Noot van de redactie: dit is een transcriptie van een live webcast. U kunt de webcast hier volledig bekijken.
Eric Kavanagh: Dames en heren, het is tijd om wijs te worden! Het is tijd voor TechWise, een gloednieuwe show! Mijn naam is Eric Kavanagh. Ik ga je moderator zijn voor onze inaugurele aflevering van TechWise. Dat klopt precies. Dit is een partnerschap van Techopedia en de Bloor Group, natuurlijk, van de bekendheid van Inside Analysis.
Mijn naam is Eric Kavanagh. Ik zal dit echt interessante en betrokken evenement modereren, mensen. We gaan diep in het weefsel graven om te begrijpen wat er aan de hand is met dit grote ding dat Hadoop heet. Wat is de olifant in de kamer? Het heet Hadoop. We gaan proberen erachter te komen wat het betekent en wat er aan de hand is.
Allereerst hartelijk dank aan onze sponsors, GridGain, Actian, Zettaset en DataTorrent. We zullen een korte paar woorden van elk van hen krijgen aan het einde van dit evenement. We hebben ook een Q&A, dus wees niet verlegen - stuur uw vragen op elk gewenst moment in.
We gaan dieper in op de details en werpen de moeilijke vragen naar onze experts. En over de experts gesproken, hé, daar zijn ze. Dus we gaan horen van onze eigen Dr. Robin Bloor en mensen, ik ben erg enthousiast over de legendarische Ray Wang, hoofdanalist en oprichter van Constellation Research. Hij is vandaag online om ons zijn mening te geven en hij is net als Robin dat hij ongelooflijk divers is en zich echt op veel verschillende gebieden richt en de mogelijkheid heeft om ze te synthetiseren en echt te begrijpen wat er gaande is op dit hele gebied van informatietechnologie en gegevensbeheer.
Dus er is die kleine schattige olifant. Hij staat aan het begin van de weg, zoals je kunt zien. Het begint nu net, het begint gewoon een beetje, dit hele Hadoop-gedoe. Ik veronderstel natuurlijk dat het in 2006 of 2007 werd vrijgegeven aan de open-sourcecommunity, maar er zijn veel dingen gaande, mensen. Er zijn enorme ontwikkelingen geweest. Ik wil eigenlijk het verhaal naar voren brengen, dus ik ga een snelle desktopshare doen, tenminste denk ik dat ik ben. Laten we een snelle desktopshare doen.
Ik laat je dit gewoon gekke, gekke verhaalmensen zien. Dus investeerde Intel $ 740 miljoen om 18 procent van Cloudera te kopen. Ik dacht en ik heb zoiets van "Heilige Kerst!" Ik begon de wiskunde te doen en het is als: "Het is een waardering van $ 4, 1 miljard." Laten we hier even over nadenken. Ik bedoel, als WhatsApp $ 2 miljard waard is, denk ik dat Cloudera net zo goed $ 4, 1 miljard waard kan zijn, toch? Ik bedoel, waarom niet? Sommige van deze nummers zijn tegenwoordig gewoon uit het raam, mensen. Ik bedoel, meestal in termen van investeringen, heb je EBITDA en al deze andere verschillende mechanismen, veelvouden van inkomsten, enzovoort. Nou, het zal een heel veelvoud van inkomsten zijn om $ 4, 1 miljard te krijgen voor Cloudera, wat een geweldig bedrijf is. Begrijp me niet verkeerd - er zijn een aantal zeer, zeer slimme mensen daar, waaronder de man die de hele Hadoop-rage begon, Doug Cutting, hij is daar - veel zeer intelligente mensen die heel veel echt, echt doen coole dingen, maar het komt erop neer dat de $ 4, 1 miljard, dat is veel geld.
Dus hier is een soort voor de hand liggend moment om door mijn hoofd te gaan, wat een chip is, Intel. Hun chipontwerpers brengen een voor Hadoop geoptimaliseerde chip te zien - ik moet denken van wel, mensen. Dat is gewoon mijn gok. Dat is maar een gerucht, van mij, als je wilt, maar het is logisch. En wat betekent dit allemaal?
Dus hier is mijn theorie. Wat gebeurt er? Veel van dit spul is niet nieuw. Enorme parallelle verwerking is niet erg nieuw. Parallelle verwerking is zeker niet nieuw. Ik ben al een tijdje in de wereld van supercomputing. Veel van deze dingen die gebeuren zijn niet nieuw, maar er is een soort algemeen besef dat er een nieuwe manier is om sommige van deze problemen aan te pakken. Wat ik zie gebeuren, als je kijkt naar enkele van de grote leveranciers van Cloudera of Hortonworks en sommige van deze andere jongens, wat ze echt doen als je het op het meest korrelige gedistilleerde niveau hebt, is de ontwikkeling van applicaties. Dat is wat ze doen.
