Note de l'éditeur: il s'agit de la transcription d'une webdiffusion en direct. Vous pouvez visionner l'intégralité de la webdiffusion ici.
Eric Kavanagh: Mesdames et messieurs, il est temps de devenir sage! Il est temps pour TechWise, un tout nouveau spectacle! Je m'appelle Eric Kavanagh. Je vais être votre modérateur pour notre épisode inaugural de TechWise. C'est exactement ça. Il s'agit d'un partenariat entre Techopedia et le groupe Bloor, bien sûr, de la renommée Inside Analysis.
Je m'appelle Eric Kavanagh. Je vais animer cet événement vraiment intéressant et impliqué, les amis. Nous allons creuser profondément dans le tissu pour comprendre ce qui se passe avec cette grande chose appelée Hadoop. Qu'est-ce que l'éléphant dans la pièce? Ça s'appelle Hadoop. Nous allons essayer de comprendre ce que cela signifie et ce qui se passe avec.
Tout d'abord, merci à nos sponsors GridGain, Actian, Zettaset et DataTorrent. Nous obtiendrons quelques brèves paroles de chacun d'eux vers la fin de cet événement. Nous aurons également un Q & A, alors ne soyez pas timide - envoyez vos questions à tout moment.
Nous allons creuser les détails et poser les questions difficiles à nos experts. Et en parlant des experts, hé, ils sont là. Donc, nous allons entendre notre propre Dr Robin Bloor, et les gens, je suis très heureux d'avoir le légendaire Ray Wang, analyste principal et fondateur de Constellation Research. Il est en ligne aujourd'hui pour nous faire part de ses réflexions et il est comme Robin, il est incroyablement diversifié et se concentre vraiment sur beaucoup de domaines différents et a la capacité de les synthétiser et de vraiment comprendre ce qui se passe dans ce domaine de la technologie de l'information. et gestion des données.
Donc, il y a ce petit éléphant mignon. Il est au début de la route, comme vous pouvez le voir. Ça ne fait que commencer maintenant, c'est juste une sorte de début, toute cette histoire Hadoop. Bien sûr, en 2006 ou 2007, je suppose, c'est quand il a été publié dans la communauté open-source, mais il y a eu beaucoup de choses, les gens. Il y a eu d'énormes développements. En fait, je veux évoquer l'histoire, donc je vais faire un partage de bureau rapide, au moins je pense que je le suis. Faisons un partage de bureau rapide.
Je vous montre cette histoire juste folle, folle. Intel a donc investi 740 millions de dollars pour acheter 18% de Cloudera. J'ai pensé et je me suis dit "Saint Noël!" J'ai commencé à faire le calcul et c'est comme, "C'est une valorisation de 4, 1 milliards de dollars." Réfléchissons-y une seconde. Je veux dire, si WhatsApp vaut 2 milliards de dollars, je suppose que Cloudera pourrait aussi bien valoir 4, 1 milliards de dollars, non? Je veux dire, pourquoi pas? Certains de ces chiffres sont à peine connus ces jours-ci, les amis. Je veux dire, généralement en termes d'investissement, vous avez l'EBITDA et tous ces autres mécanismes divers, des multiples de revenus, etc. Eh bien, ce sera un sacré multiple de revenus pour atteindre 4, 1 milliards de dollars pour Cloudera, qui est une entreprise géniale. Ne vous méprenez pas - il y a des gens très, très intelligents là-bas, y compris le gars qui a commencé tout l'engouement pour Hadoop, Doug Cutting, il est là-bas - beaucoup de gens très intelligents qui font beaucoup de vraiment, vraiment des choses sympas, mais l'essentiel est que les 4, 1 milliards de dollars, c'est beaucoup d'argent.
Voici donc une sorte de moment évident captif de passer par ma tête en ce moment qui est une puce, Intel. Leurs concepteurs de puces apportent des puces optimisées pour Hadoop - je dois le penser, les amis. C'est juste ma supposition. C'est juste une rumeur, venant de moi, si vous voulez, mais ça a du sens. Et qu'est-ce que tout cela signifie?
Voici donc ma théorie. Qu'est-ce qui se passe? Beaucoup de ces choses ne sont pas nouvelles. Le traitement parallèle massif n'est pas vraiment nouveau. Le traitement parallèle n'est certes pas nouveau. Je suis dans le monde de la superinformatique depuis un certain temps. Beaucoup de ces choses qui se produisent ne sont pas nouvelles, mais il y a le genre de conscience générale qu'il existe une nouvelle façon d'attaquer certains de ces problèmes. Ce que je vois se produire, si vous regardez certains des grands fournisseurs de Cloudera ou Hortonworks et certains de ces autres gars, ce qu'ils font vraiment si vous le réduisez au niveau le plus granulaire distillé, c'est le développement d'applications. Voilà ce qu'ils font.
