune; è una cassetta degli attrezzi analitica; è un ambiente ELT; è lo strumento di pulizia dei dati; è un data warehouse di piattaforme di streaming; è un magazzino; è una cura per il cancro e così via. Molte di queste cose non sono realmente vere per la vaniglia Hadoop. Probabilmente Hadoop è un prototipo: è certamente un ambiente di prototipazione per un database SQL, ma in realtà non lo è, se si mette lo spazio di età con il catalogo di età su Hadoop, si ottiene qualcosa che assomiglia a un database, ma non è proprio quello che qualcuno chiamerebbe un database in termini di capacità. Molte di queste funzionalità, puoi sicuramente ottenerle su Hadoop. Ce ne sono sicuramente molti. In realtà, puoi ottenere qualche fonte di Hadoop, ma Hadoop stesso non è ciò che definirei operativamente rafforzato, e quindi l'accordo su Hadoop, davvero non sarei su nessun altro, è che hai bisogno di avere il terzo prodotti di terze parti per migliorarlo.
Quindi, parlare di te può solo tirare in poche righe mentre sto parlando di Hadoop. Prima di tutto, funzionalità di query in tempo reale, ben sai che il tempo reale è un po 'di tempo di lavoro, in realtà quasi sempre critico in termini di prestazioni altrimenti. Voglio dire, perché dovresti progettare in tempo reale? Hadoop non lo fa davvero. Fa qualcosa che è quasi in tempo reale ma in realtà non fa cose in tempo reale. Esegue lo streaming, ma non esegue lo streaming in un modo che definirei piattaforme di streaming di applicazioni di tipo davvero critico. C'è una differenza tra un database e un archivio clearable. Sincronizzalo su Hadoop ti dà un archivio di dati clearable. È un po 'come un database ma non è lo stesso di un database. Hadoop nella sua forma nativa, secondo me, non si qualifica affatto come un database perché è a corto di parecchie cose che un database dovrebbe avere. Hadoop fa molto, ma non lo fa particolarmente bene. Ancora una volta, la capacità è lì, ma siamo ben lontani dall'avere effettivamente una capacità veloce in tutte queste aree.
L'altra cosa da capire su Hadoop è che è un po 'lunga da quando è stato sviluppato. È stato sviluppato nei primi giorni; è stato sviluppato quando avevamo server che in realtà avevano un solo processore per server. Non abbiamo mai avuto processori multi-core ed è stato costruito per funzionare su griglie, lanciare griglie e server. Uno degli obiettivi di progettazione di Hadoop era di non perdere mai il lavoro. E questo riguardava davvero l'errore del disco, perché se hai centinaia di server, allora la probabilità è che se hai dischi sui server, è probabile che avrai una disponibilità di uptime di qualcosa come 99.8. Ciò significa che si otterrà in media un errore di uno di questi server una volta ogni 300 o 350 giorni, un giorno all'anno. Quindi, se avessi centinaia di questi, la probabilità sarebbe in qualsiasi giorno dell'anno in cui si verificherebbe un errore del server.
Hadoop è stato creato appositamente per risolvere questo problema, in modo che, nel caso in cui qualcosa non abbia funzionato, sta acquisendo istantanee di tutto ciò che accade, su ogni particolare server e può recuperare il processo batch in esecuzione. E questo è stato tutto ciò che effettivamente è mai stato eseguito su Hadoop sono stati i lavori batch e questa è una capacità davvero utile, va detto. Alcuni dei lavori batch che venivano eseguiti, in particolare su Yahoo, dove penso che Hadoop fosse nato, sarebbero stati in esecuzione per due o tre giorni e, se falliva dopo un giorno, non volevi davvero perdere il lavoro quello era stato fatto. Questo è stato il punto progettuale alla base della disponibilità su Hadoop. Non chiameresti quella disponibilità elevata, ma potresti chiamarla disponibilità elevata per lavori batch seriali. Questo è probabilmente il modo di vederlo. L'alta disponibilità è sempre configurata in base alle caratteristiche della linea di lavoro. Al momento, Hadoop può essere configurato solo per processi batch realmente seriali per quel tipo di ripristino. L'elevata disponibilità aziendale è probabilmente la migliore idea in termini di LLP transazionale. Credo che se non lo guardi come una specie di cosa in tempo reale, Hadoop non lo fa ancora. Probabilmente è molto lontano dal farlo.
