Nota do Editor: Esta é uma transcrição de um Webcast ao vivo. Você pode ver o webcast na íntegra aqui.
Eric Kavanagh: Senhoras e senhores, é hora de ser sábio! Está na hora do TechWise, um novo programa! Meu nome é Eric Kavanagh. Eu serei seu moderador no nosso episódio inaugural do TechWise. Isso é exatamente correto. Esta é uma parceria da Techopedia e do Bloor Group, é claro, da fama de Inside Analysis.
Meu nome é Eric Kavanagh. Vou moderar esse evento realmente interessante e envolvido, pessoal. Vamos nos aprofundar na trama para entender o que está acontecendo com essa grande coisa chamada Hadoop. O que é o elefante na sala? Chama-se Hadoop. Vamos tentar descobrir o que isso significa e o que está acontecendo com isso.
Antes de tudo, muito obrigado aos nossos patrocinadores, GridGain, Actian, Zettaset e DataTorrent. Obteremos algumas breves palavras de cada uma delas no final deste evento. Também teremos perguntas e respostas, por isso não se acanhe - envie suas perguntas a qualquer momento.
Vamos nos aprofundar nos detalhes e fazer as perguntas difíceis de nossos especialistas. E falando dos especialistas, ei, lá estão eles. Então, ouviremos nosso próprio Dr. Robin Bloor e, pessoal, estou muito animado por ter o lendário Ray Wang, analista principal e fundador da Constellation Research. Ele está online hoje para nos dar seus pensamentos e é como Robin, por ser incrivelmente diverso e realmente focar em muitas áreas diferentes, e tem a capacidade de sintetizá-las e entender realmente o que está acontecendo em todo esse campo da tecnologia da informação. e gerenciamento de dados.
Então, há aquele pequeno elefante fofo. Ele está no começo da estrada, como você pode ver. Está apenas começando agora, está apenas começando, essa coisa toda do Hadoop. É claro que, em 2006 ou 2007, suponho, foi quando foi lançado para a comunidade de código aberto, mas muitas coisas estavam acontecendo, pessoal. Houve grandes desenvolvimentos. Na verdade, eu quero trazer a história, por isso vou fazer um rápido compartilhamento de área de trabalho, pelo menos acho que sou. Vamos fazer um rápido compartilhamento de área de trabalho.
Eu estou lhe mostrando essa história de loucos, loucos. Portanto, a Intel investiu US $ 740 milhões para comprar 18% da Cloudera. Eu pensei e pensei "Santo Natal!" Comecei a fazer as contas e é como "É uma avaliação de US $ 4, 1 bilhões". Vamos pensar sobre isso por um segundo. Quero dizer, se o WhatsApp vale US $ 2 bilhões, suponho que Cloudera possa valer US $ 4, 1 bilhões, certo? Quero dizer, por que não? Alguns desses números estão fora da janela hoje em dia, pessoal. Quero dizer, tipicamente em termos de investimento, você tem EBITDA e todos esses outros mecanismos, múltiplos de receita e assim por diante. Bem, será um pedaço de um múltiplo da receita chegar a US $ 4, 1 bilhões para a Cloudera, que é uma empresa incrível. Não me entenda mal - há algumas pessoas muito, muito inteligentes por lá, incluindo o cara que começou toda a mania do Hadoop, Doug Cutting, ele está lá - muitas pessoas muito inteligentes que estão fazendo muito, muito, muito coisas legais, mas o resultado final é que os US $ 4, 1 bilhões são muito dinheiro.
Então, aqui está um momento óbvio em cativeiro de passar pela minha cabeça agora, que é um chip, Intel. Seus designers de chips estão trazendo para ver alguns chips otimizados para Hadoop - eu acho que sim, pessoal. Esse é apenas o meu palpite. Isso é apenas um boato, vindo de mim, se você quiser, mas meio que faz sentido. E o que isso tudo significa?