Ils conçoivent de nouvelles applications - certaines d'entre elles impliquent des analyses commerciales; certains d'entre eux impliquent simplement des systèmes de suralimentation. L'un de nos fournisseurs qui en a parlé, ils font ce genre de choses toute la journée, dans l'émission d'aujourd'hui. Mais si c'est terriblement nouveau, encore une fois, la réponse est "pas vraiment", mais il se passe beaucoup de choses, et personnellement, je pense que ce qui se passe avec Intel qui fait cet investissement énorme est un mouvement de création de marché. Ils regardent le monde aujourd'hui et voient que c'est une sorte de monde monopolistique aujourd'hui. Il y a Facebook et ils ont battu la morve du pauvre MySpace. LinkedIn a vaincu la morosité des pauvres Who's Who. Donc, vous regardez autour de vous et c'est un service qui domine tous ces différents espaces dans notre monde aujourd'hui, et je pense que l'idée est qu'Intel va jeter toutes leurs puces sur Cloudera et essayer de l'élever au sommet de la pile - c'est juste ma théorie.
Donc, comme je l'ai dit, nous allons avoir une longue session de questions et réponses, alors ne soyez pas timide. Envoyez vos questions à tout moment. Vous pouvez le faire en utilisant ce composant Q&R de votre console de webdiffusion. Et avec cela, je veux accéder à notre contenu parce que nous avons beaucoup de choses à passer.
Alors, Robin Bloor, laissez-moi vous remettre les clés et la parole est à vous.
Robin Bloor: OK, Eric, merci pour ça. Faisons venir les éléphants dansants. C'est curieux, en fait, que les éléphants soient les seuls mammifères terrestres qui ne puissent pas réellement sauter. Tous ces éléphants dans ce graphique particulier ont au moins un pied sur le sol, donc je suppose que c'est faisable, mais dans une certaine mesure, ce sont évidemment des éléphants Hadoop, donc très, très capables.
La question, vraiment, que je pense doit être discutée et doit être discutée en toute honnêteté. Il faut en discuter avant d'aller ailleurs, c'est-à-dire vraiment commencer à parler de ce qu'est réellement Hadoop.
L'une des choses qui découle absolument de l'homme est le magasin de valeurs-clés. Nous avions autrefois des magasins de valeurs-clés. Nous les avions sur le mainframe IBM. Nous les avions sur les mini-ordinateurs; DEC VAX avait des fichiers IMS. Il y avait des capacités ISAM sur presque tous les mini-ordinateurs sur lesquels vous pouvez mettre la main. Mais vers la fin des années 80, Unix est arrivé et Unix n'avait en fait aucun magasin de valeurs-clés. Quand Unix l'a développé, ils se sont développés très rapidement. Ce qui s'est réellement passé, c'est que les fournisseurs de bases de données, en particulier Oracle, y sont allés à la vapeur et ont vendu vos bases de données pour gérer toutes les données que vous souhaitez gérer sur Unix. Windows et Linux se sont avérés être les mêmes. Ainsi, l'industrie a passé la majeure partie de ses 20 ans sans magasin de valeur-clé à usage général. Eh bien, c'est de retour maintenant. Non seulement il est de retour, il est évolutif.
Maintenant, je pense que c'est vraiment le fondement de ce qu'est vraiment Hadoop et dans une certaine mesure, cela détermine où il va aller. Qu'aimons-nous dans les magasins de valeurs-clés? Ceux d'entre vous qui sont aussi vieux que moi et qui se souviennent avoir travaillé avec des magasins de valeurs-clés se rendent compte que vous pouvez les utiliser à peu près pour configurer une base de données de manière informelle, mais uniquement de manière informelle. Vous savez que les métadonnées valorisent rapidement les magasins dans le code du programme, mais vous pouvez en faire un fichier externe, et vous pouvez si vous voulez commencer à traiter un magasin de valeurs-clés un peu comme une base de données. Mais bien sûr, il n'avait pas toutes les capacités de récupération d'une base de données et il n'y avait pas énormément de choses que les bases de données ont maintenant, mais c'était une fonctionnalité vraiment utile pour les développeurs et c'est l'une des raisons pour lesquelles je pense que Hadoop s'est avéré si populaire - tout simplement parce que ce sont les codeurs, les programmeurs, les développeurs qui sont rapides à le faire. Ils ont réalisé que non seulement c'est une valeur-clé du magasin, mais c'est un magasin de valeur-clé évolutif. Il évolue à peu près indéfiniment. J'ai envoyé ces balances sur des milliers de serveurs, donc c'est vraiment le gros problème avec Hadoop, c'est ce que c'est.