Ma ecco la cosa bella di Hadoop. Quella grafica sul lato destro che ha un elenco di fornitori attorno al bordo e tutte le linee su di esso indicano le connessioni tra quei venditori e altri prodotti nell'ecosistema Hadoop. Se lo guardi, è un ecosistema incredibilmente impressionante. È abbastanza notevole. Ovviamente, parliamo con molti venditori in termini di capacità. Tra i venditori con cui ho parlato, ci sono alcune capacità davvero straordinarie di usare Hadoop e in memoria, il modo di usare Hadoop come archivio compresso, di usare Hadoop come ambiente ETL, e così via. Ma davvero, se aggiungi il prodotto a Hadoop stesso, funziona molto bene in uno spazio particolare. Quindi, mentre sono critico nei confronti di Hadoop nativo, non sono critico nei confronti di Hadoop quando in realtà aggiungi un po 'di potere ad esso. Secondo me, la popolarità di Hadoop garantisce il suo futuro. Voglio dire, anche se ogni riga di codice scritta finora su Hadoop scompare, non credo che l'API HDFS scomparirà. In altre parole, penso che il file system, l'API, sia qui per rimanere, e possibilmente YARN, lo scheduler che lo controlla.
Quando lo guardi davvero, questa è una capacità molto importante e ci penserò su un minuto, ma l'altra cosa, diciamo, le persone eccitanti su Hadoop è l'intera immagine open source. Quindi vale la pena esaminare ciò che l'immagine open source è in termini di ciò che considero una reale capacità. Mentre Hadoop e tutti i suoi componenti possono certamente fare ciò che chiamiamo lunghezze di dati - o come preferisco chiamarlo, un serbatoio di dati - è certamente un'ottima area di gestione temporanea per rilasciare i dati nell'organizzazione o per raccogliere i dati nell'organizzazione - estremamente buono per sandbox e dati di pesca. È ottimo come piattaforma di sviluppo di prototipazione che potresti implementare alla fine della giornata, ma sai come ambiente di sviluppo praticamente tutto ciò che vuoi è lì. Come negozio di archivio, ha praticamente tutto ciò di cui hai bisogno, e ovviamente non è costoso. Non penso che dovremmo divorziare da una di queste due cose da Hadoop anche se non sono formalmente, se vuoi, componenti di Hadoop. Il cuneo online ha portato una grande quantità di analisi nel mondo open source e molte di queste analisi sono ora in esecuzione su Hadoop perché ciò ti offre un ambiente conveniente in cui puoi effettivamente prendere molti dati esterni e iniziare a giocare in una sandbox analitica.
E poi hai le capacità open-source, che sono entrambe apprendimento automatico. Entrambi sono estremamente potenti nel senso che implementano potenti algoritmi analitici. Se metti insieme queste cose, hai i kernel di alcune funzionalità molto, molto importanti, che in un modo o nell'altro sono molto probabili - se si sviluppa da solo o se i fornitori entrano per riempire i pezzi mancanti - è molto probabile che continui per molto tempo e certamente penso che l'apprendimento automatico abbia già un impatto molto grande sul mondo.
L'evoluzione di Hadoop, YARN ha cambiato tutto. Quello che era successo era che MapReduce era praticamente saldato al primo file system HDFS. Quando è stato introdotto YARN, ha creato una capacità di pianificazione nella sua prima versione. Non ti aspetti la pianificazione estremamente sofisticata dalla prima versione, ma significava che ora non era più necessariamente un ambiente di patch. Era un ambiente in cui potevano essere programmati più lavori. Non appena ciò è accaduto, c'è stata un'intera serie di venditori che si erano tenuti alla larga da Hadoop: sono appena entrati e si sono connessi ad esso perché poi potevano semplicemente considerarlo come l'ambiente di programmazione su un file system e potevano indirizzare cose a esso. Ci sono persino venditori di database che hanno implementato i loro database su HDFS, perché prendono semplicemente il motore e lo mettono in HDFS. Con il collegamento in cascata e con YARN, diventa un ambiente molto interessante perché puoi creare flussi di lavoro complessi su HDFS e questo significa davvero che puoi iniziare a pensarlo come una vera piattaforma che può eseguire più lavori contemporaneamente e si sta spingendo verso il punto di fare cose mission-critical. Se lo farai, probabilmente dovrai acquistare alcuni componenti di terze parti come la sicurezza e così via, e così via, che Hadoop in realtà non ha un account di controllo per colmare le lacune, ma tu arrivare al punto in cui anche con l'open source nativo puoi fare alcune cose interessanti.
