Redaktørens merknad: Dette er en transkripsjon av en live webcast. Du kan se webcasten i sin helhet her.
Eric Kavanagh: Mine damer og herrer, det er på tide å bli klok! Det er på tide med TechWise, et helt nytt show! Jeg heter Eric Kavanagh. Jeg kommer til å være din moderator for vår første episode av TechWise. Det er helt riktig. Dette er et samarbeid med Techopedia og Bloor Group, selvfølgelig, av Inside Analyse-berømmelse.
Jeg heter Eric Kavanagh. Jeg vil moderere denne virkelig interessante og involverte hendelsen, folkens. Vi kommer til å grave dypt ned i veven for å forstå hva som skjer med denne store tingen som heter Hadoop. Hva er elefanten i rommet? Det heter Hadoop. Vi skal prøve å finne ut hva det betyr og hva som skjer med det.
Først av alt, stor takk til sponsorene våre, GridGain, Actian, Zettaset og DataTorrent. Vi får noen korte ord fra hver av dem nær slutten av denne begivenheten. Vi har også spørsmål og svar, så ikke vær sjener - send inn spørsmålene dine når som helst.
Vi vil grave i detaljene og kaste de vanskelige spørsmålene til ekspertene våre. Og snakker om ekspertene, hei, der er de. Så vi kommer til å høre fra vår egen Dr. Robin Bloor, og folk, jeg er veldig spent på å ha den legendariske Ray Wang, hovedanalytiker og grunnlegger av Constellation Research. Han er online i dag for å gi oss sine tanker, og han er som Robin at han er utrolig mangfoldig og virkelig fokuserer på mange forskjellige områder og har evnen til å syntetisere dem og virkelig forstå hva som foregår der ute i hele feltet av informasjonsteknologi. og datahåndtering.
Så det er den lille søte elefanten. Han er i begynnelsen av veien, som du kan se. Det begynner akkurat nå, det er bare å starte, hele Hadoop-greia. Selvfølgelig, antar jeg, i 2006 eller 2007, da det ble gitt ut til open source-samfunnet, men det har skjedd mange ting, folkens. Det har skjedd en enorm utvikling. Faktisk vil jeg få frem historien, så jeg kommer til å gjøre en rask desktop-andel, i det minste tror jeg at jeg er det. La oss gjøre en rask desktop-andel.
Jeg viser deg dette bare vanvittige, vanvittige historien. Så Intel investerte 740 millioner dollar for å kjøpe 18 prosent av Cloudera. Jeg tenkte, og jeg er, "Holy Christmas!" Jeg begynte å gjøre matte og det er som "Det er en verdivurdering på 4, 1 milliarder dollar." La oss tenke på dette et øyeblikk. Hvis WhatsApp er verdt 2 milliarder dollar, antar jeg at Cloudera like godt kan være verdt 4, 1 milliarder dollar, ikke sant? Jeg mener, hvorfor ikke? Noen av disse tallene er bare ute av vinduet i disse dager, folkens. Jeg mener, typisk når det gjelder investering, har du EBITDA og alle disse andre mekanismene, mangfoldige av inntekter og så videre. Vel, det vil være et stykke for flere inntekter å komme til 4, 1 milliarder dollar for Cloudera, som er et fantastisk selskap. Misforstå ikke - det er noen veldig, veldig smarte mennesker der borte, inkludert fyren som startet hele Hadoop-maniingen, Doug Cutting, han er der borte - mange veldig intelligente mennesker som gjør mye skikkelig, virkelig kule ting, men poenget er at $ 4, 1 milliarder dollar, det er mye penger.
Så her er det et slags åpenbart øyeblikk med å gå gjennom hodet mitt akkurat nå, som er en chip, Intel. Deres brikkedesignere får se noen Hadoop-optimaliserte brikker - jeg må tro det, folkens. Det er bare min gjetning. Det er bare et rykte fra meg, hvis du vil, men det er fornuftig. Og hva betyr alt dette?
Så her er min teori. Hva skjer? Mange av disse tingene er ikke nye. Massiv parallellbehandling er ikke veldig nytt. Parallell behandling er ikke ny. Jeg har vært i verden av superdatamaskiner en stund. Mange av disse tingene som skjer er ikke nye, men det er den slags generelle bevissthet om at det er en ny måte å angripe noen av disse problemene. Det jeg ser skje, hvis du ser på noen av de store leverandørene av Cloudera eller Hortonworks og noen av disse andre karene, hva de gjør egentlig hvis du koker det ned til det mest kornete destillerte nivået er applikasjonsutvikling. Det er det de gjør.
De designer nye applikasjoner - noen av dem involverer forretningsanalyse; noen av dem involverer bare supercharging systemer. En av leverandørene våre som har snakket om det, de gjør den slags ting hele dagen, på showet i dag. Men hvis det er veldig nytt, er svaret igjen "egentlig ikke", men det er store ting som skjer, og personlig, tror jeg det som skjer med at Intel som gjør denne enorme investeringen, er et markedsøkende grep. De ser på verden i dag og ser at det er en slags monopolverden i dag. Det er Facebook, og de har slått bare snørreren fra dårlige MySpace. LinkedIn har slått snuten fra fattige Who's Who. Så du ser deg rundt og det er en tjeneste som dominerer alle disse forskjellige plassene i vår verden i dag, og jeg tror ideen er at Intel kommer til å kaste alle chipsene deres på Cloudera og prøve å løfte den til toppen av stabelen - det er bare teorien min.