Ze ontwerpen nieuwe applicaties - sommige omvatten bedrijfsanalyses; sommige hebben alleen betrekking op supercharging-systemen. Een van onze verkopers die daarover heeft gesproken, doet dat soort dingen de hele dag, vandaag in de show. Maar als het vreselijk nieuw is, is het antwoord opnieuw "niet echt", maar er gebeurt veel en persoonlijk denk ik dat wat er gaande is met Intel die deze enorme investering doet, een stap in de markt is. Ze kijken vandaag naar de wereld en zien dat het vandaag een soort monopolistische wereld is. Er is Facebook en ze hebben net de snot uit arme MySpace verslagen. LinkedIn heeft de snot geslagen uit arme Who's Who. Dus kijk rond en het is één service die vandaag al deze verschillende ruimtes in onze wereld domineert, en ik denk dat het idee is dat Intel al hun chips op Cloudera gooit en het naar de top van de stapel probeert te brengen - dat is gewoon mijn theorie.
Dus mensen, zoals ik al zei, we gaan een lange vraag-en-antwoordsessie houden, dus wees niet verlegen. Stuur uw vragen op elk gewenst moment in. U kunt dit doen met behulp van dat V & A-onderdeel van uw webcastconsole. En daarmee wil ik onze inhoud bekijken omdat we veel dingen moeten doorstaan.
Dus, Robin Bloor, laat me de sleutels aan jou overhandigen en de vloer is van jou.
Robin Bloor: OK, Eric, bedankt daarvoor. Laten we de dansende olifanten brengen. Eigenlijk is het merkwaardig dat olifanten de enige landzoogdieren zijn die niet echt kunnen springen. Al deze olifanten in deze specifieke afbeelding hebben minstens één voet op de grond, dus ik denk dat het haalbaar is, maar tot op zekere hoogte zijn dit duidelijk Hadoop-olifanten, zo zeer, zeer capabel.
De vraag, echt, die volgens mij moet worden besproken en in alle eerlijkheid moet worden besproken. Het moet worden besproken voordat je ergens anders heen gaat, dat is om echt te beginnen praten over wat Hadoop eigenlijk is.
Een van de dingen die het absoluut van de man-play-basis is, is de opslag van sleutelwaarden. Vroeger hadden we winkels met sleutelwaarden. Vroeger hadden we ze op IBM mainframe. We hadden ze op de minicomputers; DEC VAX had IMS-bestanden. Er waren ISAM-mogelijkheden die op vrijwel elke minicomputer te vinden waren. Maar ergens rond de late jaren '80 kwam Unix binnen en had Unix er eigenlijk geen sleutelwaardeopslag op. Toen Unix het ontwikkelde, ontwikkelden ze zich heel snel. Wat er echt gebeurde, was dat de databaseverkopers, met name Oracle, binnen gingen stomen en ze uw databases verkochten om te zorgen voor alle gegevens die u op Unix wilt beheren. Windows en Linux bleken hetzelfde te zijn. Dus ging de industrie het grootste deel van de 20 jaar zonder een sleutelwinkel voor algemene doeleinden. Nou, het is nu terug. Het is niet alleen terug, het is schaalbaar.
Nu denk ik dat het echt de basis is van wat Hadoop echt is en tot op zekere hoogte bepaalt het waar het naartoe gaat. Wat vinden we leuk aan winkels met sleutelwaarden? Degenen onder jullie die net zo oud zijn als ik en me eigenlijk herinneren dat ze met sleutel-waarde-winkels werkten, realiseren zich dat je ze zo ongeveer kunt gebruiken om informeel een database op te zetten, maar alleen informeel. Je weet dat de metadata snel waarde hecht aan winkels in de programmacode, maar je zou dat een extern bestand kunnen maken, en dat zou je kunnen doen als je een sleutelwaardeopslag een beetje als een database wilt gaan behandelen. Maar het had natuurlijk niet al die herstelmogelijkheden die een database heeft en het had niet heel veel dingen die de databases nu hebben, maar het was echt een nuttige functie voor ontwikkelaars en dat is een van de redenen denk ik dat Hadoop zo populair is gebleken - simpelweg omdat het coders, programmeurs en ontwikkelaars zijn geweest die er snel bij zijn. Ze beseften dat niet alleen een sleutelwaarde van de winkel is, maar dat het ook een schaalbare sleutelwaardeopslag is. Het schaalt vrijwel onbeperkt uit. Ik stuurde deze weegschalen naar duizenden servers, dus dat is het grote ding van Hadoop, dat is het.