In termini di dove penso che Hadoop stia effettivamente andando, credo personalmente che HDFS diventerà un file system scalabile predefinito e quindi diventerà il sistema operativo, il sistema operativo, per la griglia per il flusso di dati. Penso che abbia un enorme futuro in questo e non credo che si fermerà lì. E in realtà penso che l'ecosistema aiuti solo perché praticamente tutti, tutti i venditori nello spazio, stanno effettivamente integrando Hadoop in un modo o nell'altro e lo stanno solo abilitando. In termini di un altro punto degno di nota, in termini di eccesso di risorse di Hadoop, non è una piattaforma molto valida oltre alla parallelizzazione. Se guardi effettivamente cosa sta facendo, quello che sta realmente facendo è scattare regolarmente un'istantanea su ogni server mentre sta eseguendo i suoi lavori MapReduce. Se avessi intenzione di progettare una parallelizzazione davvero veloce, non avresti fatto nulla del genere. In realtà, probabilmente non useresti MapReduce da solo. MapReduce è solo ciò che direi mezzo capace di parallelismo.
Esistono due approcci al parallelismo: uno è tramite pipelining processi e l'altro è dividendo i dati MapReduce e fa la divisione dei dati, quindi ci sono molti lavori in cui MapReduce non sarebbe effettivamente il modo più veloce per farlo, ma lo farà ti dà parallelismo e non c'è niente da togliere. Quando hai molti dati, quel tipo di potere di solito non è così utile. YARN, come ho già detto, è una capacità di pianificazione molto giovane.
Hadoop è, un po 'come disegnare la linea nella sabbia qui, Hadoop non è un data warehouse. È così lontano dall'essere un data warehouse che è quasi un suggerimento assurdo dirlo. In questo diagramma, quello che sto mostrando nella parte superiore è una sorta di flusso di dati, che va da un serbatoio di dati Hadoop a un gigantesco database scalabile che è ciò che faremo effettivamente, un data warehouse aziendale. Sto mostrando database legacy, inserendo dati nel data warehouse e attività di offload creando database di offload dal data warehouse, ma questa è in realtà un'immagine che sto iniziando a vedere emergere, e direi che è come la prima generazione di cosa succede al data warehouse con Hadoop. Ma se guardi tu stesso il data warehouse, ti rendi conto che sotto il data warehouse hai un ottimizzatore. Ci sono operatori di query distribuiti su molti processi che si trovano su forse un numero molto elevato di dischi. Questo è ciò che accade in un data warehouse. In realtà è un tipo di architettura costruita per un data warehouse e ci vuole molto tempo per costruire qualcosa del genere, e Hadoop non ne ha affatto. Quindi Hadoop non è un data warehouse e non diventerà uno, secondo me, presto.
Ha questo relativo serbatoio di dati e sembra interessante se guardi il mondo come una serie di eventi che fluiscono nell'organizzazione. Questo è quello che sto mostrando sul lato sinistro di questo diagramma. Farlo passare attraverso una funzionalità di filtro e routing e le cose che devono andare per lo streaming vengono sottratte dalle app di streaming e tutto il resto va direttamente nel serbatoio di dati in cui è preparato e pulito, e quindi passato da ETL a un singolo dato magazzino o un data warehouse logico costituito da più motori. Questa è, a mio avviso, una linea di sviluppo naturale per Hadoop.