Então aqui está a minha teoria. O que está acontecendo? Muitas dessas coisas não são novas. O processamento paralelo maciço não é muito novo. O processamento paralelo certamente não é novo. Estou no mundo da supercomputação há um tempo. Muitas dessas coisas que estão acontecendo não são novas, mas existe o tipo de conscientização geral de que existe uma nova maneira de atacar alguns desses problemas. O que eu vejo acontecendo, se você olhar para alguns dos grandes fornecedores da Cloudera ou Hortonworks e alguns desses outros caras, o que eles estão fazendo realmente se você resumir o nível destilado mais granular é o desenvolvimento de aplicativos. É o que eles estão fazendo.
Eles estão projetando novos aplicativos - alguns deles envolvem análise de negócios; alguns deles envolvem apenas sistemas de sobrecarga. Um de nossos fornecedores que falou sobre isso faz esse tipo de coisa o dia todo, no programa de hoje. Mas se for terrivelmente novo, novamente a resposta "não é realmente", mas há muita coisa acontecendo e, pessoalmente, acho que o que está acontecendo com a Intel fazendo esse grande investimento é uma decisão de fazer mercado. Eles olham para o mundo hoje e vêem que hoje é um tipo de monopólio. Há o Facebook e eles venceram o pobre MySpace. O LinkedIn superou o pobre Who's Who. Então você olha em volta e é um serviço que está dominando todos esses espaços diferentes em nosso mundo hoje, e acho que a idéia é que a Intel jogue todos os seus chips no Cloudera e tente elevá-lo ao topo da pilha - isso é apenas minha teoria.
Então, pessoal, como eu disse, teremos uma longa sessão de perguntas e respostas, então não seja tímido. Envie suas perguntas a qualquer momento. Você pode fazer isso usando o componente de perguntas e respostas do seu console de webcast. E com isso, quero acessar nosso conteúdo, porque temos muitas coisas para resolver.
Então, Robin Bloor, deixe-me entregar as chaves para você e o chão é seu.
Robin Bloor: OK, Eric, obrigado por isso. Vamos trazer os elefantes dançantes. É uma coisa curiosa, na verdade, que os elefantes são os únicos mamíferos terrestres que não conseguem saltar. Todos esses elefantes neste gráfico em particular têm pelo menos um pé no chão, então suponho que seja viável, mas até certo ponto, esses são obviamente elefantes Hadoop, muito, muito capazes.
A questão, na verdade, que acho que precisa ser discutida e com toda honestidade. Isso precisa ser discutido antes de você ir para outro lugar, que é realmente começar a falar sobre o que realmente é o Hadoop.
Uma das coisas que absolutamente é da base do homem-jogo é o armazenamento de valores-chave. Costumávamos ter lojas de valores-chave. Costumávamos tê-los no mainframe da IBM. Nós os tínhamos nos minicomputadores; O DEC VAX tinha arquivos IMS. Havia recursos ISAM que estavam em praticamente todos os minicomputadores em que você pode ter as mãos. Mas, por volta do final dos anos 80, o Unix chegou e o Unix não possuía nenhum armazenamento de valores-chave. Quando o Unix o desenvolveu, eles se desenvolveram muito rapidamente. O que realmente aconteceu foi que os fornecedores de banco de dados, principalmente a Oracle, foram apressados e venderam seus bancos de dados para cuidar de todos os dados que você deseja gerenciar no Unix. Windows e Linux acabaram sendo os mesmos. Portanto, a indústria passou quase 20 anos sem uma loja de valores-chave de uso geral. Bem, está de volta agora. Não só está de volta, é escalável.
Agora, acho que realmente é a base do que o Hadoop realmente é e, até certo ponto, determina para onde vai. Do que gostamos nas lojas de valores-chave? Aqueles de vocês que são tão velhos quanto eu e se lembram de trabalhar com armazenamentos de valores-chave percebem que é possível usá-los para configurar informalmente um banco de dados, mas apenas informalmente. Você sabe que os metadados valorizam rapidamente os armazenamentos no código do programa, mas na verdade você pode transformá-lo em um arquivo externo e, se desejar, começa a tratar um armazenamento de valores-chave um pouco como um banco de dados. Mas é claro que não possuía toda a capacidade de recuperação que um banco de dados possui e não possuía muitas coisas que os bancos de dados agora têm, mas era um recurso realmente útil para desenvolvedores e é por isso que acho que que o Hadoop se provou tão popular - simplesmente porque foram rápidos os codificadores, programadores e desenvolvedores. Eles perceberam que não é apenas um valor-chave da loja, mas é um armazenamento de valor-chave em expansão. Ele se expande por tempo indeterminado. Enviei essas escalas para milhares de servidores, então é isso que realmente importa no Hadoop, é o que é.