Så folk, som sagt, vi skal ha en lang spørsmål og svar-økt, så ikke vær sjenert. Send spørsmålene dine når som helst. Du kan gjøre det ved å bruke den spørsmål og svar-komponenten på webcast-konsollen. Og med det, vil jeg komme til innholdet vårt fordi vi har mange ting å komme igjennom.
Så Robin Bloor, la meg overlevere nøklene til deg, og gulvet er ditt.
Robin Bloor: OK, Eric, takk for det. La oss ta på de dansende elefantene. Det er faktisk en merkelig ting at elefanter er de eneste landpattedyrene som faktisk ikke kan hoppe. Alle disse elefantene i denne grafikken har minst en fot på bakken, så jeg antar at den er gjennomførbar, men til en viss grad er dette åpenbart Hadoop-elefanter, så veldig, veldig dyktige.
Spørsmålet, som jeg tror må diskuteres og må diskuteres i all ærlighet. Det må diskuteres før du drar andre steder, som for å begynne å snakke om hva Hadoop faktisk er.
En av tingene det absolutt er fra mann-lek-basis er nøkkelverdi-butikk. Vi pleide å ha nøkkelverdibutikker. Vi pleide å ha dem på IBM mainframe. Vi hadde dem på minicomputere; DEC VAX hadde IMS-filer. Det var ISAM-evner som var på omtrent alle minicomputere du kan få hendene på. Men en gang rundt slutten av 80-tallet kom Unix inn og Unix hadde faktisk ingen nøkkelverdi-butikk på seg. Da Unix utviklet den, utviklet de seg veldig raskt. Det som skjedde egentlig var at databaseleverandørene, spesielt Oracle, gikk inn der og de solgte databasene dine for å passe på alle data du vil administrere på Unix. Windows og Linux viste seg å være det samme. Så, industrien gikk den beste delen av 20 år uten en generell formål nøkkelverdi butikk. Vel, det er tilbake nå. Ikke bare er den tilbake, den er skalerbar.
Nå, jeg tror egentlig at det er grunnlaget for hva Hadoop egentlig er, og i en viss grad avgjør det hvor det skal gå. Hva liker vi med nøkkelverdibutikker? De av dere som er så gamle som jeg, og faktisk husker at du jobbet med butikker med nøkkelverdier, innser at du stort sett kunne brukt dem til å uformelt sette opp en database, men bare uformelt. Du vet at metadataene raskt lagrer verdien i programkoden, men du kan faktisk lage den til en ekstern fil, og du kunne gjort det hvis du ville begynne å behandle en nøkkelverdi-butikk litt som en database. Men selvfølgelig hadde den ikke alle den gjenopprettingsmulighetene som en database har, og den hadde ikke veldig mange ting databasene nå har fått, men det var en veldig nyttig funksjon for utviklere, og det er en av grunnene til at jeg tror at Hadoop har vist seg så populært - ganske enkelt fordi det har vært kodere, programmerere, utviklere som er raske til. De innså at ikke bare er en nøkkelverdi av butikken, men det er en skala ut nøkkelverdi-butikk. Det skalerer ut ganske mye på ubestemt tid. Jeg sendte disse skalaene ut i tusenvis av servere, så det er den virkelig store tingen med Hadoop, er det hva det er.
Den har også på toppen av det MapReduce, som er en parallelliseringsalgoritme, men faktisk er det, etter min mening, ikke viktig. Så, du vet, Hadoop er en kameleon. Det er ikke bare et filsystem. Jeg har sett forskjellige typer påstander fremsatt for Hadoop: det er en hemmelig database; det er ingen hemmelig database; det er en vanlig butikk; det er en analytisk verktøykasse; det er et ELT-miljø; det er datarensingsverktøy; det er et datalager for streamingplattformer; det er en arkivbutikk; det er en kur mot kreft, og så videre. De fleste av disse tingene er virkelig ikke sant for vanilje Hadoop. Hadoop er sannsynligvis en prototyping - det er absolutt et prototypemiljø for en SQL-database, men den har ikke egentlig det, hvis du legger aldersplass med alderskatalog over Hadoop, har du noe som ser ut som en database, men det er egentlig ikke hva noen vil kalle en database med tanke på evne. Mange av disse mulighetene, du kan absolutt få dem på Hadoop. Det er absolutt mange av dem. Faktisk kan du få noen kilder til Hadoop, men Hadoop i seg selv er ikke det jeg vil kalle operativt herdet, og derfor er avtalen om Hadoop, egentlig ikke ville jeg være med på noe annet, at du slags trenger å ha en tredje -party-produkter for å forbedre den.
Så å snakke om deg kan bare kaste inn noen få linjer mens jeg snakker Hadoop overreach. Først av alt, sanntids spørring evne, vel du vet at sanntid er en slags forretningstid, egentlig, nesten alltid ytelse kritisk ellers. Jeg mener, hvorfor skulle du konstruere sanntid? Hadoop gjør egentlig ikke dette. Det gjør noe som er i nærheten av sanntid, men det gjør ikke sanntids ting. Det gjør streaming, men det gjør ikke streaming på en måte om jeg vil kalle virkelig oppdragskritisk type applikasjonsstrømming-plattformer kan gjøre. Det er forskjell mellom en database og en spaltbar butikk. Synkroniser det til over Hadoop gir deg en klesbar datalager. Det er liksom en database, men det er ikke det samme som en database. Hadoop i sin opprinnelige form kvalifiserer etter min mening ikke som en database i det hele tatt fordi det mangler ganske mange ting en database skal ha. Hadoop gjør mye, men det gjør det ikke spesielt godt. Igjen, evnen er der, men vi er et stykke fra å faktisk ha en rask evne på alle disse områdene.