Het heeft ook MapReduce, wat een parallellisatie-algoritme is, maar eigenlijk is dat naar mijn mening niet belangrijk. Dus weet je, Hadoop is een kameleon. Het is niet alleen een bestandssysteem. Ik heb verschillende soorten claims voor Hadoop gezien: het is een geheime database; het is geen geheime database; het is een gemeenschappelijke winkel; het is een analytische toolbox; het is een ELT-omgeving; het is een tool voor het opschonen van gegevens; het is een datawarehouse voor streamingplatforms; het is een archiefwinkel; het is een remedie tegen kanker, enzovoort. De meeste van deze dingen zijn echt niet waar voor vanille Hadoop. Hadoop is waarschijnlijk een prototyping - het is zeker een prototypingomgeving voor een SQL-database, maar het heeft niet echt, als je leeftijdruimte met leeftijdscatalogus boven Hadoop plaatst, je hebt iets dat op een database lijkt, maar het is niet echt wat iemand een database zou noemen in termen van mogelijkheden. Veel van deze mogelijkheden, je kunt ze zeker op Hadoop krijgen. Het zijn er zeker veel. Eigenlijk kun je een bron van Hadoop krijgen, maar Hadoop zelf is niet wat ik operationeel verhard zou noemen, en daarom is de deal over Hadoop, echt waar ik nergens anders over zou zijn, dat je soort van derde -party producten om het te verbeteren.
Dus over jou praten kan maar een paar regels inwerpen als ik het over Hadeach heb. In de eerste plaats, realtime query-mogelijkheden, nou ja, realtime is een soort bedrijfstijd, eigenlijk, bijna altijd, anders kritieke prestaties. Ik bedoel, waarom zou je voor realtime engineeren? Hadoop doet dit niet echt. Het doet iets dat bijna realtime is, maar het doet niet echt realtime dingen. Het streamt wel, maar het streamt niet op een manier die ik echt missiekritisch type applicatie-streaming platforms zou kunnen noemen. Er is een verschil tussen een database en een wisbare winkel. Door het te synchroniseren via Hadoop krijgt u een wisbare gegevensopslag. Dat lijkt een beetje op een database, maar het is niet hetzelfde als een database. Hadoop in zijn oorspronkelijke vorm kan naar mijn mening helemaal niet als een database worden aangemerkt, omdat er nogal wat dingen zijn die een database zou moeten hebben. Hadoop doet veel, maar het doet het niet bijzonder goed. Nogmaals, de mogelijkheden zijn er, maar we zijn een manier verwijderd van het hebben van een snelle mogelijkheid op al deze gebieden.
Het andere dat je over Hadoop moet begrijpen, is dat het een lange weg is afgelegd sinds het is ontwikkeld. Het werd ontwikkeld in de vroege dagen; het werd ontwikkeld toen we servers hadden die eigenlijk maar één processor per server hadden. We hebben nooit multi-coreprocessors gehad en het was gebouwd om over rasters te gaan, rasters te lanceren en scheidingen. Een van de ontwerpdoelen van Hadoop was om het werk nooit te verliezen. En dat ging echt over schijfdefecten, want als je honderden servers hebt, is de kans groot dat als je schijven op de servers hebt, de kans groot is dat je een uptime-beschikbaarheid van zoiets als 99.8 krijgt. Dat betekent dat u gemiddeld om de 300 of 350 dagen, één dag in een jaar, een van die servers uitvalt. Dus als u er honderden had, zou de kans op elke dag van het jaar groot zijn dat u een serverstoring zou krijgen.
