Redaktörens anmärkning: Detta är en transkription av en live webcast. Du kan se webbutsändningen i sin helhet här.
Eric Kavanagh: mina damer och herrar, det är dags att bli klok! Det är dags för TechWise, en helt ny show! Jag heter Eric Kavanagh. Jag kommer att vara din moderator för vårt första avsnitt av TechWise. Det är exakt rätt. Detta är ett partnerskap mellan Techopedia och Bloor Group, naturligtvis, av Inside Analyse berömmelse.
Jag heter Eric Kavanagh. Jag kommer att moderera denna riktigt intressanta och involverade händelse, folkens. Vi kommer att gräva djupt i väven för att förstå vad som händer med den här stora saken som heter Hadoop. Vad är elefanten i rummet? Det heter Hadoop. Vi kommer att försöka förstå vad det betyder och vad som händer med det.
Först och främst ett stort tack till våra sponsorer, GridGain, Actian, Zettaset och DataTorrent. Vi får några korta ord från var och en av dem nära slutet av denna händelse. Vi har också en fråga och svar, så var inte blyg - skicka dina frågor när som helst.
Vi gräver i detaljerna och kastar de hårda frågorna till våra experter. Och om vi talar om experterna, hej, där är de. Så vi kommer att höra från vår egen Dr. Robin Bloor, och folk, jag är väldigt upphetsad över att ha den legendariska Ray Wang, huvudanalytiker och grundare av Constellation Research. Han är online idag för att ge oss sina tankar och han är som Robin att han är oerhört mångfaldig och verkligen fokuserar på många olika områden och har förmågan att syntetisera dem och verkligen förstå vad som händer där ute inom hela området för informationsteknik och datahantering.
Så det finns den lilla söta elefanten. Han är i början av vägen, som ni ser. Det börjar precis nu, det är bara ett slags början, hela Hadoop-saken. Naturligtvis, antar jag, redan 2006 eller 2007, när det släpptes till öppen källkod, men det har hänt en hel del saker, folkens. Det har skett enorma utvecklingar. I själva verket vill jag ta fram historien, så jag kommer att göra en snabb skrivbordsandel, åtminstone tror jag att jag är det. Låt oss göra en snabb skrivbordsandel.
Jag visar det här bara galna, galna berättelser. Så Intel investerade 740 miljoner dollar för att köpa 18 procent av Cloudera. Jag tänkte och jag är "helig jul!" Jag började göra matematiken och det är som "Det är en värdering av 4, 1 miljarder dollar." Låt oss tänka på detta en sekund. Jag menar, om WhatsApp är värt 2 miljarder dollar, antar jag att Cloudera lika bra kan vara värd 4, 1 miljarder dollar, eller hur? Jag menar, varför inte? Några av dessa siffror är bara utanför fönstret i dag, folkens. Jag menar, vanligtvis när det gäller investeringar, har du EBITDA och alla dessa andra olika mekanismer, multipel av intäkter och så vidare. Tja, det kommer att vara ett stort antal inkomster att komma till 4, 1 miljarder dollar för Cloudera, vilket är ett fantastiskt företag. Missförstå mig inte - det finns några väldigt, väldigt smarta människor där, inklusive killen som startade hela Hadoop-galningen, Doug Cutting, han är där borta - en hel del väldigt intelligenta människor som gör mycket riktigt, verkligen coola saker, men i första hand är det 4, 1 miljarder dollar, det är mycket pengar.
Så här är ett slags uppenbart ögonblick att gå igenom mitt huvud just nu som är ett chip, Intel. Deras chipkonstruktörer tar med sig ett Hadoop-optimerat chip - jag måste tänka så, folkens. Det är bara min gissning. Det är bara ett rykte som kommer från mig om du vill, men det är meningsfullt. Och vad betyder allt detta?
Så här är min teori. Vad händer? Mycket av det här är inte nytt. Massiv parallellbehandling är inte särskilt ny. Parallell behandling är säker inte ny. Jag har varit i superdatorns värld ett tag. Många av de här sakerna som händer är inte nya, men det finns en typ av allmän medvetenhet om att det finns ett nytt sätt att attackera några av dessa problem. Vad jag ser hända, om du tittar på några av de stora leverantörerna av Cloudera eller Hortonworks och några av dessa andra killar, vad de gör verkligen om du kokar ner det till den mest korniga destillerade nivån är applikationsutveckling. Det är vad de gör.
De utformar nya applikationer - några av dem involverar affärsanalys; vissa av dem innebär bara överladdningssystem. En av våra leverantörer som har pratat om det, de gör sådana saker hela dagen, på showen idag. Men om det är oerhört nytt, är svaret "inte riktigt", men det händer stora saker, och personligen tror jag att vad som händer med Intel som gör denna enorma investering är ett marknadsskapande drag. De ser på världen idag och ser att det är en slags monopolvärld idag. Det finns Facebook och de har bara släppt ut ur den dåliga MySpace. LinkedIn har slått snuten från fattiga Who's Who. Så du tittar omkring och det är en tjänst som dominerar alla dessa olika utrymmen i vår värld idag, och jag tror att idén är att Intel kommer att kasta alla sina marker på Cloudera och försöka höja den till toppen av bunten - det är bara min teori.
Så folk, som jag sa, vi kommer att ha en lång fråga och frågor, så var inte blyg. Skicka dina frågor när som helst. Du kan göra det genom att använda den frågeformulärkomponenten i din webcastkonsol. Och med det vill jag komma till vårt innehåll eftersom vi har många saker att komma igenom.
Så Robin Bloor, låt mig överlämna nycklarna till dig och golvet är ditt.