Den andre tingen å forstå om Hadoop er at det er ganske langt kommet siden det ble utviklet. Det ble utviklet i de første dagene; den ble utviklet da vi hadde servere som faktisk bare hadde en prosessor per server. Vi hadde aldri flerkjerneprosessorer, og den ble bygd for å kjøre over rutenett, lanseringsnett og skiver. Et av designmålene til Hadoop var å aldri miste arbeidet. Og det handlet egentlig om diskfeil, for hvis du har hundrevis av servere, så er sannsynligheten for at hvis du har disker på serverne, sannsynligheten for at du vil få en oppetidstilgjengelighet på noe som 99, 8. Det betyr at du i gjennomsnitt får en feil på en av disse serverne en gang hver 300 eller 350 dag, en dag i året. Så hvis du hadde hundrevis av disse, vil sannsynligheten være en hvilken som helst dag i året at du får en serverfeil.
Hadoop ble bygget spesielt for å løse dette problemet - slik at det i tilfelle at noe mislyktes, tar øyeblikksbilder av alt som skjer, på alle servere, og det kan gjenopprette batchjobben som kjører. Og det var alt som noen gang kjørte på Hadoop var batchjobber, og det er en veldig nyttig evne, må det sies. Noen av batchjobbene som ble kjørt - spesielt hos Yahoo, der jeg tror Hadoop var slags fødte - ville kjørt i to eller tre dager, og hvis det mislyktes etter en dag, ville du virkelig ikke miste jobben det hadde blitt gjort. Så det var designpunktet bak tilgjengeligheten på Hadoop. Du vil ikke kalle så høy tilgjengelighet, men du kan kalle det for høy tilgjengelighet for serielle batchjobber. Det er sannsynligvis måten å se på det. Høy tilgjengelighet er alltid konfigurert i henhold til arbeidslinjens egenskaper. For øyeblikket kan Hadoop bare konfigureres for virkelig serielle batchjobber med hensyn til den typen utvinning. Enterprise høy tilgjengelighet er sannsynligvis best tenkt med tanke på transaksjonell LLP. Jeg tror at hvis du ikke ser på det som en sanntids ting, så gjør Hadoop ikke det ennå. Det er sannsynligvis langt fra å gjøre det.
Men her er det vakre med Hadoop. Den grafikken på høyre side som har en liste over leverandører rundt kanten og alle linjene på den indikerer forbindelser mellom leverandørene og andre produkter i Hadoop-økosystemet. Hvis du ser på det, er det et utrolig imponerende økosystem. Det er ganske oppsiktsvekkende. Vi snakker tydeligvis med mange leverandører når det gjelder deres evner. Blant leverandørene jeg har snakket med, er det noen virkelig ekstraordinære muligheter for å bruke Hadoop og in-memory, måte å bruke Hadoop som et komprimert arkiv, å bruke Hadoop som et ETL-miljø, og så videre og så videre. Men egentlig, hvis du legger produktet til Hadoop selv, fungerer det ekstremt bra i et bestemt rom. Så mens jeg er kritisk til innfødte Hadoop, er jeg ikke kritisk til Hadoop når du faktisk legger litt krefter til det. Etter min mening garanterer Hadoops popularitet slags fremtid. Med det mener jeg, selv om hver kodelinje som er skrevet så langt på Hadoop forsvinner, tror jeg ikke at HDFS API vil forsvinne. Med andre ord, jeg tror filsystemet, API, er her for å bli, og muligens YARN, planleggeren som ser over det.
Når du faktisk ser på det, er det en veldig viktig evne, og jeg vil litt vokse på det om et øyeblikk, men det andre som er, la oss si, spennende mennesker om Hadoop er hele open source-bildet. Så det er verdt å gå gjennom open source-bildet når det gjelder hva jeg ser på som ekte evner. Mens Hadoop og alle dets komponenter absolutt kan gjøre det vi kaller datalengder - eller som jeg foretrekker å kalle det, et datareservoar - er det absolutt et veldig godt iscenesettelsesområde å slippe data inn i organisasjonen eller å samle inn data i organisasjonen - ekstremt bra for sandkasser og for sportsfiskedata. Det er veldig bra som en prototypeutviklingsplattform som du kanskje implementerer på slutten av dagen, men du vet som et utviklingsmiljø stort sett alt du ønsker er der. Som arkivbutikk har den stort sett alt du trenger, og selvfølgelig er det ikke dyrt. Jeg tror ikke vi skal skille noen av disse to tingene fra Hadoop, selv om de ikke formelt, om du vil, deler av Hadoop. Den online kilen har brakt en enorm mengde analyser inn i åpen kildekodeverden, og mye av den analysen kjøres nå på Hadoop fordi det gir deg et praktisk miljø der du faktisk kan ta mye ekstern data og bare begynne å spille ved en analytisk sandkasse.
Og så har du open source-mulighetene, som begge er maskinlæring. Begge disse er ekstremt kraftige i den forstand at de implementerer kraftige analytiske algoritmer. Hvis du setter sammen disse tingene, har du kjernene til en veldig, veldig viktig evne, som på en eller annen måte er veldig sannsynlig å gjøre - enten det utvikler seg på egenhånd eller om leverandører kommer inn for å fylle ut de manglende delene - Det vil med stor sannsynlighet fortsette i lang tid, og absolutt tror jeg maskinlæringen allerede har veldig stor innvirkning på verden.