Ele também possui o MapReduce, que é um algoritmo de paralelização, mas, na minha opinião, isso não é importante. Então, você sabe, o Hadoop é um camaleão. Não é apenas um sistema de arquivos. Eu já vi vários tipos de declarações feitas para o Hadoop: é um banco de dados secreto; não é um banco de dados secreto; é uma loja comum; é uma caixa de ferramentas analíticas; é um ambiente ELT; é uma ferramenta de limpeza de dados; é um data warehouse de plataformas de streaming; é uma loja de arquivos; é uma cura para o câncer e assim por diante. A maioria dessas coisas realmente não é verdadeira para o Hadoop de baunilha. O Hadoop provavelmente é uma prototipagem - certamente é um ambiente de prototipagem para um banco de dados SQL, mas realmente não existe. Se você colocar o espaço etário com o catálogo etário no Hadoop, terá algo parecido com um banco de dados, mas não é realmente o que alguém chamaria de banco de dados em termos de capacidade. Muitos desses recursos podem ser obtidos no Hadoop. Certamente existem muitos deles. Na verdade, você pode obter alguma fonte do Hadoop, mas o Hadoop em si não é o que eu chamaria operacionalmente endurecido, e, portanto, o acordo sobre o Hadoop, na verdade eu não estaria em outra coisa, é que você precisa ter um terceiro produtos de terceiros para aprimorá-lo.
Então, falando sobre você só pode jogar algumas linhas enquanto estou falando do Hadoop overreach. Em primeiro lugar, a capacidade de consulta em tempo real, você sabe que o tempo real é uma espécie de tempo de negócios, quase sempre quase sempre crítico para o desempenho. Quero dizer, por que você projetaria em tempo real? O Hadoop realmente não faz isso. Faz algo que é quase em tempo real, mas realmente não faz coisas em tempo real. Ele faz streaming, mas não faz o streaming de uma maneira que eu chamaria realmente de plataformas de streaming de aplicativos do tipo missão crítica. Há uma diferença entre um banco de dados e uma loja limpável. Sincronizar com o Hadoop fornece um armazenamento de dados que pode ser limpo. É como um banco de dados, mas não é o mesmo que um banco de dados. O Hadoop em sua forma nativa, na minha opinião, não se qualifica realmente como um banco de dados, porque faltam algumas coisas que um banco de dados deve ter. O Hadoop faz muito, mas não o faz particularmente bem. Novamente, a capacidade existe, mas estamos longe de ter uma capacidade rápida em todas essas áreas.
A outra coisa a entender sobre o Hadoop é que já percorreu um longo caminho desde que foi desenvolvido. Foi desenvolvido nos primeiros dias; foi desenvolvido quando tínhamos servidores que na verdade tinham apenas um processador por servidor. Nunca tivemos processadores com vários núcleos e ele foi construído para executar sobre grades, lançar grades e servidores. Um dos objetivos de design do Hadoop era nunca perder o trabalho. E isso foi realmente sobre falha no disco, porque se você tiver centenas de servidores, a probabilidade é que, se você tiver discos nos servidores, a probabilidade é que você obtenha uma disponibilidade de algo como 99, 8. Isso significa que você terá, em média, uma falha de um desses servidores uma vez a cada 300 ou 350 dias, um dia em um ano. Portanto, se você tivesse centenas delas, a probabilidade seria em qualquer dia do ano em que ocorreria uma falha no servidor.