Hadoop is speciaal gebouwd om dat probleem aan te pakken - zodat, in het geval dat er iets is mislukt, het snapshots maakt van alles wat er gebeurt, op elke specifieke server en het de batchopdracht die wordt uitgevoerd kan herstellen. En dat was alles wat eigenlijk ooit op Hadoop werd uitgevoerd, batchtaken en dat is een heel nuttige mogelijkheid, moet worden gezegd. Sommige van de batchopdrachten die werden uitgevoerd - met name bij Yahoo, waar ik denk dat Hadoop een beetje geboren was - zouden twee of drie dagen aan het werk zijn en als het na een dag mislukte, wilde je het werk echt niet verliezen dat was gebeurd. Dus dat was het ontwerppunt achter de beschikbaarheid op Hadoop. Je zou die hoge beschikbaarheid niet noemen, maar je zou het hoge beschikbaarheid kunnen noemen voor seriële batchopdrachten. Dat is waarschijnlijk de manier om ernaar te kijken. Hoge beschikbaarheid wordt altijd geconfigureerd op basis van werklijnkenmerken. Op dit moment kan Hadoop alleen worden geconfigureerd voor echt seriële batchtaken met betrekking tot dat soort herstel. Hoge beschikbaarheid van een onderneming is waarschijnlijk het beste wat betreft transactionele LLP. Ik geloof dat Hadoop dat nog niet doet als je het niet als een real-time ding ziet. Het is waarschijnlijk ver weg om dat te doen.
Maar hier is het mooie van Hadoop. Die afbeelding aan de rechterkant die een lijst met leveranciers rond de rand heeft en alle lijnen erop geven verbindingen aan tussen die leveranciers en andere producten in het Hadoop-ecosysteem. Als je dat bekijkt, is dat een ongelooflijk indrukwekkend ecosysteem. Het is vrij opmerkelijk. We praten uiteraard met veel leveranciers over hun mogelijkheden. Onder de leveranciers met wie ik heb gesproken, zijn er een aantal echt buitengewone mogelijkheden om Hadoop en in-memory te gebruiken, om Hadoop te gebruiken als een gecomprimeerd archief, om Hadoop te gebruiken als een ETL-omgeving, enzovoort. Maar echt, als je het product aan Hadoop zelf toevoegt, werkt het buitengewoon goed in een bepaalde ruimte. Dus terwijl ik kritisch ben over native Hadoop, ben ik niet kritisch over Hadoop wanneer je er eigenlijk wat kracht aan toevoegt. Naar mijn mening garandeert de populariteit van Hadoop zijn toekomst. Daarmee bedoel ik, zelfs als elke regel code die tot nu toe op Hadoop is geschreven verdwijnt, geloof ik niet dat de HDFS API zal verdwijnen. Met andere woorden, ik denk dat het bestandssysteem, API, hier moet blijven, en mogelijk YARN, de planner die eroverheen kijkt.
Als je daar echt naar kijkt, is dat een heel belangrijke mogelijkheid en daar zal ik het in een minuut over hebben, maar het andere ding, laten we zeggen, spannende mensen over Hadoop is het hele open-sourcebeeld. Het is dus de moeite waard om eens te kijken wat het open-sourcebeeld is in termen van wat ik als echte mogelijkheden beschouw. Hoewel Hadoop en al zijn componenten zeker kunnen doen wat we datalengten noemen - of zoals ik het liever een gegevensreservoir noem - is het zeker een zeer goed verzamelgebied om gegevens in de organisatie te plaatsen of om gegevens in de organisatie te verzamelen - extreem goed voor sandboxen en voor het vissen van gegevens. Het is heel goed als een prototyping ontwikkelingsplatform dat je aan het einde van de dag zou kunnen implementeren, maar je weet als een ontwikkelomgeving vrijwel alles wat je wilt is er. Als archiefwinkel heeft het vrijwel alles wat je nodig hebt, en het is natuurlijk niet duur. Ik denk niet dat we van deze twee dingen van Hadoop moeten scheiden, ook al zijn ze niet formeel, als je wilt, componenten van Hadoop. De online wedge heeft een enorme hoeveelheid analyses in de open-source wereld gebracht en veel van die analyses worden nu op Hadoop uitgevoerd, omdat dat je een handige omgeving biedt waarin je eigenlijk veel externe gegevens kunt opnemen en gewoon kunt beginnen met spelen op een analytische sandbox.
En dan heb je de open-source mogelijkheden, die beide machine learning zijn. Beide zijn extreem krachtig in de zin dat ze krachtige analytische algoritmen implementeren. Als je deze dingen samenvoegt, heb je de kernels van een aantal zeer, zeer belangrijke mogelijkheden, die op de een of andere manier zeer waarschijnlijk zijn - of het zich vanzelf ontwikkelt of of leveranciers binnenkomen om de ontbrekende stukjes in te vullen - het is zeer waarschijnlijk dat dit nog lang zal duren en ik denk zeker dat machine learning al een grote impact heeft op de wereld.