Evolusjonen til Hadoop, YARN forandret alt. Det som hadde skjedd var MapReduce ganske sveiset til det tidlige filsystemet HDFS. Da YARN ble introdusert, skapte det en planleggingsfunksjon i sin første utgivelse. Du forventer ikke den ekstremt sofistikerte planleggingen fra første utgivelse, men det betydde at det nå ikke lenger nødvendigvis var et oppdateringsmiljø. Det var et miljø der flere jobber kunne planlegges. Så snart det skjedde var det en hel serie leverandører som hadde holdt seg unna Hadoop - de kom bare inn og koblet til det fordi da kunne de bare se på det som planleggingsmiljøet over et filsystem og de kunne adressere ting til den. Det er til og med databaseleverandører som har implementert databasene sine på HDFS, fordi de bare tar motoren og bare legger den over på HDFS. Med kaskader og med YARN blir det et veldig interessant miljø fordi du kan lage komplekse arbeidsflyter over HDFS, og dette betyr virkelig at du kan begynne å tenke på det som virkelig en plattform som kan kjøre flere jobber samtidig og skyver seg mot poenget med gjør oppdragskritiske ting. Hvis du skal gjøre det, vil du sannsynligvis trenge å kjøpe noen tredjepartskomponenter som sikkerhet og så videre og så videre, som Hadoop faktisk ikke har en revisjonskonto for å fylle ut hullene, men du komme inn på et punkt der du selv kan gjøre noen interessante ting selv med egen åpen kildekode.
Når det gjelder hvor jeg tror Hadoop faktisk kommer til å gå, tror jeg personlig at HDFS kommer til å bli et standard skaleringsfilsystem og derfor kommer til å bli OS, operativsystem, for nettet for dataflyt. Jeg tror det har en enorm fremtid i det og jeg tror ikke det vil stoppe der. Og jeg tror faktisk at økosystemet bare hjelper fordi stort sett alle, alle leverandører i rommet, faktisk integrerer Hadoop på en eller annen måte, og de gjør det bare. Når det gjelder et annet poeng som er verdt å gjøre, i form av oversettelse av Hadoop, er det ikke en veldig god plattform pluss parallelliseringen. Hvis du faktisk ser på hva det gjør, er det å gjøre et øyeblikksbilde regelmessig på hver server mens den utfører MapReduce-jobbene. Hvis du skulle utforme for virkelig rask parallellisering, ville du ikke gjort noe sånt. Faktisk ville du sannsynligvis ikke brukt MapReduce på egen hånd. MapReduce er bare det jeg vil si halvparten i stand til parallellisme.
Det er to tilnærminger til parallellitet: den ene er ved rørledningsprosesser og den andre er ved å dele data MapReduce og den gjør delingen av data, så det er mange jobber der MapReduce ikke ville være den raskeste måten å gjøre det på, men det vil gi deg parallellitet og det er ikke noe å ta fra det. Når du har mye data, er den typen kraft vanligvis ikke like nyttig. Garn, som jeg allerede har sagt, er en veldig ung planleggingsevne.
Hadoop er, slags å tegne streken i sanden her, Hadoop er ikke et datavarehus. Det er så langt fra å være et datavarehus at det nesten er et absurd forslag å si at det er. I dette diagrammet er det jeg viser på toppen en slags dataflyt, som går fra et Hadoop-datareservoar til et gigantisk skaleringsdatabase, og det er det vi faktisk vil gjøre, et datalager for bedrifter. Jeg viser gamle databaser, mater data inn i datavarehuset og offload-aktivitet og lager offload-databaser fra datavarehuset, men det er faktisk et bilde som jeg begynner å se dukke opp, og jeg vil si at dette er som den første generasjonen av hva som skjer med datavarehuset med Hadoop. Men hvis du ser på datavarehuset selv, skjønner du at under datavarehuset har du en optimizer. Du har fått distribuerte spørringsarbeidere over veldig mange prosesser som sitter over kanskje mange mange store disker. Det er det som skjer i et datavarehus. Det er faktisk en slags arkitektur som er bygget for et datavarehus, og det tar lang tid å bygge noe sånt, og Hadoop har ikke noe av det i det hele tatt. Så Hadoop er ikke et datavarehus, og det kommer ikke til å bli et, etter min mening, når som helst snart.
Det har dette relative datareservoaret, og det ser slags interessant ut hvis du bare ser på verden som en serie hendelser som strømmer inn i organisasjonen. Det er det jeg viser på venstre side av dette diagrammet. Å ha det gjennom en filtrerings- og rutingsfunksjon, og de tingene som må til for strømming, blir filtrert av streaming-appene, og alt annet går rett inn i datareservoaret der det er klargjort og renset, og deretter sendt av ETL til enten en enkelt data lager eller et logisk datavarehus bestående av flere motorer. Dette er, etter min mening, en naturlig utviklingslinje for Hadoop.