O Hadoop foi criado especificamente para solucionar esse problema - para que, no caso de alguma coisa falhar, seja capturar instantâneos de tudo o que acontece, em cada servidor específico, e ele possa recuperar o trabalho em lotes que está sendo executado. E isso foi tudo o que realmente foi executado no Hadoop: trabalhos em lotes, e é um recurso realmente útil, é preciso dizer. Alguns dos trabalhos em lotes que estavam sendo executados - principalmente no Yahoo, onde acho que o Hadoop nasceu - ficavam em execução por dois ou três dias e, se falhasse após um dia, você realmente não queria perder o trabalho. isso foi feito. Esse foi o ponto de design por trás da disponibilidade no Hadoop. Você não chamaria isso de alta disponibilidade, mas poderia chamá-lo de alta disponibilidade para trabalhos em lote em série. Essa é provavelmente a maneira de ver isso. A alta disponibilidade é sempre configurada de acordo com as características da linha de trabalho. No momento, o Hadoop só pode ser configurado para tarefas em lote realmente seriais em relação a esse tipo de recuperação. A alta disponibilidade da empresa provavelmente é melhor pensada em termos de LLP transacional. Acredito que se você não vê isso em tempo real, o Hadoop ainda não faz isso. Provavelmente está muito longe de fazer isso.
Mas aqui está a coisa bonita do Hadoop. Esse gráfico no lado direito que tem uma lista de fornecedores na borda e todas as linhas nele indicam conexões entre esses fornecedores e outros produtos no ecossistema Hadoop. Se você olhar para isso, é um ecossistema incrivelmente impressionante. É bastante notável. Obviamente, conversamos com muitos fornecedores em termos de suas capacidades. Entre os fornecedores com quem conversei, existem alguns recursos realmente extraordinários de usar o Hadoop e a memória, um modo de usar o Hadoop como um arquivo compactado, de usar o Hadoop como um ambiente de ETL e assim por diante. Mas, realmente, se você adicionar o produto ao Hadoop, ele funcionará extremamente bem em um espaço específico. Portanto, enquanto eu critico o Hadoop nativo, não critico o Hadoop quando você realmente adiciona algum poder a ele. Na minha opinião, a popularidade do Hadoop garante seu futuro. Com isso, quero dizer, mesmo que todas as linhas de código escritas até agora no Hadoop desapareçam, não acredito que a API do HDFS desapareça. Em outras palavras, acho que o sistema de arquivos, API, veio para ficar e, possivelmente, YARN, o agendador que o examina.
Quando você realmente olha para isso, é uma capacidade muito importante e eu vou falar sobre isso em um minuto, mas a outra coisa, digamos, emocionar as pessoas sobre o Hadoop é toda a imagem de código aberto. Portanto, vale a pena analisar qual é a imagem de código aberto em termos do que considero uma capacidade real. Embora o Hadoop e todos os seus componentes possam certamente fazer o que chamamos de tamanho dos dados - ou como eu prefiro chamar, um reservatório de dados - é certamente uma área de preparação muito boa para colocar dados na organização ou coletar dados na organização - extremamente bom para caixas de areia e dados de pesca. É muito bom como uma plataforma de desenvolvimento de prototipagem que você pode implementar no final do dia, mas você conhece como ambiente de desenvolvimento praticamente tudo o que deseja. Como uma loja de arquivos, tem praticamente tudo o que você precisa e, claro, não é caro. Acho que não devemos divorciar nenhuma dessas duas coisas do Hadoop, mesmo que elas não sejam formalmente, se você preferir, componentes do Hadoop. A divisão on-line trouxe uma grande quantidade de análises para o mundo do código-fonte aberto e agora muitas delas estão sendo executadas no Hadoop, porque isso oferece um ambiente conveniente no qual você pode realmente pegar muitos dados externos e começar a jogar. em uma caixa de proteção analítica.
E então você tem os recursos de código aberto, os quais são aprendizado de máquina. Ambos são extremamente poderosos no sentido de implementar algoritmos analíticos poderosos. Se você juntar essas coisas, terá os núcleos de uma capacidade muito, muito importante, que de uma forma ou de outra é muito provável - se ela se desenvolve por conta própria ou se os fornecedores vêm para preencher as peças que faltam - é muito provável que continue por um longo tempo e, certamente, acho que o aprendizado de máquina já está tendo um grande impacto no mundo.