De evolutie van Hadoop, YARN heeft alles veranderd. Wat er was gebeurd, was dat MapReduce vrijwel was gelast aan het vroege bestandssysteem HDFS. Toen YARN werd geïntroduceerd, creëerde het een planningsmogelijkheid in zijn eerste release. Je verwacht de extreem geavanceerde planning niet vanaf de eerste release, maar het betekende wel dat het nu niet langer noodzakelijkerwijs een patchomgeving was. Het was een omgeving waarin meerdere taken konden worden gepland. Zodra dat gebeurde, was er een hele reeks leveranciers die afstand hadden gehouden van Hadoop - ze kwamen gewoon binnen en maakten er verbinding mee, omdat ze het dan gewoon konden zien als de planningsomgeving over een bestandssysteem en ze konden dingen richten tot het. Er zijn zelfs databaseverkopers die hun databases op HDFS hebben geïmplementeerd, omdat ze de engine gewoon overnemen en gewoon op HDFS zetten. Met cascading en met YARN wordt het een zeer interessante omgeving omdat je via HDFS complexe workflows kunt creëren en dit betekent echt dat je het kunt zien als een platform dat meerdere taken tegelijkertijd kan uitvoeren en zichzelf naar het punt van missiekritieke dingen doen. Als je dat gaat doen, moet je waarschijnlijk een aantal componenten van derden kopen, zoals beveiliging, enzovoort, waarvoor Hadoop eigenlijk geen account heeft om de gaten in te vullen, maar je kom op het punt waar je zelfs met native open source een aantal interessante dingen kunt doen.
In termen van waar ik denk dat Hadoop daadwerkelijk zal gaan, geloof ik persoonlijk dat HDFS een standaard scale-out bestandssysteem wordt en daarom het besturingssysteem wordt, het besturingssysteem, voor het raster voor gegevensstroom. Ik denk dat het daar een enorme toekomst in heeft en ik denk niet dat het daar zal stoppen. En ik denk dat het ecosysteem eigenlijk gewoon helpt, omdat vrijwel iedereen, alle leveranciers in de ruimte, Hadoop op de een of andere manier integreren en ze het gewoon inschakelen. In termen van een ander punt dat de moeite waard is om te maken, in termen van overdosis Hadoop, is het geen erg goed platform plus de parallellisatie. Als je echt kijkt naar wat het doet, is het eigenlijk dat het regelmatig een snapshot maakt op elke server terwijl het zijn MapReduce-taken uitvoert. Als je zou gaan ontwerpen voor echt snelle parallellisatie, zou je zoiets niet doen. In feite zou u MapReduce waarschijnlijk niet alleen gebruiken. MapReduce is alleen wat ik half zou kunnen zeggen in staat tot parallellisme.
Er zijn twee benaderingen van parallellisme: de ene is door pipelining-processen en de andere is door gegevens MapReduce te delen en het verdeelt de gegevens, dus er zijn veel taken waarbij MapReduce niet de snelste manier zou zijn om het te doen, maar het zal je parallelliteit geven en daar is geen afstand van te doen. Als je veel gegevens hebt, is dat soort kracht meestal niet zo handig. YARN is, zoals ik al zei, een zeer jonge planningsmogelijkheid.
Hadoop is hier een beetje de lijn in het zand aan het tekenen, Hadoop is geen datawarehouse. Het is zo ver van een datawarehouse dat het bijna een absurde suggestie is om te zeggen dat het zo is. In dit diagram zie ik bovenaan een soort gegevensstroom, van een Hadoop-gegevensreservoir naar een gigantische schaalbare database, wat we eigenlijk zullen doen, een enterprise datawarehouse. Ik laat verouderde databases zien, gegevens in het datawarehouse invoeren en offload-activiteit creëren offload-databases uit het datawarehouse, maar dat is eigenlijk een beeld dat ik begin te zien ontstaan, en ik zou zeggen dat dit is als de eerste generatie van wat gebeurt er met het datawarehouse met Hadoop. Maar als u zelf naar het datawarehouse kijkt, realiseert u zich dat u onder het datawarehouse een optimizer hebt. U hebt gedistribueerde querywerknemers over heel veel processen die over een heel groot aantal schijven zitten. Dat is wat er gebeurt in een datawarehouse. Dat is eigenlijk een soort architectuur die is gebouwd voor een datawarehouse en het duurt heel lang om zoiets te bouwen, en Hadoop heeft dat helemaal niet. Dus Hadoop is geen datawarehouse en wordt er naar mijn mening niet snel een.