In termini di ETW, una delle cose che vale la pena sottolineare è che il data warehouse stesso è stato effettivamente spostato - non è quello che era. Certamente, al giorno d'oggi, ci si aspetta che ci sia una capacità gerarchica per dati gerarchici di ciò che le persone, o alcune persone, chiamano i documenti nel data warehouse. Questo è JSON. Forse, query di rete che sono database di grafici, possibilmente analisi. Quindi, ci stiamo muovendo verso un ETW che ha effettivamente un carico di lavoro più complesso di quelli a cui siamo abituati. Quindi è un po 'interessante perché in un certo senso significa che il data warehouse sta diventando ancora più sofisticato, e per questo, ci vorrà ancora più tempo prima che Hadoop ci si avvicini. Il significato del data warehouse si sta estendendo, ma include ancora l'ottimizzazione. Devi avere una capacità di ottimizzazione, non solo per le query ora ma per tutte queste attività.
Questo è tutto, davvero. Questo è tutto ciò che volevo dire su Hadoop. Penso di poter passare a Ray, che non ha slide, ma è sempre bravo a parlare.
Eric Kavanagh: Prenderò le diapositive. C'è il nostro amico, Ray Wang. Allora, Ray, cosa ne pensi di tutto questo?
Ray Wang: Ora, penso che sia stata probabilmente una delle storie più succinte e grandi dei negozi di valore-chiave e in cui Hadoop è andato in relazione con le imprese che sono fuori, quindi imparo sempre molto ascoltando Robin.
In realtà, ho una diapositiva. Posso far apparire una diapositiva qui.
Eric Kavanagh: vai avanti e fai clic su, fai clic su Start e vai a condividere il desktop.
Ray Wang: Capito, eccoti. In realtà condividerò. Puoi vedere l'app stessa. Vediamo come va.
Tutti questi discorsi su Hadoop e poi entriamo in profondità nella conversazione sulle tecnologie che sono lì e su dove Hadoop è diretto, e molte volte mi piace semplicemente riprenderlo per discutere davvero del business. Molte delle cose che stanno accadendo dal punto di vista tecnologico sono proprio questo pezzo in cui abbiamo parlato di data warehouse, gestione delle informazioni, qualità dei dati, padronanza di tali dati, e quindi tendiamo a vederlo. Quindi, se guardi questo grafico qui in fondo, è molto interessante che i tipi di individui che incontriamo in quel discorso su Hadoop. Abbiamo i tecnologi e i data scientist che si stanno divertendo, entusiasti e in genere riguardano le fonti di dati, giusto? Come padroneggiamo le fonti di dati? Come possiamo ottenere questo nei giusti livelli di qualità? Cosa facciamo riguardo alla governance? Cosa possiamo fare per abbinare diversi tipi di fonti? Come manteniamo il lignaggio? E tutto quel tipo di discussione. E come possiamo ottenere più SQL dal nostro Hadoop? Quindi quella parte sta accadendo a questo livello.
Quindi, dal punto di vista dell'informazione e dell'orchestrazione, è qui che diventa interessante. Stiamo iniziando a legare i risultati di questa intuizione che stiamo ottenendo o la stiamo riportando dai processi aziendali? Come possiamo ricollegarlo a qualsiasi tipo di modello di metadati? Stiamo collegando i punti tra gli oggetti? E così i nuovi verbi e le discussioni su come utilizziamo quei dati, passando da ciò che siamo tradizionalmente in un mondo di CRUD: creare, leggere, aggiornare, eliminare, in un mondo che sta discutendo su come interagiamo o condividiamo o collaboriamo o come o tirare qualcosa.
È qui che stiamo iniziando a vedere molta eccitazione e innovazione, in particolare su come estrarre queste informazioni e portarle al valore. Questa è la discussione basata sulla tecnologia sotto la linea rossa. Al di sopra di quella linea rossa, stiamo ricevendo le stesse domande che abbiamo sempre voluto porre e una di quelle che solleviamo sempre è come, ad esempio, forse la domanda al dettaglio per te è come "Perché i maglioni rossi vendono meglio in Alabama che maglioni blu nel Michigan? " Potresti pensarci e dire "È un po 'interessante". Vedi quel modello. Facciamo questa domanda e ci chiediamo "Ehi, cosa stiamo facendo?" Forse si tratta di scuole statali - Michigan contro Alabama. OK, capisco, vedo dove stiamo andando. E così stiamo iniziando a ottenere il lato aziendale della casa, le persone in finanza, le persone che hanno capacità di BI tradizionali, le persone nel marketing e le persone nelle risorse umane che dicono: "Dove sono i miei modelli?" Come possiamo arrivare a questi schemi? E così vediamo un altro modo di innovazione dal lato Hadoop. Si tratta davvero di come riusciamo ad approfondire gli approfondimenti sugli aggiornamenti. Come possiamo realizzare questo tipo di connessioni? Va fino alle persone che stanno facendo così, pubblicità: tecnologia che sostanzialmente cerca di connettere annunci e contenuti pertinenti da qualsiasi cosa, dalle reti di offerte in tempo reale agli annunci contestuali e al posizionamento degli annunci e farlo al volo.