A evolução do Hadoop, YARN mudou tudo. O que aconteceu foi que o MapReduce foi praticamente soldado ao HDFS do sistema de arquivos anterior. Quando o YARN foi introduzido, ele criou um recurso de agendamento em seu primeiro release. Você não espera o agendamento extremamente sofisticado do primeiro lançamento, mas isso significava que agora não era mais necessariamente um ambiente de patch. Era um ambiente em que vários trabalhos podiam ser agendados. Assim que isso aconteceu, havia toda uma série de fornecedores que se mantiveram afastados do Hadoop - eles simplesmente entraram e se conectaram a ele, porque então eles podiam apenas considerá-lo o ambiente de agendamento em um sistema de arquivos e poderiam endereçar coisas para isto. Existem até fornecedores de bancos de dados que implementaram seus bancos de dados no HDFS, porque eles simplesmente pegam o mecanismo e o colocam no HDFS. Com a cascata e o YARN, torna-se um ambiente muito interessante porque você pode criar fluxos de trabalho complexos por meio do HDFS e isso realmente significa que você pode começar a pensar nele como uma plataforma que pode executar vários trabalhos simultaneamente e está se esforçando para chegar ao ponto de fazendo coisas de missão crítica. Se você fizer isso, provavelmente precisará comprar alguns componentes de terceiros, como segurança, etc., o que o Hadoop na verdade não tem uma conta de auditoria para preencher as lacunas, mas você entre no ponto em que, mesmo com o código aberto nativo, você pode fazer algumas coisas interessantes.
Em termos de onde eu acho que o Hadoop realmente está indo, acredito pessoalmente que o HDFS se tornará um sistema de arquivos de expansão padrão e, portanto, se tornará o sistema operacional, o sistema operacional, para a grade de fluxo de dados. Eu acho que tem um futuro enorme nisso e não acho que vai parar por aí. E, na verdade, acho que o ecossistema apenas ajuda porque praticamente todos, todos os fornecedores no espaço, estão realmente integrando o Hadoop de uma maneira ou de outra e estão apenas ativando-o. Em termos de outro ponto que vale a pena destacar, em termos de excedente do Hadoop, não é uma plataforma muito boa mais a paralelização. Se você realmente observar o que está fazendo, o que está realmente fazendo é tirar um instantâneo regularmente em todos os servidores enquanto executa seus trabalhos de MapReduce. Se você fosse projetar para uma paralelização muito rápida, não faria nada assim. Na verdade, você provavelmente não usaria o MapReduce por conta própria. MapReduce é apenas o que eu diria ser meio capaz de paralelismo.
Existem duas abordagens para o paralelismo: uma é o processo de pipeline e a outra é a divisão dos dados do MapReduce, que faz a divisão dos dados para que existam muitas tarefas em que o MapReduce não seria realmente a maneira mais rápida de fazê-lo, mas será dar-lhe paralelismo e não há como tirar isso. Quando você tem muitos dados, esse tipo de poder geralmente não é tão útil. O YARN, como eu já disse, é um recurso de programação muito jovem.
O Hadoop é, meio que desenhando a linha na areia aqui, o Hadoop não é um data warehouse. Está tão longe de ser um data warehouse que é quase uma sugestão absurda dizer que sim. Neste diagrama, o que estou mostrando na parte superior é um tipo de fluxo de dados, passando de um reservatório de dados Hadoop para um gigantesco banco de dados de escalabilidade horizontal, que é o que realmente faremos, um data warehouse corporativo. Estou mostrando bancos de dados legados, alimentando dados no armazém de dados e atividade de descarregamento, criando bancos de dados de descarregamento a partir do armazém de dados, mas essa é realmente uma imagem que estou começando a ver emergir, e eu diria que isso é como a primeira geração de o que acontece com o armazém de dados com o Hadoop. Mas se você mesmo olhar para o data warehouse, perceberá que, sob o data warehouse, você tem um otimizador. Você distribuiu trabalhadores de consulta em muitos processos, ocupando talvez um grande número de discos. É o que acontece em um data warehouse. Na verdade, esse é o tipo de arquitetura criada para um data warehouse e leva muito tempo para criar algo assim, e o Hadoop não tem nada disso. Portanto, o Hadoop não é um data warehouse e, em minha opinião, não se tornará um em breve.