Het heeft dit relatieve gegevensreservoir en het ziet er interessant uit als je alleen maar naar de wereld kijkt als een reeks gebeurtenissen die de organisatie binnenkomen. Dat is wat ik aan de linkerkant van dit diagram laat zien. Door het te laten filteren en routeren kunnen de dingen die moeten worden gestreamd van de streaming-apps worden overgeheveld en al het andere gaat rechtstreeks naar het gegevensreservoir waar het wordt voorbereid en gereinigd en vervolgens door ETL doorgegeven aan een enkele gegevens magazijn of een logisch datawarehouse bestaande uit meerdere motoren. Naar mijn mening is dit een natuurlijke ontwikkelingslijn voor Hadoop.
Wat de ETW betreft, is een van de dingen die het vermelden waard zijn, dat het datawarehouse zelf is verplaatst - het is niet wat het was. Tegenwoordig verwacht je zeker dat er een hiërarchische mogelijkheid is per hiërarchische gegevens van wat mensen, of sommige mensen, de documenten in het datawarehouse noemen. Dat is JSON. Mogelijk netwerkquery's die grafische databases zijn, mogelijk analyses. Dus, waar we naartoe gaan, is een ETW die eigenlijk een complexere werklast heeft dan degene die we gewend zijn. Dus dat is best interessant omdat het op een bepaalde manier betekent dat het datawarehouse nog geavanceerder wordt en daarom zal het nog langer duren voordat Hadoop ergens in de buurt komt. De betekenis van datawarehouse wordt uitgebreid, maar omvat nog steeds optimalisatie. U moet een optimalisatiemogelijkheid hebben, niet alleen nu voor vragen, maar voor al deze activiteiten.
Dat is het, echt waar. Dat is alles wat ik over Hadoop wilde zeggen. Ik denk dat ik kan doorgeven aan Ray, die geen dia's heeft, maar hij is altijd goed in praten.
Eric Kavanagh: Ik neem de dia's. Daar is onze vriend, Ray Wang. Dus Ray, wat vind je hiervan?
Ray Wang: Nu denk ik dat dat waarschijnlijk een van de meest beknopte en geweldige geschiedenissen was van sleutelwaardewinkels en waar Hadoop is gegaan in relatie tot ondernemingen die uit zijn, dus ik leer altijd veel als ik naar Robin luister.
Ik heb eigenlijk één dia. Ik kan hier één dia openen.
Eric Kavanagh: Ga je gang en klik op, klik op Start en ga om je bureaublad te delen.
Ray Wang: Ik snap het, daar ga je. Ik zal het eigenlijk delen. U kunt de app zelf zien. Laten we zien hoe het gaat.
Al dit gepraat over Hadoop en dan gaan we diep in op het gesprek over de technologieën die er zijn en waar Hadoop naartoe gaat, en vaak neem ik het gewoon graag terug om echt de zakelijke discussie te voeren. Veel van de dingen die aan de technologische kant gebeuren, zijn echt dit stuk waar we het hebben gehad over datawarehouses, informatiebeheer, datakwaliteit, het beheersen van die data, en dus hebben we de neiging dit te zien. Dus als je deze grafiek helemaal onderaan bekijkt, is dat heel interessant dat de soorten mensen die we tegenkomen over Hadoop praten. We hebben de technologen en de gegevenswetenschappers die op zoek zijn, veel opwinding hebben, en het gaat meestal over gegevensbronnen, toch? Hoe beheersen we de gegevensbronnen? Hoe krijgen we dit op het juiste kwaliteitsniveau? Wat doen we aan het bestuur? Wat kunnen we doen om verschillende soorten bronnen te matchen? Hoe houden we afkomst? En al dat soort discussies. En hoe halen we meer SQL uit onze Hadoop? Dus dat deel gebeurt op dit niveau.
Aan de informatie- en orkestratiezijde wordt dit interessant. We beginnen de resultaten van dit inzicht dat we krijgen te koppelen of trekken we het terug naar bedrijfsprocessen? Hoe koppelen we het aan elk soort metadatamodellen? Verbinden we de puntjes tussen objecten? En dus gaan de nieuwe werkwoorden en discussies over hoe we die gegevens gebruiken, over van wat we traditioneel in een wereld van CRUD zijn: creëren, lezen, bijwerken, verwijderen, naar een wereld die discussieert over hoe we ons engageren of delen of samenwerken of leuk vinden of iets trekken.