Når det gjelder ETW, er noe av det som er verdt å påpeke at datalageret faktisk ble flyttet - det er ikke hva det var. Visstnok forventer du i dag at det vil være en hierarkisk evne per hierarkiske data om hva folk, eller noen mennesker, kaller dokumentene i datavarehuset. Det er JSON. Kanskje nettverksforespørsler som er grafiske databaser, muligens analyser. Så det vi beveger oss mot er en ETW som faktisk har en mer kompleks arbeidsmengde enn de vi er vant til. Så det er litt interessant fordi det på en måte betyr at datavarehuset blir enda mer sofistikert, og på grunn av det kommer det til å bli enda lengre tid før Hadoop kommer noe sted nær det. Betydningen av datavarehus utvides, men det inkluderer fortsatt optimalisering. Du må ha en optimaliseringsevne, ikke bare over spørsmål nå, men over alle disse aktivitetene.
Det er det, egentlig. Det er alt jeg ønsket å si om Hadoop. Jeg tror jeg kan gi videre til Ray, som ikke har noen lysbilder, men han er alltid flink til å snakke.
Eric Kavanagh: Jeg tar lysbildene. Der er vår venn, Ray Wang. Så, Ray, hva er tankene dine om alt dette?
Ray Wang: Nå, jeg tror det sannsynligvis var en av de mest kortfattede og store historiene til nøkkelverdibutikker og hvor Hadoop har gått i forhold til enterprise som er ute, så jeg lærer alltid mye når jeg hører på Robin.
Egentlig har jeg ett lysbilde. Jeg kan dukke opp et lysbilde her.
Eric Kavanagh: Bare gå foran og klikk på, klikk på start og gå for å dele skrivebordet ditt.
Ray Wang: Har du det, dit du går. Jeg skal faktisk dele. Du kan se selve appen. La oss se hvordan det går.
Alt dette snakker om Hadoop og så går vi dypt inn i samtalen om teknologiene som er der og hvor Hadoop er på vei, og mange ganger liker jeg bare å ta det opp igjen for virkelig å ha forretningsdiskusjonen. Mange av de tingene som skjer på teknologisiden er virkelig dette stykket hvor vi har snakket om datavarehus, informasjonshåndtering, datakvalitet, mestring av disse dataene, og derfor pleier vi å se dette. Så hvis du ser på denne grafen her helt nede, er det veldig interessant at de typene individer vi støter på som snakker om Hadoop. Vi har teknologene og dataforskerne som søker seg og har mye spenning, og det handler typisk om datakilder, ikke sant? Hvordan mestrer vi datakildene? Hvordan får vi dette til de rette kvalitetsnivåene? Hva gjør vi med styringen? Hva kan vi gjøre for å matche forskjellige typer kilder? Hvordan holder vi avstamning? Og all den slags diskusjoner. Og hvordan får vi mer SQL ut av Hadoop? Så den delen skjer på dette nivået.
Så på informasjons- og orkestrasjonssiden er det her det blir interessant. Vi begynner å knytte resultatene til denne innsikten som vi får, eller drar vi den tilbake til forretningsprosesser? Hvordan knytter vi det tilbake til noen form for metadatamodeller? Kobler vi prikkene mellom objekter? Og så de nye verbene og diskusjonene om hvordan vi bruker disse dataene, og beveger oss fra det vi tradisjonelt er i en verden av CRUD: opprette, lese, oppdatere, slette, til en verden som diskuterer hvordan vi engasjerer eller deler eller samarbeider eller liker eller trekke noe.
Det er der vi begynner å se mye av spenningen og innovasjonen, spesielt om hvordan vi kan trekke denne informasjonen og bringe den til verdi. Det er den teknologidrevne diskusjonen under den røde linjen. Over den røde linjen får vi veldig spørsmålene som vi alltid har ønsket å stille, og et av dem som vi alltid tar opp er som for eksempel, kanskje spørsmålet i detaljhandel for deg er som: "Hvorfor selger røde gensere bedre i Alabama enn blå gensere i Michigan? " Du kan tenke på det og si: "Det er litt interessant." Du ser det mønsteret. Vi stiller det spørsmålet, og lurer på: "Hei, hva gjør vi?" Kanskje handler det om statlige skoler - Michigan kontra Alabama. OK, jeg får tak i dette, jeg ser hvor vi skal. Og så begynner vi å få forretningssiden av huset, folk i finans, personer som har tradisjonelle BI-evner, folk i markedsføring og folk i HR som sier: "Hvor er mønstrene mine?" Hvordan kommer vi til de mønstrene? Og slik ser vi en annen måte å innovere på Hadoop-siden. Det handler egentlig om hvordan vi overflater oppdaterer innsikt raskere. Hvordan lager vi slike forbindelser? Det går helt til folk som klarer seg, annonse: teknologi som i utgangspunktet prøver å koble sammen annonser og relevant innhold fra alt fra sanntids budnettverk til kontekstuelle annonser og annonseplassering og gjør det på farten.
Så det er interessant å. Du ser progresjonen til Hadoop fra, "Hei, her er teknologiløsningen. Her er hva vi må gjøre for å få denne informasjonen ut til folk." Så når det krysser forretningsområdet, er det her det blir interessant. Det er innsikten. Hvor er forestillingen? Hvor er fradraget? Hvordan spår vi ting? Hvordan får vi innflytelse? Og ta det med til det siste nivået der vi faktisk ser et annet sett med Hadoop-innovasjoner som skjer rundt beslutningssystemer og handlinger. Hva er den neste beste handlingen? Så du vet at blå gensere selger bedre i Michigan. Du sitter på massevis av blå gensere i Alabama. Det åpenbare er: "Ja, vel, la oss få dette sendt ut der." Hvordan gjør vi det? Hva er neste trinn? Hvordan knytter vi det inn igjen? Kanskje den nest beste handlingen, kanskje er det et forslag, kanskje er det noe som hjelper deg å forhindre et problem, kanskje er det ingen handling heller, som er en handling i seg selv. Så vi begynner å se denne typen mønstre dukke opp. Og det fine med dette tilbake til det du sier om viktige butikker, Robin, er at det skjer så raskt. Det skjer på den måten at vi ikke har tenkt på det på denne måten.