Il a également en plus MapReduce, qui est un algorithme de parallélisation, mais en fait, à mon avis, ce n'est pas important. Donc, vous savez, Hadoop est un caméléon. Ce n'est pas seulement un système de fichiers. J'ai vu différents types de réclamations faites pour Hadoop: c'est une base de données secrète; ce n'est pas une base de données secrète; c'est un magasin commun; c'est une boîte à outils analytique; c'est un environnement ELT; c'est un outil de nettoyage des données; c'est un entrepôt de données de plateformes de streaming; c'est un magasin d'archives; c'est un remède contre le cancer, etc. La plupart de ces choses ne sont vraiment pas vraies pour la vanille Hadoop. Hadoop est probablement un prototypage - c'est certainement un environnement de prototypage pour une base de données SQL, mais il n'a pas vraiment, si vous mettez un espace d'âge avec un catalogue d'âge sur Hadoop, vous avez quelque chose qui ressemble à une base de données, mais ce n'est pas vraiment ce que n'importe qui pourrait appeler une base de données en termes de capacités. Beaucoup de ces capacités, vous pouvez certainement les obtenir sur Hadoop. Il y en a certainement beaucoup. En fait, vous pouvez obtenir une source de Hadoop, mais Hadoop lui-même n'est pas ce que j'appellerais durci sur le plan opérationnel, et donc l'accord sur Hadoop, vraiment je ne serais sur rien d'autre, c'est que vous avez en quelque sorte besoin d'avoir un troisième -des produits de fête pour l'améliorer.
Donc, parler de vous ne peut que faire quelques lignes car je parle de dépassement de Hadoop. Tout d'abord, la capacité de requête en temps réel, eh bien vous savez que le temps réel est une sorte de temps de travail, vraiment, presque toujours critique pour les performances sinon. Je veux dire, pourquoi voudriez-vous concevoir en temps réel? Hadoop ne fait pas vraiment ça. Il fait quelque chose qui est presque en temps réel, mais il ne fait pas vraiment de choses en temps réel. Il fait du streaming, mais il ne fait pas de streaming d'une manière que j'appellerais capable de faire des plateformes de streaming d'applications de type vraiment critique. Il y a une différence entre une base de données et un magasin effaçable. Le synchroniser avec Hadoop vous offre un magasin de données effaçable. C'est un peu comme une base de données, mais ce n'est pas la même chose qu'une base de données. Hadoop dans sa forme native, à mon avis, ne se qualifie pas vraiment du tout en tant que base de données car il manque beaucoup de choses qu'une base de données devrait avoir. Hadoop fait beaucoup, mais il ne le fait pas particulièrement bien. Encore une fois, la capacité est là, mais nous sommes loin d'avoir une capacité rapide dans tous ces domaines.
L'autre chose à comprendre à propos de Hadoop est, c'est un peu le chemin parcouru depuis son développement. Il a été développé au début; il a été développé lorsque nous avions des serveurs qui n'avaient en fait qu'un seul processeur par serveur. Nous n'avons jamais eu de processeurs multicœurs et il a été conçu pour fonctionner sur des grilles, des grilles de lancement et des serveurs. L'un des objectifs de conception de Hadoop était de ne jamais perdre le travail. Et il s'agissait vraiment d'une panne de disque, car si vous avez des centaines de serveurs, il est probable que si vous avez des disques sur les serveurs, il est probable que vous obtiendrez une disponibilité de quelque chose comme 99, 8. Cela signifie que vous obtiendrez en moyenne une défaillance de l'un de ces serveurs une fois tous les 300 ou 350 jours, un jour par an. Donc, si vous en aviez des centaines, il est probable que n'importe quel jour de l'année vous ayez une panne de serveur.