Quindi è interessante. Vedi la progressione di Hadoop da "Ehi, ecco la soluzione tecnologica. Ecco cosa dobbiamo fare per divulgare queste informazioni alle persone". Quindi, mentre attraversa la linea di business, è qui che diventa interessante. È l'intuizione. Dov'è la performance? Dov'è la detrazione? Come stiamo prevedendo le cose? Come possiamo influenzare? E poi portalo all'ultimo livello in cui vediamo effettivamente un'altra serie di innovazioni di Hadoop che stanno accadendo intorno ai sistemi e alle azioni decisionali. Qual è la prossima migliore azione? Quindi sai che i maglioni blu stanno vendendo meglio in Michigan. Sei seduto su un sacco di maglioni blu in Alabama. La cosa ovvia è "Sì, beh, facciamolo spedire là fuori". Come lo facciamo? Qual è il prossimo passo? Come possiamo ricollegarlo? Forse la prossima migliore azione, forse è un suggerimento, forse è qualcosa che ti aiuta a prevenire un problema, forse non è nemmeno un'azione, che è un'azione in sé. Quindi iniziamo a vedere emergere questo tipo di schemi. E la bellezza di questo ritorno a ciò che stai dicendo sui negozi di valore-chiave, Robin, è che sta accadendo così in fretta. Sta accadendo nel modo in cui non ci abbiamo pensato in questo modo.
Probabilmente direi che negli ultimi cinque anni abbiamo raccolto. Abbiamo iniziato a pensare in termini di come possiamo sfruttare nuovamente i negozi di valore-chiave, ma è solo negli ultimi cinque anni, le persone lo stanno guardando in modo molto diverso ed è come se i cicli tecnologici si ripetessero in schemi di 40 anni, quindi questo è gentile di una cosa divertente in cui stiamo guardando il cloud e sono come la condivisione del tempo del mainframe. Stiamo osservando Hadoop e come un archivio di valori-chiave - forse è un data mart, meno di un data warehouse - e quindi ricominciamo a vedere questi schemi. Quello che sto cercando di fare in questo momento è pensare a cosa facevano le persone 40 anni fa? Quali approcci, tecniche e metodologie sono state applicate e limitate dalle tecnologie che le persone avevano? È una specie di guida per questo processo di pensiero. Quindi, mentre analizziamo il quadro più ampio di Hadoop come strumento, quando torniamo indietro e pensiamo alle implicazioni del business, questo è un po 'il percorso che normalmente seguiamo attraverso le persone in modo da poter vedere quali pezzi, quali parti sono nei dati percorso decisionale. È solo qualcosa che volevo condividere. È una specie di pensiero che abbiamo usato internamente e, si spera, aggiunge alla discussione. Quindi te lo restituirò, Eric.
Eric Kavanagh: È fantastico. Se riesci a rimanere in attesa di alcune domande e risposte. Ma mi è piaciuto che tu lo abbia riportato al livello aziendale perché alla fine, è tutto incentrato sul business. Si tratta solo di fare le cose e di assicurarsi che stai spendendo soldi saggiamente e questa è una delle domande che ho già visto, quindi gli oratori potrebbero voler pensare a quale sia il TCL di seguire la strada di Hadoop. C'è un punto debole nel mezzo, ad esempio, usare gli strumenti degli scaffali per ufficio per fare le cose in modo tradizionale e usare i nuovi set di strumenti, perché di nuovo, pensaci, molte cose non sono nuove, sono solo una specie di coalizzare in un modo nuovo è, immagino, il modo migliore per dirlo.