Ele possui esse reservatório de dados relativo e parece interessante se você apenas olhar o mundo como uma série de eventos fluindo para a organização. É o que estou mostrando no lado esquerdo deste diagrama. Fazer com que ele passe por um recurso de filtragem e roteamento e o material necessário para o streaming é desviado dos aplicativos de streaming e todo o resto vai direto para o reservatório de dados onde é preparado e limpo, e depois transmitido pelo ETL para um único dado armazém ou um armazém de dados lógicos que consiste em vários mecanismos. Esta é, na minha opinião, uma linha de desenvolvimento natural para o Hadoop.
Em termos de ETW, uma das coisas que vale a pena destacar é que o próprio data warehouse foi realmente movido - não é o que era. Certamente, hoje em dia, você espera que haja um recurso hierárquico por dados hierárquicos do que as pessoas, ou algumas pessoas, chamam de documentos no armazém de dados. Isso é JSON. Possivelmente, consultas de rede que são bancos de dados gráficos, possivelmente análises. Então, o que estamos buscando é um ETW que tenha uma carga de trabalho mais complexa do que a que estamos acostumados. Portanto, isso é interessante porque, de certa forma, significa que o data warehouse está ficando ainda mais sofisticado e, por causa disso, levará ainda mais tempo para que o Hadoop chegue perto dele. O significado do data warehouse está estendendo, mas ainda inclui otimização. Você precisa ter um recurso de otimização, não apenas sobre consultas agora, mas também sobre todas essas atividades.
É isso mesmo. Era tudo o que eu queria dizer sobre o Hadoop. Acho que posso passar para Ray, que não tem slides, mas ele sempre é bom em conversar.
Eric Kavanagh: Eu vou pegar os slides. Aqui está o nosso amigo, Ray Wang. Então, Ray, quais são seus pensamentos sobre tudo isso?
Ray Wang: Agora, acho que essa foi provavelmente uma das histórias mais sucintas e ótimas das lojas de valores-chave e para onde o Hadoop se relacionou com as empresas existentes, então sempre aprendo muito ao ouvir Robin.
Na verdade, eu tenho um slide. Eu posso aparecer um slide aqui.
Eric Kavanagh: Vá em frente e clique em, clique em Iniciar e compartilhe sua área de trabalho.
Ray Wang: Entendi, lá vai você. Na verdade, eu vou compartilhar. Você pode ver o aplicativo em si. Vamos ver como acontece.
Toda essa conversa sobre o Hadoop e depois nos aprofundamos na conversa sobre as tecnologias que existem e para onde o Hadoop está se dirigindo, e muitas vezes eu apenas gosto de voltar ao assunto para realmente ter a discussão de negócios. Muitas das coisas que estão acontecendo no lado da tecnologia são realmente essa parte em que falamos sobre data warehouses, gerenciamento de informações, qualidade dos dados, domínio desses dados e, portanto, tendemos a ver isso. Portanto, se você olhar para este gráfico aqui na parte inferior, é muito interessante que os tipos de pessoas com quem nos deparamos conversem sobre o Hadoop. Temos os tecnólogos e os cientistas de dados que estão se divertindo, tendo muita emoção, e geralmente é sobre fontes de dados, certo? Como dominamos as fontes de dados? Como colocamos isso nos níveis certos de qualidade? O que fazemos sobre a governança? O que podemos fazer para combinar diferentes tipos de fontes? Como mantemos a linhagem? E todo esse tipo de discussão. E como podemos obter mais SQL do nosso Hadoop? Então essa parte está acontecendo nesse nível.
Então, no lado da informação e da orquestração, é aqui que fica interessante. Estamos começando a vincular os resultados desse insight que estamos obtendo ou o estamos retirando dos processos de negócios? Como vinculá-lo a qualquer tipo de modelo de metadados? Estamos conectando os pontos entre os objetos? E assim, os novos verbos e discussões sobre como usamos esses dados, passando do que tradicionalmente somos em um mundo de CRUD: criar, ler, atualizar, excluir, para um mundo que está discutindo sobre como podemos envolver, compartilhar ou colaborar ou gosta ou puxa alguma coisa.