Dat is waar we veel van de opwinding en innovatie beginnen te zien, vooral over hoe we deze informatie kunnen aantrekken en waarderen. Dat is de technologiegedreven discussie onder de rode lijn. Boven die rode lijn krijgen we precies dezelfde vragen die we altijd al wilden stellen en een van de vragen die we altijd stellen, is bijvoorbeeld dat de vraag in de detailhandel misschien is: "Waarom verkopen rode truien beter in Alabama dan blauwe truien in Michigan? " Je zou erover kunnen nadenken en zeggen: "Dat is best interessant." Je ziet dat patroon. We stellen die vraag en vragen ons af: "Hé, wat zijn we aan het doen?" Misschien gaat het over staatsscholen - Michigan versus Alabama. OK, ik snap dit, ik zie waar we naartoe gaan. En dus beginnen we de zakelijke kant van het huis te krijgen, mensen in financiën, mensen met traditionele BI-mogelijkheden, mensen in marketing en mensen in HR die zeggen: "Waar zijn mijn patronen?" Hoe komen we bij die patronen? En dus zien we een andere manier van innovatie aan de Hadoop-kant. Het gaat er echt om hoe we update-inzichten sneller boven water krijgen. Hoe maken we dit soort verbindingen? Het gaat helemaal naar de mensen die doen zoals, ad: technologie die in feite probeert advertenties en relevante inhoud van alles te verbinden, van realtime biednetwerken tot contextuele advertenties en advertentieplaatsing en dat meteen doen.
Dus het is interessant om. Je ziet de progressie van Hadoop van: "Hé, hier is de technologische oplossing. Dit is wat we moeten doen om deze informatie naar mensen te brengen." Als het dan over de zakelijke lijn gaat, wordt dit interessant. Het is het inzicht. Waar is de voorstelling? Waar is de aftrek? Hoe voorspellen we dingen? Hoe nemen we invloed? En breng dat dan naar dat laatste niveau waar we daadwerkelijk een andere reeks Hadoop-innovaties zien die plaatsvinden rond beslissingssystemen en acties. Wat is de volgende beste actie? Dus je weet dat blauwe truien beter verkopen in Michigan. Je zit op een ton blauwe truien in Alabama. Het voor de hand liggende is: "Ja, laten we dit naar daar laten verzenden." Hoe doen we het? Wat is de volgende stap? Hoe binden we dat terug? Misschien is de volgende beste actie, misschien is het een suggestie, misschien is het iets dat je helpt een probleem te voorkomen, misschien is het ook geen actie, wat een actie op zichzelf is. Dus we beginnen dit soort patronen te zien ontstaan. En het mooie hiervan, terug naar wat je zegt over sleutelwaardewinkels, Robin, is dat het zo snel gebeurt. Het gebeurt op de manier waarop we er niet zo over hebben nagedacht.
Waarschijnlijk zou ik zeggen dat we de afgelopen vijf jaar hebben opgehaald. We begonnen na te denken over hoe we sleutelwaardewinkels opnieuw kunnen benutten, maar het is pas in de afgelopen vijf jaar dat mensen hier heel anders naar kijken en het is alsof technologiecycli zichzelf in 40-jarige patronen herhalen, dus dit is vriendelijk van een grappig ding waar we naar cloud kijken en ik ben net als mainframe time sharing. We kijken naar Hadoop en houden van key-value store - misschien is het een datamart, minder dan een datawarehouse - en dus beginnen we deze patronen weer te zien. Wat ik nu probeer te doen, is nadenken over wat mensen 40 jaar geleden deden? Welke benaderingen en technieken en methoden werden toegepast die beperkt waren door de technologieën die mensen hadden? Dat is eigenlijk de motor van dit denkproces. Dus als we het grotere plaatje van Hadoop als een hulpmiddel doornemen, als we teruggaan en nadenken over de zakelijke implicaties, is dit een soort van het pad dat we meestal door mensen nemen, zodat je kunt zien welke stukken, welke delen in de gegevens zitten beslissingen traject. Het is gewoon iets dat ik wilde delen. Het is een soort gedachte die we intern hebben gebruikt en hopelijk toevoegt aan de discussie. Dus ik zal het aan jou teruggeven, Eric.