Hadoop a été spécialement conçu pour résoudre ce problème.Ainsi, en cas d'échec, il prend des instantanés de tout ce qui se passe sur chaque serveur et peut récupérer le travail par lots en cours d'exécution. Et c'est tout ce qui s'est réellement passé sur Hadoop, ce sont des tâches par lots et c'est une capacité vraiment utile, il faut le dire. Certains des travaux par lots qui étaient exécutés - en particulier chez Yahoo, où je pense que Hadoop était né - dureraient deux ou trois jours, et si cela échouait après une journée, vous ne vouliez vraiment pas perdre le travail cela avait été fait. C'était donc le point de conception derrière la disponibilité sur Hadoop. Vous n'appeleriez pas cette haute disponibilité, mais vous pourriez l'appeler haute disponibilité pour les travaux par lots en série. C'est probablement la façon de voir les choses. La haute disponibilité est toujours configurée en fonction des caractéristiques de la ligne de travail. Pour le moment, Hadoop ne peut être configuré que pour des travaux par lots réellement en série en ce qui concerne ce type de récupération. La haute disponibilité d'entreprise est probablement mieux pensée en termes de LLP transactionnel. Je crois que si vous ne le voyez pas comme une chose en temps réel, Hadoop ne le fait pas encore. C'est probablement loin de le faire.
Mais voici la belle chose à propos de Hadoop. Ce graphique sur le côté droit qui a une liste de fournisseurs autour du bord et toutes les lignes qui s'y trouvent indiquent les connexions entre ces fournisseurs et d'autres produits dans l'écosystème Hadoop. Si vous regardez cela, c'est un écosystème incroyablement impressionnant. C'est assez remarquable. De toute évidence, nous parlons à beaucoup de fournisseurs en termes de leurs capacités. Parmi les fournisseurs à qui j'ai parlé, il existe des capacités vraiment extraordinaires d'utilisation de Hadoop et en mémoire, de la façon d'utiliser Hadoop comme archive compressée, d'utiliser Hadoop comme environnement ETL, etc., etc. Mais vraiment, si vous ajoutez le produit à Hadoop lui-même, il fonctionne extrêmement bien dans un espace particulier. Donc, même si je critique Hadoop natif, je ne critique pas Hadoop lorsque vous lui ajoutez un peu de puissance. À mon avis, la popularité de Hadoop garantit son avenir. J'entends par là, même si chaque ligne de code écrite jusqu'à présent sur Hadoop disparaît, je ne pense pas que l'API HDFS disparaîtra. En d'autres termes, je pense que le système de fichiers, l'API, est là pour rester, et peut-être YARN, le planificateur qui le surveille.
Lorsque vous regardez cela, c'est une capacité très importante et je vais en parler dans une minute, mais l'autre chose qui est, disons, passionnante pour Hadoop est l'image open source. Il vaut donc la peine de parcourir ce qu'est l'image open-source en termes de ce que je considère comme une capacité réelle. Bien que Hadoop et tous ses composants puissent certainement faire ce que nous appelons des longueurs de données - ou comme je préfère l'appeler, un réservoir de données - c'est certainement une très bonne zone de transit pour déposer des données dans l'organisation ou collecter des données dans l'organisation - extrêmement bonne pour les bacs à sable et pour les données de pêche. C'est très bien comme plate-forme de développement de prototypage que vous pourriez implémenter à la fin de la journée, mais vous savez qu'en tant qu'environnement de développement, tout ce que vous voulez est là. En tant que magasin d'archives, il a à peu près tout ce dont vous avez besoin, et bien sûr ce n'est pas cher. Je ne pense pas que nous devrions divorcer de l'une ou l'autre de ces deux choses de Hadoop même si elles ne sont pas formellement, si vous voulez, des composants de Hadoop. Le coin en ligne a apporté une grande quantité d'analyses dans le monde open-source et une grande partie de ces analyses sont désormais exécutées sur Hadoop, car cela vous donne un environnement pratique dans lequel vous pouvez réellement prendre beaucoup de données externes et simplement commencer à jouer. dans un bac à sable analytique.
Et puis vous avez les capacités open-source, qui sont toutes deux l'apprentissage automatique. Les deux sont extrêmement puissants dans le sens où ils implémentent de puissants algorithmes analytiques. Si vous rassemblez ces choses, vous avez les noyaux d'une capacité très, très importante, qui est d'une manière ou d'une autre très susceptible de - qu'elle se développe d'elle-même ou que des fournisseurs viennent combler les pièces manquantes - il est très probable que cela continue pendant longtemps et je pense certainement que l'apprentissage automatique a déjà un très grand impact sur le monde.