É aí que começamos a ver muita emoção e inovação, especialmente sobre como extrair essas informações e trazê-las de valor. Essa é a discussão impulsionada pela tecnologia abaixo da linha vermelha. Acima dessa linha vermelha, estamos recebendo as mesmas perguntas que sempre quisemos fazer e uma delas que sempre levantamos é como, por exemplo, talvez a pergunta no varejo para você seja: "Por que as camisolas vermelhas estão vendendo melhor? no Alabama do que blusas azuis em Michigan? " Você poderia pensar sobre isso e dizer: "Isso é meio interessante". Você vê esse padrão. Fazemos essa pergunta e nos perguntamos: "Ei, o que estamos fazendo?" Talvez seja sobre escolas estaduais - Michigan versus Alabama. OK, entendi, vejo para onde estamos indo. Então, estamos começando a colocar o lado comercial da empresa, pessoas em finanças, pessoas que possuem recursos tradicionais de BI, pessoas em marketing e pessoas em RH dizendo: "Onde estão meus padrões?" Como chegamos a esses padrões? E assim vemos outra maneira de inovação no lado do Hadoop. É realmente sobre como mostramos informações de atualização mais rapidamente. Como fazemos esses tipos de conexões? Ele vai até as pessoas que estão fazendo, tipo ad: tech, que basicamente tenta conectar anúncios e conteúdo relevante de qualquer coisa, desde redes de lances em tempo real a anúncios contextuais e posicionamento de anúncios e fazendo isso em tempo real.
Então é interessante. Você vê a progressão do Hadoop de: "Ei, aqui está a solução tecnológica. Aqui está o que precisamos fazer para transmitir essas informações às pessoas". Então, ao cruzar a parte da linha de negócios, é aqui que fica interessante. É o insight. Onde está o desempenho? Onde está a dedução? Como estamos prevendo as coisas? Como tomamos influência? E, então, traga isso para o último nível, onde na verdade vemos outro conjunto de inovações do Hadoop que estão acontecendo em torno de sistemas e ações de decisão. Qual é a próxima melhor ação? Então você sabe que blusas azuis estão vendendo melhor em Michigan. Você está sentado em uma tonelada de blusas azuis no Alabama. O óbvio é: "Sim, bem, vamos enviar isso lá fora". Como fazemos isso? Qual é o próximo passo? Como ligamos isso de volta? Talvez a próxima melhor ação, talvez seja uma sugestão, talvez algo que ajude a evitar um problema, talvez também não seja uma ação, que é uma ação em si. Então começamos a ver esse tipo de padrão emergir. E a beleza disso, de volta ao que você está dizendo sobre lojas de valores-chave, Robin, é que isso está acontecendo muito rápido. Está acontecendo da maneira que não pensamos dessa maneira.
Provavelmente eu diria que nos últimos cinco anos que atendemos. Começamos a pensar em termos de como podemos alavancar as lojas de valores-chave novamente, mas apenas nos últimos cinco anos, as pessoas estão vendo isso de maneira muito diferente e é como se os ciclos tecnológicos estivessem se repetindo em padrões de 40 anos, então é gentil de uma coisa engraçada em que observamos a nuvem e eu sou como o compartilhamento de tempo do mainframe. Estamos olhando para o Hadoop e como um armazenamento de valores-chave - talvez seja um data mart, menos que um data warehouse - e, assim, começamos a ver esses padrões novamente. O que estou tentando fazer agora é pensar no que as pessoas estavam fazendo há 40 anos? Que abordagens, técnicas e metodologias estavam sendo aplicadas limitadas pelas tecnologias que as pessoas tinham? Isso é meio que direcionando esse processo de pensamento. Portanto, à medida que analisamos o panorama geral do Hadoop como uma ferramenta, quando voltamos e pensamos nas implicações dos negócios, esse é o tipo de caminho pelo qual geralmente levamos as pessoas para que você possa ver quais partes, quais partes estão nos dados caminho das decisões. É apenas algo que eu queria compartilhar. É uma espécie de pensamento que estamos usando internamente e, com sorte, aumenta a discussão. Então eu vou devolver para você, Eric.