Quindi andiamo avanti e presentiamo la nostra amica, Nikita Ivanov. È fondatore e CEO di GridGain. Nikita, vado avanti e ti porterò le chiavi, e credo che tu sia là fuori. Mi senti Nikita?
Nikita Ivanov: Sì, sono qui.
Eric Kavanagh: eccellente. Quindi il pavimento è tuo. Fai clic su quella diapositiva. Usa la freccia giù e portala via. Cinque minuti.
Nikita Ivanov: quale diapositiva faccio clic?
Eric Kavanagh: basta fare clic in un punto qualsiasi di quella diapositiva e quindi utilizzare la freccia giù sulla tastiera per spostarsi. Basta fare clic sulla diapositiva stessa e utilizzare la freccia giù.
Nikita Ivanov: Bene, quindi solo alcune brevi diapositive su GridGain. Cosa facciamo nel contesto di questa conversazione? GridGain produce fondamentalmente un software di elaborazione in memoria e parte della piattaforma che abbiamo sviluppato è l'acceleratore Hadoop in memoria. In termini di Hadoop, tendiamo a pensare a noi stessi come specialisti delle prestazioni di Hadoop. Ciò che facciamo, in sostanza, in aggiunta alla nostra piattaforma di elaborazione in-memory di base che consiste in tecnologie come griglia di dati, streaming di memoria e griglie di calcolo sarebbe in grado di accelerare plug-and-play Hadoop. È molto semplice Sarebbe bello se potessimo sviluppare una sorta di soluzione plug-and-play che può essere installata direttamente nell'installazione di Hadoop. Se tu, lo sviluppatore di MapReduce, hai bisogno di una spinta senza la necessità di scrivere nuovi software o cambiare codice o cambiare, o fondamentalmente hai una modifica di configurazione minima nel cluster Hadoop. Questo è ciò che abbiamo sviluppato.
Fondamentalmente, l'acceleratore Hadoop in memoria si basa sull'ottimizzazione di due componenti nell'ecosistema Hadoop. Se pensi a Hadoop, è principalmente basato su HDFS, che è il file system. MapReduce, che è il framework per eseguire le competizioni in parallelo sul file system. Per ottimizzare Hadoop, ottimizziamo entrambi questi sistemi. Abbiamo sviluppato un file system in memoria completamente compatibile, 100% compatibile plug-and-play, con HDFS. È possibile eseguire invece di HDFS, è possibile eseguire su HDFS. E abbiamo anche sviluppato MapReduce in memoria compatibile plug-and-play con Hadoop MapReduce, ma ci sono molte ottimizzazioni su come funziona il flusso di lavoro di MapReduce e su come funziona la pianificazione su MapReduce.
Se guardi, ad esempio in questa diapositiva, mostriamo il tipo di pila di duplicati. Sul lato sinistro, hai il tuo tipico sistema operativo con GDM e in cima a questo diagramma hai il centro applicativo. Nel mezzo hai l'Hadoop. E Hadoop è di nuovo basato su HDFS e MapReduce. Quindi questo rappresenta in questo diagramma, ciò che è quello che stiamo incorporando nello stack di Hadoop. Ancora una volta, è plug-and-play; non è necessario modificare alcun codice. Funziona allo stesso modo. Nella diapositiva successiva, abbiamo mostrato essenzialmente come abbiamo ottimizzato il flusso di lavoro di MapReduce. Questa è probabilmente la parte più interessante perché ti dà il massimo vantaggio quando esegui i lavori MapReduce.
Il tipico MapReduce, quando si inoltra il lavoro, e sul lato sinistro c'è il diagramma, c'è la solita applicazione. Quindi, in genere, si sta inviando il lavoro e il lavoro va a un tracker lavoro. 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. Nessun dubbio su questo.
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. Grazie.
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.
Grazie.
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. Vediamo. 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. Voglio dire, è ridicolo. 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. Cosa ne pensi di questo?
Ray Wang: Oh, I think it's a Spider-man problem, isn't it? Con un grande potere viene una grande responsabilità. 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. Fammi vedere. 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. Questo è tutto. 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. Cosa ne pensi di questo?
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.
Detto questo, ti saluteremo, gente. 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. Ciao ciao.