L'évolution de Hadoop, YARN a tout changé. Ce qui s'était passé était que MapReduce était à peu près soudé au premier système de fichiers HDFS. Lorsque YARN a été introduit, il a créé une capacité de planification dans sa première version. Vous ne vous attendez pas à la planification extrêmement sophistiquée de la première version, mais cela signifiait que ce n'était plus nécessairement un environnement de correctifs. C'était un environnement dans lequel plusieurs travaux pouvaient être planifiés. Dès que cela s'est produit, il y avait toute une série de fournisseurs qui s'étaient éloignés de Hadoop - ils venaient juste d'entrer et de s'y connecter car ils pouvaient alors le regarder comme l'environnement de planification sur un système de fichiers et ils pouvaient adresser des choses à il. Il y a même des fournisseurs de bases de données qui ont implémenté leurs bases de données sur HDFS, car ils prennent simplement le moteur et le mettent simplement sur HDFS. Avec la mise en cascade et avec YARN, cela devient un environnement très intéressant car vous pouvez créer des flux de travail complexes sur HDFS et cela signifie vraiment que vous pouvez commencer à le considérer comme vraiment une plate-forme qui peut exécuter plusieurs travaux simultanément et se pousse vers le point de faire des choses essentielles à la mission. Si vous voulez le faire, vous devrez probablement acheter des composants tiers comme la sécurité, etc., que Hadoop n'a pas réellement de compte d'audit pour combler les lacunes, mais vous entrer dans le point où même avec l'open source natif, vous pouvez faire des choses intéressantes.
En ce qui concerne la destination de Hadoop, je pense personnellement que HDFS va devenir un système de fichiers évolutif par défaut et va donc devenir le système d'exploitation, le système d'exploitation, pour la grille de flux de données. Je pense que cela a un énorme avenir et je ne pense pas que cela s'arrêtera là. Et je pense qu'en réalité, l'écosystème aide simplement parce que presque tout le monde, tous les fournisseurs de l'espace, intègrent Hadoop d'une manière ou d'une autre et ne font que l'activer. En ce qui concerne un autre point qui mérite d'être souligné, en termes de dépassement Hadoop, ce n'est pas une très bonne plate-forme plus la parallélisation. Si vous regardez réellement ce qu'il fait, ce qu'il fait, c'est qu'il prend un instantané régulièrement sur chaque serveur pendant qu'il exécute ses travaux MapReduce. Si vous deviez concevoir une parallélisation très rapide, vous ne feriez rien de tel. En fait, vous n'utiliseriez probablement pas MapReduce seul. MapReduce n'est que ce que je dirais à moitié capable de parallélisme.
Il existe deux approches du parallélisme: l'une consiste à canaliser les processus et l'autre à diviser les données MapReduce et il fait la division des données, il y a donc beaucoup d'emplois où MapReduce ne serait pas le moyen le plus rapide de le faire, mais il le fera vous donner le parallélisme et il n'y a rien à retirer de cela. Lorsque vous avez beaucoup de données, ce genre de pouvoir n'est généralement pas aussi utile. YARN, comme je l'ai déjà dit, est une capacité de planification très jeune.
Hadoop est, sorte de tracer la ligne dans le sable ici, Hadoop n'est pas un entrepôt de données. C'est tellement loin d'être un entrepôt de données que c'est presque une suggestion absurde de le dire. Dans ce diagramme, ce que je montre en haut est une sorte de flux de données, passant d'un réservoir de données Hadoop à une base de données évolutive gargantuesque, ce que nous allons réellement faire, un entrepôt de données d'entreprise. Je montre des bases de données héritées, introduisant des données dans l'entrepôt de données et une activité de déchargement créant des bases de données de déchargement à partir de l'entrepôt de données, mais c'est en fait une image que je commence à voir émerger, et je dirais que c'est comme la première génération de ce qui arrive à l'entrepôt de données avec Hadoop. Mais si vous regardez l'entrepôt de données vous-même, vous vous rendez compte que sous l'entrepôt de données, vous avez un optimiseur. Vous disposez de travailleurs de requête distribués sur de très nombreux processus assis sur un très grand nombre de disques, peut-être. C'est ce qui se passe dans un entrepôt de données. C'est en fait une sorte d'architecture conçue pour un entrepôt de données et cela prend beaucoup de temps pour construire quelque chose comme ça, et Hadoop n'a rien de tout cela. Hadoop n'est donc pas un entrepôt de données et il ne le deviendra pas, à mon avis, de si tôt.