Sannsynligvis vil jeg si de siste fem årene vi plukket opp. Vi begynte å tenke på hvordan vi kan utnytte butikker med nøkkelverdier igjen, men det er bare de siste fem årene, folk ser på dette veldig annerledes, og det er som teknologisykluser gjentar seg i 40-års mønstre, så dette er snilt av en morsom ting der vi ser på sky og jeg er akkurat som å dele mainframe-tid. Vi ser på Hadoop og liker nøkkelverdi-butikk - kanskje er det en datamart, mindre enn et datavarehus - og så begynner vi å se disse mønstrene igjen. Det jeg prøver å gjøre akkurat nå, er å tenke på hva folk gjorde for 40 år siden? Hvilke tilnærminger og teknikker og metoder ble brukt som var begrenset av teknologiene folk hadde? Det er slags som driver denne tankeprosessen. Så når vi går gjennom det større bildet av Hadoop som et verktøy, når vi går tilbake og tenker på forretningsmessige implikasjoner, er dette slags sti som vi vanligvis tar mennesker gjennom slik at du kan se hvilke brikker, hvilke deler som ligger i dataene beslutningsvei. Det var bare noe jeg ønsket å dele. Det er en slags tankegang som vi har brukt internt og forhåpentligvis legger til diskusjonen. Så jeg vender det tilbake til deg, Eric.
Eric Kavanagh: Det er fantastisk. Hvis du kan holde deg rundt for noen spørsmål og svar. Men jeg likte at du tok det tilbake til forretningsnivå fordi på slutten av dagen handler det om virksomheten. Det handler om å få ting gjort og sørge for at du bruker penger på en klok måte, og det er et av spørsmålene jeg så allerede, så høyttalere kan være lurt å tenke på hva som er TCL for å gå Hadoop-ruten. Det er noe søtt sted i mellom, for eksempel å bruke kontorhylleverktøy for å gjøre ting på en tradisjonell måte og bruke de nye verktøyene, for igjen, tenk på det, mange av disse tingene er ikke nye, det er bare slags sammenstøting på en ny måte er, antar jeg, den beste måten å si det på.
Så la oss gå foran og introdusere vår venn, Nikita Ivanov. Han er grunnlegger og administrerende direktør i GridGain. Nikita, jeg kommer til å overlate nøklene til deg, og jeg tror du er der ute. Kan du høre meg Nikita?
Nikita Ivanov: Ja, jeg er her.
Eric Kavanagh: Utmerket. Så gulvet er ditt. Klikk på det lysbildet. Bruk pil ned, og ta den bort. Fem minutter.
Nikita Ivanov: Hvilket lysbilde klikker jeg?
Eric Kavanagh: Bare klikk hvor som helst på det lysbildet, så bruker du pil ned på tastaturet til å bevege deg. Bare klikk på selve lysbildet og bruk pil ned.
Nikita Ivanov: OK så bare noen raske lysbilder om GridGain. Hva gjør vi i sammenheng med denne samtalen? GridGain produserer i utgangspunktet en datamaskinprogramvare i minnet, og en del av plattformen som vi utviklet er Hadoop-akselerator i minnet. Når det gjelder Hadoop, har vi en tendens til å tenke på oss selv som Hadoop-prestasjonsspesialister. Det vi gjør, egentlig på toppen av vår kjerneinformasjonsplattform i minnet som består av teknologier som datanett, minnestrømming og beregningsnett, vil kunne plug-and-play Hadoop-akselerator. Det er veldig enkelt. Det ville være fint om vi kan utvikle en slags plug-and-play-løsning som kan installeres rett i Hadoop-installasjonen. Hvis du, utvikleren av MapReduce, trenger et løft uten behov for å skrive ny programvare eller endring av kode eller endring, eller i utgangspunktet ha en helt minimal konfigurasjonsendring i Hadoop-klyngen. Det er det vi utviklet.
I utgangspunktet er Hadoop-akseleratoren i minnet basert på å optimalisere to komponenter i Hadoop-økosystemet. Hvis du tenker på Hadoop, er det hovedsakelig basert på HDFS, som er filsystemet. MapReduce, som er rammen for å kjøre konkurranser parallelt på toppen av filsystemet. For å optimalisere Hadoop optimaliserer vi begge disse systemene. Vi utviklet filsystem i minnet som er fullstendig kompatibelt, 100% kompatibelt plug-and-play, med HDFS. Du kan løpe i stedet for HDFS, du kan løpe på toppen av HDFS. Og vi utviklet også MapReduce i minnet som er plug-and-play-kompatibelt med Hadoop MapReduce, men det er mange optimaliseringer på hvordan arbeidsflyten til MapReduce og hvordan timeplanen på MapReduce fungerer.