Eric Kavanagh: Dat is fantastisch. Als je wat vragen kunt stellen. Maar ik vond het leuk dat je het terugbracht naar het zakelijke niveau, want uiteindelijk gaat het allemaal om de business. Het gaat erom dingen gedaan te krijgen en ervoor te zorgen dat je verstandig geld uitgeeft en dat is een van de vragen die ik al zag, dus sprekers willen misschien nadenken over wat de TCL is van het volgen van de Hadoop-route. Er zit een beetje tussenin, bijvoorbeeld het gebruik van gereedschap op kantoorplanken om dingen op een traditionele manier te doen en het gebruik van de nieuwe sets gereedschappen, want nogmaals, denk er eens over na, veel van dit spul is niet nieuw, het is gewoon een soort samenvoegen op een nieuwe manier is, denk ik, de beste manier om het te zeggen.
Dus laten we doorgaan en onze vriend, Nikita Ivanov, voorstellen. Hij is de oprichter en CEO van GridGain. Nikita, ik ga je gang en overhandig je de sleutels, en ik geloof dat je daar bent. Kun je me Nikita horen?
Nikita Ivanov: Ja, ik ben hier.
Eric Kavanagh: Uitstekend. Dus de vloer is van jou. Klik op die dia. Gebruik de pijl-omlaag en haal deze weg. Vijf minuten.
Nikita Ivanov: Op welke dia klik ik?
Eric Kavanagh: Klik gewoon ergens op die dia en gebruik vervolgens de pijl-omlaag op het toetsenbord om te bewegen. Klik gewoon op de dia zelf en gebruik de pijl-omlaag.
Nikita Ivanov: Oké, dus slechts een paar snelle dia's over GridGain. Wat doen we in de context van dit gesprek? GridGain produceert in principe een in-memory computersoftware en een deel van het platform dat we ontwikkelden is een Hadoop-accelerator in het geheugen. Wat Hadoop betreft, denken we vaak aan onszelf als de prestatiespecialisten van Hadoop. Wat we doen, in wezen, bovenop ons kernplatform voor in-memory computing dat bestaat uit technologieën zoals dataraster, geheugenstreaming en computernetwerken, zou Hadoop-accelerator kunnen plug-and-playen. Dat is heel simpel. Het zou leuk zijn als we een soort plug-and-play-oplossing kunnen ontwikkelen die direct in de Hadoop-installatie kan worden geïnstalleerd. Als u, de ontwikkelaar van MapReduce, een boost nodig hebt zonder dat u nieuwe software of codewijziging of -wijziging hoeft te schrijven, of eigenlijk een minimale configuratiewijziging in Hadoop-cluster hebt. Dat is wat we hebben ontwikkeld.
Fundamenteel is de Hadoop-versneller in het geheugen gebaseerd op het optimaliseren van twee componenten in het Hadoop-ecosysteem. Als je aan Hadoop denkt, is het voornamelijk gebaseerd op HDFS, het bestandssysteem. De MapReduce, het raamwerk om de competities parallel bovenop het bestandssysteem te houden. Om de Hadoop te optimaliseren, optimaliseren we beide systemen. We hebben een bestandssysteem in het geheugen ontwikkeld dat volledig compatibel is, 100% compatibel plug-and-play, met HDFS. U kunt uitvoeren in plaats van HDFS, u kunt uitvoeren bovenop HDFS. En we hebben ook in het geheugen MapReduce ontwikkeld dat plug-and-play compatibel is met Hadoop MapReduce, maar er zijn veel optimalisaties over hoe de workflow van MapReduce en hoe het schema op MapReduce werkt.
Als u bijvoorbeeld op deze dia kijkt, zien we het soort stapel duplicaten. Aan de linkerkant hebt u uw typische besturingssysteem met GDM en bovenop dit diagram hebt u het applicatiecentrum. In het midden heb je de Hadoop. En Hadoop is opnieuw gebaseerd op HDFS en MapReduce. Dit geeft dus in dit diagram weer dat we wat inbedden in de Hadoop-stapel. Nogmaals, het is plug-and-play; u hoeft geen code te wijzigen. Het werkt gewoon op dezelfde manier. Op de volgende dia hebben we in wezen laten zien hoe we de MapReduce-workflow hebben geoptimaliseerd. Dat is waarschijnlijk het meest interessante deel omdat het u het meeste voordeel geeft wanneer u de MapReduce-taken uitvoert.
De typische MapReduce, wanneer u de taak indient, en aan de linkerkant is er een diagram, er is een gebruikelijke toepassing. Dus meestal verzendt u de opdracht en gaat de opdracht naar een opdrachtvolger. 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. Dank je.
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.
Bedankt.
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. Laten we eens kijken. 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? Met grote kracht komt grote verantwoordelijkheid. 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. Dat is het ongeveer. 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.
Daarmee gaan we u vaarwel zeggen, mensen. 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. Tot ziens.