Il a ce réservoir de données relatif, et cela semble intéressant si vous regardez le monde comme une série d'événements qui se jettent dans l'organisation. C'est ce que je montre sur le côté gauche de ce diagramme. Le faire passer par une capacité de filtrage et de routage et tout ce qui doit être utilisé pour le streaming est siphonné des applications de streaming et tout le reste va directement dans le réservoir de données où il est préparé et nettoyé, puis transmis par ETL à une seule donnée un entrepôt ou un entrepôt de données logique composé de plusieurs moteurs. C'est, à mon avis, une ligne de développement naturelle pour Hadoop.
En ce qui concerne l'ETW, l'une des choses qui mérite d'être soulignée est que l'entrepôt de données lui-même a en fait été déplacé - ce n'est pas ce qu'il était. Certes, de nos jours, vous vous attendez à ce qu'il y ait une capacité hiérarchique par données hiérarchiques de ce que les gens, ou certaines personnes, appellent les documents dans l'entrepôt de données. C'est JSON. Peut-être, des requêtes réseau qui sont des bases de données graphiques, éventuellement des analyses. Donc, ce vers quoi nous nous dirigeons est un ETW qui a en fait une charge de travail plus complexe que celles auxquelles nous sommes habitués. C'est donc un peu intéressant parce que d'une certaine manière, cela signifie que l'entrepôt de données devient encore plus sophistiqué, et à cause de cela, il faudra encore plus de temps avant que Hadoop ne s'en rapproche. La signification de l'entrepôt de données s'étend, mais elle inclut toujours l'optimisation. Vous devez avoir une capacité d'optimisation, non seulement sur les requêtes maintenant, mais sur toutes ces activités.
Voilà, vraiment. C'est tout ce que je voulais dire sur Hadoop. Je pense que je peux passer la main à Ray, qui n'a pas de diapositives, mais il est toujours bon à parler.
Eric Kavanagh: Je vais prendre les diapositives. Il y a notre ami, Ray Wang. Alors, Ray, que pensez-vous de tout cela?
Ray Wang: Maintenant, je pense que c'était probablement l'une des histoires les plus succinctes et les plus géniales des magasins à valeur clé et où Hadoop est allé en relation avec les entreprises qui sont sorties, donc j'apprends toujours beaucoup en écoutant Robin.
En fait, j'ai une diapositive. Je peux afficher une diapositive ici.
Eric Kavanagh: Allez-y et cliquez sur, cliquez sur Démarrer et allez pour partager votre bureau.
Ray Wang: J'ai compris, voilà. Je vais vraiment partager. Vous pouvez voir l'application elle-même. Voyons comment ça se passe.
Toutes ces discussions sur Hadoop, puis nous approfondissons la conversation sur les technologies qui sont là et sur où Hadoop se dirige, et souvent j'aime juste reprendre pour vraiment discuter de l'entreprise. Beaucoup de choses qui se passent du côté de la technologie sont vraiment cette pièce où nous avons parlé des entrepôts de données, de la gestion de l'information, de la qualité des données, de la maîtrise de ces données, et nous avons donc tendance à voir cela. Donc, si vous regardez ce graphique ici tout en bas, c'est très intéressant de voir que les types d'individus que nous rencontrons dans cette conversation sur Hadoop. Nous avons les technologues et les scientifiques des données qui jettent un coup d'œil, ayant beaucoup d'enthousiasme, et il s'agit généralement de sources de données, non? Comment maîtrisons-nous les sources de données? Comment pouvons-nous obtenir ceci dans les bons niveaux de qualité? Que faisons-nous de la gouvernance? Que pouvons-nous faire pour faire correspondre différents types de sources? Comment gardons-nous la lignée? Et tout ce genre de discussion. Et comment tirer plus de SQL de notre Hadoop? Donc, cette partie se passe à ce niveau.
Ensuite, côté information et orchestration, c'est là que ça devient intéressant. Nous commençons à lier les résultats de ces informations que nous obtenons ou les retirons-nous des processus métier? Comment pouvons-nous le rattacher à tout type de modèles de métadonnées? Relions-nous les points entre les objets? Et donc les nouveaux verbes et discussions sur la façon dont nous utilisons ces données, passant de ce que nous sommes traditionnellement dans un monde de CRUD: créer, lire, mettre à jour, supprimer, à un monde qui discute de la façon dont nous engageons ou partageons ou collaborons ou aimer ou tirer quelque chose.