Hvis du for eksempel ser på dette lysbildet, hvor vi viser hva slags dupliseringstabel. På venstre side har du det typiske operativsystemet ditt med GDM, og på toppen av dette diagrammet har du applikasjonssenteret. I midten har du Hadoop. Og Hadoop er igjen basert på HDFS og MapReduce. Så dette representerer på dette diagrammet at det er hva vi slags legger inn i Hadoop-stabelen. Igjen, det er plug-and-play; du trenger ikke å endre noen kode. Det fungerer bare på samme måte. På neste lysbilde viste vi i hovedsak hvordan vi optimaliserte MapReduce-arbeidsflyten. Det er sannsynligvis den mest interessante delen fordi det gir deg mest fordel når du kjører MapReduce-jobbene.
Den typiske MapReduce, når du sender inn jobben, og på venstre side er det diagram, er det vanlig anvendelse. Så typisk sender du inn jobben og jobben går til en jobbsøker. 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. Takk skal du ha.
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.
Thanks.
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. La oss se. 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? Med stor makt kommer stort ansvar. You really, in terms of the capabilities out there, I mean it changed me actually a long time ago. You know, I would give my ITs some of the capabilities that they have gotten now. We used to do it extraordinary amounts of what I would say was grunt work that the machines do right now and do it in parallel. They do things that we could never have imagined. I mean we would have understood mathematically, but we could never imagine doing. But there is some people understand data and Ray is completely right about this. The reason to be scared is that people will actually start getting wrong conclusions, that they will wrangle with the data and they will apply something extremely powerful and it will appear to suggest something and they will believe it without actually even being able to do anything as simple as have somebody doing audit on whether their result is actually a valid result. We used to do this all the time in the insurance company I used to work for. If anybody did any work, somebody always checks. Everything was checked by at least one person against the person who did it. These environments, the software is extremely strong but you got to have the discipline around it to use it properly. Otherwise, there'll be tears before bedtime, won't there?
Eric Kavanagh: I love that quote, that's awesome. Let me see. I'm going to go ahead and throw just for this slide up here from GridGain, can you talk about, Nikita, when you come in to play, how do you actually get these application super charged? I mean, I understand what you are doing, but what does the process look like to actually get you embedded, to get you woven in and to get all that stuff running?
Nikita Ivanov: Well, the process is relatively simple. You essentially just need to install GridGain and make a small configuration change, just to let Hadoop know that there is now the HDFS if you want to use HDFS and you have to set up which way you want to use it. You can get it from BigTop, by the way. It's probably the easiest way to install it if you're using the Hadoop. That's about it. With the new versions coming up, a little in about few weeks from now, by the end of May, we're going to have even more simplified process for this. So the whole point of the in-memory Hadoop accelerator is to, do not code. Do not make any changes to your code. The only that you need to do is install it and have enough RAM in the cluster and off you go, so the process is very simple.
Eric Kavanagh: Let me bring John Santaferraro back in. We'll take a couple more questions here. You know, John, you guys, we've been watching you from various perspectives of course. You were over at PEAR Excel; that got folded into Actian. Of course, Actian used to be called Ingres and you guys made a couple of other acquisitions. How are you stitching all of that stuff together? I realize you might not want to get too technical with this, but you guys have a lot of stuff now. You've got Data Rush. I'm not sure if it's still the same name, but you got a whole bunch of different products that have been kind of woven together to create this platform. Talk about what's going on there and how that's coming along.
John Santaferraro: The good news is, Eric, that separately in the companies that we're acquired Pervasive, PEAR Excel and even when Actian had developed, everybody developed their product with very similar architectures. Number one, they were open with regards to data and interacting with other platforms. Number two, everything was parallelized to run in a distributed environment. Number three, everything was highly optimized. What that allowed us to do is to very quickly make integration points, so that you can be creating these data flows already today. We have established the integration, so you create the data flows. You do your data blending and enriching right on Hadoop, everything parallelized, everything optimized. When you want, you move that over into our high-performance engines. Then, there's already a high-performance connection between Hadoop and our massively parallel analytic engine that does these super-low-latency things like helping a bank recalculate and recast their entire risk portfolio every two minutes and feeding that into our real-time trading system or feeding it into some kind of a desktop for the wealth manager so they can respond to the most valuable customers for the bank.
We have already put those pieces together. There's additional integration to be done. But today, we have the Actian Analytics Platform as our offering because a lot of that integration was ready to go. It has already been accomplished, so we're stitching those pieces together to drive this entire analytic value chain from connecting the data, all of the processing that you do of it, any kind of analytics you want to run, and then using it to feed into these automated business processes so that you're actually improving that activity over time. It's all about this end-to-end platform that already exists today.
Eric Kavanagh: That's pretty good stuff. And I guess, Jim, I'll bring you back in for another couple of comments, and Robin, I want to bring you in for just one big question, I suppose. Folks, we will keep all these questions - we do pass them on to the people who participated in the event today. If you ever feel a question you asked was not answered, feel free to email yours truly. You should have some information on me and how to get ahold from me. Also, just now I put a link to the full deck with slides from non-sponsoring vendors. So we put the word out to all the vendors out there in the whole Hadoop space. We said, "Tell us what your story is; tell us what's going on." It's a huge file. It's about 40-plus megabytes.
But Jim, let me bring you back in and just kind of talk about - again, I love this concept - where you're talking about the pool party that comes to an end. Could you talk about how it is that you manage to stay on top on what's happening in the open-source community? Because it's a very fast-moving environment. But I think you guys have a pretty clever strategy of serving this sort of enterprise-hardening vendor that sits on top or kind of around that. Can you talk about your development cycles and how you stay on top of what's happening?