Eric Kavanagh: Isso é fantástico. Se você pode ficar por aqui para algumas perguntas e respostas. Mas gostei que você voltou ao nível dos negócios, porque no final das contas, tudo se resume aos negócios. É tudo uma questão de fazer as coisas e garantir que você gaste dinheiro com sabedoria, e essa é uma das perguntas que já vi, para que os palestrantes possam pensar sobre qual é o TCL de seguir a rota do Hadoop. Há um ponto ideal entre, por exemplo, o uso de ferramentas de prateleira de escritório para fazer as coisas da maneira tradicional e o uso de novos conjuntos de ferramentas, porque, novamente, pense bem, muitas dessas coisas não são novas, é apenas uma espécie de coalescer de uma nova maneira é, eu acho, a melhor maneira de colocar isso.
Então, vamos apresentar a nossa amiga Nikita Ivanov. Ele é o fundador e CEO da GridGain. Nikita, vou seguir em frente e entregar as chaves para você, e acredito que você está lá fora. Você pode me ouvir Nikita?
Nikita Ivanov: Sim, estou aqui.
Eric Kavanagh: Excelente. Então o chão é seu. Clique nesse slide. Use a seta para baixo e retire-a. Cinco minutos.
Nikita Ivanov: Em qual slide eu clico?
Eric Kavanagh: Clique em qualquer lugar desse slide e use a seta para baixo no teclado para mover. Basta clicar no slide e usar a seta para baixo.
Nikita Ivanov: Tudo bem, então apenas alguns slides rápidos sobre o GridGain. O que fazemos no contexto dessa conversa? O GridGain basicamente produz um software de computação na memória e parte da plataforma que desenvolvemos é o acelerador Hadoop na memória. Em termos do Hadoop, tendemos a pensar em nós mesmos como especialistas em desempenho do Hadoop. O que fazemos, essencialmente, em cima da nossa plataforma de computação em memória principal, que consiste em tecnologias como grade de dados, streaming de memória e grades de computação, seria capaz de conectar e acelerar o acelerador Hadoop. Isso é muito simples. Seria bom se pudéssemos desenvolver algum tipo de solução plug-and-play que possa ser instalada diretamente na instalação do Hadoop. Se você, desenvolvedor do MapReduce, precisa de um impulso sem precisar escrever nenhum novo software ou alteração de código ou alteração, ou basicamente tem uma alteração de configuração mínima no cluster Hadoop. Foi isso que desenvolvemos.
Fundamentalmente, o acelerador Hadoop na memória é baseado na otimização de dois componentes no ecossistema Hadoop. Se você pensa no Hadoop, ele é predominantemente baseado no HDFS, que é o sistema de arquivos. O MapReduce, que é a estrutura para executar as competições em paralelo na parte superior do sistema de arquivos. Para otimizar o Hadoop, otimizamos esses dois sistemas. Desenvolvemos um sistema de arquivos na memória totalmente compatível, plug-and-play 100% compatível, com HDFS. Você pode executar em vez do HDFS, pode executar sobre o HDFS. Também desenvolvemos o MapReduce na memória compatível com plug-and-play com o Hadoop MapReduce, mas há muitas otimizações sobre como o fluxo de trabalho do MapReduce e como a programação no MapReduce funciona.
Se você olhar, por exemplo, neste slide, onde mostramos o tipo de pilha de duplicação. No lado esquerdo, você tem o seu sistema operacional típico com o GDM e, no topo deste diagrama, o centro de aplicativos. No meio você tem o Hadoop. E o Hadoop é novamente baseado no HDFS e no MapReduce. Portanto, isso representa neste diagrama que é o que estamos incorporando à pilha do Hadoop. Novamente, é plug-and-play; você não precisa alterar nenhum código. Funciona da mesma maneira. No próximo slide, mostramos essencialmente como otimizamos o fluxo de trabalho do MapReduce. Essa é provavelmente a parte mais interessante porque oferece mais vantagens quando você executa os trabalhos do MapReduce.
O MapReduce típico, quando você está enviando o trabalho, e no lado esquerdo, há um diagrama, há uma aplicação usual. Normalmente, você está enviando o trabalho e o trabalho vai para um rastreador. 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. Obrigado.
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.
Obrigado.
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. Vamos ver. 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? Com grandes poderes vem grandes responsabilidades. 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.
Com isso, vamos dizer adeus, pessoal. 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. Tchau tchau.