C'est là que nous commençons à voir beaucoup d'enthousiasme et d'innovation, en particulier sur la façon de tirer ces informations et de les valoriser. Telle est la discussion axée sur la technologie sous la ligne rouge. Au-dessus de cette ligne rouge, nous obtenons les mêmes questions que nous avons toujours voulu poser et l'une d'elles que nous soulevons toujours est par exemple, peut-être que la question dans le commerce de détail pour vous est comme: "Pourquoi les pulls rouges se vendent-ils mieux en Alabama que des pulls bleus au Michigan? " Vous pourriez y penser et dire: "C'est assez intéressant." Vous voyez ce schéma. Nous posons cette question et nous nous demandons: "Hé, qu'est-ce qu'on fait?" Il s'agit peut-être d'écoles publiques - Michigan contre Alabama. OK, je comprends cela, je vois où nous allons. Et donc nous commençons à obtenir le côté commercial de la maison, des gens dans la finance, des gens qui ont des capacités de BI traditionnelles, des gens dans le marketing et des gens dans les RH en disant: "Où sont mes modèles?" Comment pouvons-nous arriver à ces modèles? Et nous voyons donc une autre façon d'innover du côté Hadoop. Il s'agit vraiment de savoir comment faire apparaître plus rapidement les informations de mise à jour. Comment établissons-nous ces types de connexions? Cela va jusqu'aux gens qui font comme, ad: tech qui essaie essentiellement de connecter des annonces et du contenu pertinent depuis des réseaux d'enchères en temps réel aux annonces contextuelles et au placement d'annonces et de le faire à la volée.
C'est donc intéressant. Vous voyez la progression de Hadoop à partir de "Hé, voici la solution technologique. Voici ce que nous devons faire pour diffuser ces informations aux gens." Puis, au fur et à mesure qu'elle traverse la partie métier, c'est là que cela devient intéressant. C'est la perspicacité. Où est la performance? Où est la déduction? Comment prédisons-nous les choses? Comment prenons-nous de l'influence? Et puis amenez cela à ce dernier niveau où nous voyons réellement un autre ensemble d'innovations Hadoop qui se produisent autour des systèmes de décision et des actions. Quelle est la prochaine meilleure action? Vous savez donc que les pulls bleus se vendent mieux au Michigan. Vous êtes assis sur une tonne de pulls bleus en Alabama. La chose la plus évidente est: "Ouais, eh bien, sortons ça." Comment faisons-nous ça? Quelle est la prochaine étape? Comment lier cela? Peut-être la prochaine meilleure action, peut-être que c'est une suggestion, peut-être que c'est quelque chose qui vous aide à prévenir un problème, peut-être que ce n'est pas une action non plus, qui est une action en soi. Nous commençons donc à voir ce type de modèles émerger. Et la beauté de cela revient à ce que vous dites à propos des magasins à valeur clé, Robin, c'est que cela se passe si vite. Cela se passe de la façon dont nous n'y avons pas pensé de cette façon.
Je dirais probablement qu'au cours des cinq dernières années, nous avons repris. Nous avons commencé à réfléchir à la manière dont nous pouvons à nouveau exploiter les magasins à valeur clé, mais ce n'est qu'au cours des cinq dernières années, les gens voient les choses très différemment et c'est comme si les cycles technologiques se répétaient selon des modèles de 40 ans, donc c'est gentil d'une chose amusante où nous regardons le cloud et je suis comme le partage de temps mainframe. Nous examinons Hadoop et un magasin de valeurs clés similaire - c'est peut-être un magasin de données, moins qu'un entrepôt de données - et nous recommençons donc à voir ces modèles. Ce que j'essaie de faire en ce moment, c'est de penser à ce que faisaient les gens il y a 40 ans? Quelles approches, techniques et méthodologies étaient appliquées qui étaient limitées par les technologies dont disposaient les gens? C'est une sorte de moteur de ce processus de réflexion. Donc, au fur et à mesure que nous passons en revue Hadoop en tant qu'outil, lorsque nous revenons en arrière et réfléchissons aux implications commerciales, c'est en quelque sorte le chemin que nous empruntons habituellement pour que vous puissiez voir quelles pièces, quelles pièces se trouvent dans les données voie de décisions. C'est juste quelque chose que je voulais partager. C'est une sorte de pensée que nous avons utilisée en interne et qui, espérons-le, ajoute à la discussion. Je vais donc vous redonner la parole, Eric.