Jim Vogt: Sure. It is pretty fast moving in terms of if you look at just a snapshot updates, but what we're shipping in functionality today is about a year to a year and a half ahead of what we can get on security capabilities out to the community today. It's not that they're not going to get there; it just takes time. It's a different process, it has contributors and so forth, and it just takes time. When we go to a customer, we need to be very well versed in the open source and very well versed in mainly the security things that we're bringing. The reason that we're actually issuing patents and submitting patents is that there is some real value in IP, intellectual property, around hardening these open-source components. When we support a customer, we have to support all the varying open-source components and all the varying distributions as we do, and we also need to have the expertise around the specific features that we're adding to that open source to create the solution that we create. As a company, although we don't want the customer to be a Hadoop expert, we don't think you need to be a mechanic to drive the car. We need to be a mechanic that understands the car and how it works and understand what's happening between our code and the open source code.
Eric Kavanagh: That's great. Phu, I'll give you one last question. Then Robin, I have one question for you and then we'll wrap up, folks. We will archive this webcast. As I suggested, we'll be up on insideanalysis.com. We'll also go ahead and have some stuff up on Techopedia. A big thank you to those folks for partnering with us to create this cool new series.
But Phu … I remember watching the demo of the stuff and I was just frankly stunned at what you guys have done. Can you explain how it is that you can achieve that level of no failover?
Phu Hoang: Sure, I think it's a great question. Really, the problem for us had three components. Number one is, you can't lose the events that are moving from operator to operator in the Hadoop cluster. So we have to have event buffering. But even more importantly, inside your operators, you may have states that you're calculating. Let's say you're actually counting money. There's a subtotal in there, so if that node goes down and it's in memory, that number is gone, and you can't start from some point. Where would you start from?
So today, you have to actually do a regular checkpoint of your operator state down to this. You put that interval so it does not become a big overhead, but when a node goes down, it can come back up and be able to go back to exactly the right state where you last checkpointed and be able to bring in the events starting from that state. That allows you to therefore continue as if the event actually has never happened. Of course, the last one is to make sure that your application manager is also fault tolerant so that doesn't go down. So all three factors need to be in place for you to say that you're fully fault tolerant.
Eric Kavanagh: Yeah, that's great. Let me go ahead and throw one last question over to Robin Bloor. So one of the attendees is asking, does anyone think that Hortonworks or another will get soaked up/invested in by a major player like Intel? I don't think there's any doubt about that. I'm not surprised, but I'm fascinated, I guess, that Intel jumped in before like an IBM or an Oracle, but I guess maybe the guys at IBM and Oracle think they've already got it covered by just co-opting what comes out of the open-source movement. What do you think about that?
Robin Bloor: It's a very curious move. We should see in light of the fact that Intel already had its own Hadoop distribution and what it has effectively done is just passed that over to Cloudera. There aren't many powers in the industry as large as Intel and it is difficult to know what your business model actually is if you have a Hadoop distribution, because it is difficult to know exactly what it is going to be used for in the future. In other words, we don't know where the revenue streams are necessarily coming from.
With somebody like Intel, they just want a lot of processes to be solved. It is going to support their main business plan the more that Hadoop is used. It's kind of easy to have a simplistic explanation of what Intel are up to. It's not so easy to guess what they might choose to do in terms of putting code on chips. I'm not 100% certain whether they're going to do that. I mean, it's a very difficult thing to call that. Their next move at the hardware level, I think, is the system on a chip. When we go to the system on a chip, you may actually want to put some basic software on the chip, so to speak. So putting HDFS on there; that might make some sense. But I don't think that that was what that money investment was about. I think all that money investment was about was just making sure that Intel had a hand in the game and is actually going forward.
In terms of who else is going to buy, that is also difficult to say. I mean, certainly the SAPs and Oracles of this world have got enough money to buy into this or IBM has got enough money to buy into it. But, you know, this is all open source. IBM never bought a Linux distribution, even though they plowed a lot of money into Linux. It didn't break their hearts that they didn't actually have a Linux distribution. They're very happy to cooperate with Red Hat. I would say maybe Red Hat will buy one of these distributions, because they know how to make that business model work, but it's difficult to say.
Eric Kavanagh: Yeah, great point. So folks, I'm going to go ahead and just share my desktop one last time here and just show you a couple of things. So after the event, check out Techopedia - you can see that on the left-hand side. Here's a story that yours truly wrote, I guess a couple of months ago or a month and a half ago, I suppose. It really kind of spun out of a lot of the experience that we had talking with various vendors and trying to dig in to understanding what exactly is going on with the space because sometimes it can be kind of difficult to navigate the buzz words and the hype and the terminology and so forth.
Also a very big thank you to all of those who have been Tweeting. We had one heck of a Tweet stream here going today. So, thank you, all of you. You see that it just goes on and on and on. A lot of great Tweets on TechWise today.
This is the first of our new series, folks. Thank you so much for tuning in. We will let you know what's going on for the next series sometime soon. I think we're going to focus on analytics probably in June sometime. And folks, with that, I think we're going to go ahead and close up our event. We will email you tomorrow with a link to the slides from today and we're also going to email you the link to that full deck, which is a huge deck. We've got about twenty different vendors with their Hadoop story. We're really trying to give you a sort of compendium of content around a particular topic. So for bedtime reading or whenever you're interested, you can kind of dive in and try to get that strategic view of what's going on here in the industry.
Med det kommer vi til å ta farvel, folkens. 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. Ha det.