Eric Kavanagh: C'est fantastique. Si vous pouvez rester pour quelques questions et réponses. Mais j'ai aimé que vous le rameniez au niveau de l'entreprise, car au bout du compte, tout tourne autour de l'entreprise. Il s'agit de faire avancer les choses et de s'assurer que vous dépensez de l'argent à bon escient et c'est l'une des questions que j'ai déjà vues, alors les orateurs voudront peut-être réfléchir à la TCL de la voie Hadoop. Il y a un endroit idéal entre les deux, par exemple, en utilisant des outils d'étagère de bureau pour faire les choses d'une manière traditionnelle et en utilisant les nouveaux ensembles d'outils, car encore une fois, pensez-y, beaucoup de ces choses ne sont pas nouvelles, c'est juste une sorte de fusionner d'une nouvelle manière est, je suppose, la meilleure façon de le dire.
Alors allons-y et présentons notre amie, Nikita Ivanov. Il est le fondateur et PDG de GridGain. Nikita, je vais aller de l'avant et vous remettre les clés, et je crois que vous êtes là-bas. Tu m'entends Nikita?
Nikita Ivanov: Oui, je suis là.
Eric Kavanagh: Excellent. La parole est donc à vous. Cliquez sur cette diapositive. Utilisez la flèche vers le bas et retirez-la. Cinq minutes.
Nikita Ivanov: Sur quelle diapositive je clique?
Eric Kavanagh: Cliquez simplement n'importe où sur cette diapositive, puis utilisez la flèche vers le bas du clavier pour vous déplacer. Cliquez simplement sur la diapositive elle-même et utilisez la flèche vers le bas.
Nikita Ivanov: Très bien, donc quelques diapositives rapides sur GridGain. Que faisons-nous dans le cadre de cette conversation? GridGain produit essentiellement un logiciel informatique en mémoire et une partie de la plate-forme que nous avons développée est l'accélérateur Hadoop en mémoire. En ce qui concerne Hadoop, nous avons tendance à nous considérer comme les spécialistes de la performance Hadoop. Ce que nous faisons, essentiellement, en plus de notre plate-forme informatique de base en mémoire qui se compose de technologies telles que la grille de données, le streaming de mémoire et les grilles de calcul, serait capable de brancher et de jouer l'accélérateur Hadoop. C’est très simple. Ce serait bien si nous pouvions développer une sorte de solution plug-and-play qui peut être installée directement dans l'installation Hadoop. Si vous, le développeur de MapReduce, avez besoin d'un coup de pouce sans avoir besoin d'écrire un nouveau logiciel ou un changement de code ou un changement, ou si vous avez essentiellement un changement de configuration minimal dans le cluster Hadoop. C'est ce que nous avons développé.
Fondamentalement, l'accélérateur Hadoop en mémoire est basé sur l'optimisation de deux composants de l'écosystème Hadoop. Si vous pensez à Hadoop, il est principalement basé sur HDFS, qui est le système de fichiers. Le MapReduce, qui est le cadre pour exécuter les compétitions en parallèle au-dessus du système de fichiers. Afin d'optimiser le Hadoop, nous optimisons ces deux systèmes. Nous avons développé un système de fichiers en mémoire totalement compatible, 100% compatible plug-and-play, avec HDFS. Vous pouvez exécuter au lieu de HDFS, vous pouvez exécuter au-dessus de HDFS. Et nous avons également développé MapReduce en mémoire qui est compatible plug-and-play avec Hadoop MapReduce, mais il y a beaucoup d'optimisations sur la façon dont le flux de travail de MapReduce et le fonctionnement de la planification sur MapReduce.
Si vous regardez, par exemple sur cette diapositive, où nous montrons le type de pile de duplication. Sur le côté gauche, vous avez votre système d'exploitation typique avec GDM et en haut de ce diagramme, vous avez le centre d'application. Au milieu, vous avez le Hadoop. Et Hadoop est à nouveau basé sur HDFS et MapReduce. Donc, cela représente sur ce diagramme, ce que nous sommes en train d'intégrer dans la pile Hadoop. Encore une fois, c'est plug-and-play; vous ne devez changer aucun code. Cela fonctionne de la même manière. Sur la diapositive suivante, nous avons montré essentiellement comment nous avons optimisé le flux de travail MapReduce. C'est probablement la partie la plus intéressante car elle vous donne le plus d'avantages lorsque vous exécutez les travaux MapReduce.
Le MapReduce typique, lorsque vous soumettez le travail, et sur le côté gauche il y a un diagramme, il y a une application habituelle. Donc, généralement, vous soumettez le travail et le travail va à un traqueur d'emploi. 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. Aucun doute là dessus.
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. Je vous remercie.
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.
Merci.
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. Voyons voir. 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? Un grand pouvoir implique de grandes responsabilités. 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.
Sur ce, nous allons vous dire adieu, les amis. 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. Bye Bye.