Robin Bloor: OK, Eric, tack för det. Låt oss ta på de dansande elefanterna. Det är faktiskt en nyfiken sak att elefanter är de enda land däggdjur som faktiskt inte kan hoppa. Alla dessa elefanter i den här grafiken har åtminstone en fot på marken, så jag antar att det är genomförbart, men till viss del är dessa uppenbarligen Hadoop-elefanter, så mycket, mycket kapabla.
Frågan, som jag tror måste diskuteras och måste diskuteras i all ärlighet. Det måste diskuteras innan du åker någon annanstans, vilket verkligen börjar prata om vad Hadoop faktiskt är.
En av de saker som det absolut är från man-play-basen är butik med nyckelvärde. Vi brukade ha butiker med nyckelvärde. Vi brukade ha dem på IBMs stordator. Vi hade dem på minicomputers; DEC VAX hade IMS-filer. Det fanns ISAM-kapacitet som var på nästan varje minicomputer du kan få handen på. Men någon gång i slutet av 80-talet kom Unix in och Unix hade faktiskt inte någon nyckelvärdesbutik. När Unix utvecklade det utvecklades de mycket snabbt. Det som hände verkligen var att databasleverantörerna, i synnerhet Oracle, åkte in där och de sålde dina databaser för att ta hand om all information som du vill hantera på Unix. Windows och Linux visade sig vara samma. Så, branschen gick den bästa delen av 20 år utan en allmänt nyckelvärde butik. Det är tillbaka nu. Det är inte bara tillbaka, det är skalbart.
Nu tror jag att det verkligen är grunden för vad Hadoop egentligen är och i viss mån avgör det vart det ska gå. Vad tycker vi om viktiga butiker? De av er som är lika gamla som jag är och som faktiskt kommer ihåg att arbeta med butiker med nyckelvärde inser att du ganska mycket kunde använda dem för att informellt skapa en databas, men bara informellt. Du vet att metadata snabbt värderar lagrar i programkoden, men du kan faktiskt göra den till en extern fil, och du kan om du ville börja behandla en nyckelvärdeslager lite som en databas. Men det har naturligtvis inte all den återställningsförmåga som en databas har och den hade inte mycket fruktansvärda saker som databaserna nu har fått, men det var en riktigt användbar funktion för utvecklare och det är en av anledningarna till att jag tror att Hadoop har visat sig vara så populärt - helt enkelt för att det har varit kodare, programmerare, utvecklare som är snabba till. De insåg att inte bara är ett nyckelvärde i butiken utan det är en storskalig nyckelvärdesbutik. Det skalar ut ganska mycket på obestämd tid. Jag skickade dessa skalor ut till tusentals servrar, så det är verkligen det stora med Hadoop, det är vad det är.
Den har också ovanpå MapReduce, som är en parallelliseringsalgoritm, men faktiskt är det, enligt min mening, inte viktigt. Så du vet, Hadoop är en kameleon. Det är inte bara ett filsystem. Jag har sett olika typer av anspråk för Hadoop: det är en hemlig databas; det är ingen hemlig databas; det är en vanlig butik; det är en analytisk verktygslåda; det är en ELT-miljö; det är datorengöringsverktyg; det är ett datalager för streamingplattformar; det är en arkivbutik; det är ett botemedel mot cancer, och så vidare. De flesta av dessa saker är verkligen inte sanna för vanilj Hadoop. Hadoop är förmodligen en prototypning - det är verkligen en prototypmiljö för en SQL-databas, men den har inte riktigt, om du lägger åldersutrymme med ålderskatalog över Hadoop, har du något som ser ut som en databas, men det är inte riktigt vad någon skulle kalla en databas när det gäller kapacitet. Många av dessa möjligheter, du kan säkert få dem på Hadoop. Det finns verkligen många av dem. I själva verket kan du få någon källa till Hadoop, men Hadoop i sig är inte det jag skulle kalla operativt härdat, och därför är affären om Hadoop, verkligen skulle jag inte vara med på något annat, att du behöver ett tredje -partiprodukter för att förbättra det.
Så att prata om dig kan bara kasta in några få rader när jag pratar Hadoop överreach. Först av allt, realtidsfråga kapacitet, du vet att realtid är typ av affärstid, egentligen, nästan alltid prestanda kritiska annars. Jag menar, varför skulle du konstruera i realtid? Hadoop gör inte riktigt det här. Det gör något som är nära realtid men det gör inte riktigt saker i realtid. Det gör streaming, men det gör inte streaming på ett sätt om jag skulle kalla riktigt uppdragskritisk applikationsströmningsplattformar som kan göra. Det finns skillnad mellan en databas och en klyvbar butik. Synkronisera det till över Hadoop ger dig en klyvbar datalager. Det är som en databas, men det är inte samma sak som en databas. Hadoop i sin ursprungliga form, enligt min mening, är inte riktigt kvalificerad som en databas alls eftersom det saknar en hel del saker en databas borde ha. Hadoop gör mycket, men det gör det inte särskilt bra. Återigen är kapaciteten där, men vi är långt ifrån att faktiskt ha en snabb kapacitet inom alla dessa områden.
Den andra saken att förstå om Hadoop är att det är ganska långt sedan det utvecklades. Det utvecklades under de första dagarna; det utvecklades när vi hade servrar som faktiskt bara hade en processor per server. Vi hade aldrig flerkärniga processorer och det byggdes för att köra över nät, lanseringsnät och skivor. Ett av designens mål för Hadoop var att aldrig förlora arbetet. Och det handlade verkligen om skivfel, för om du har hundratals servrar, så är sannolikheten, om du har diskar på servrarna, är sannolikheten att du kommer att få en tillgänglighet på upptid av något liknande 99, 8. Det betyder att du i genomsnitt får ett fel på en av dessa servrar en gång var 300 eller 350 dag, en dag på ett år. Så om du hade hundratals av dessa skulle sannolikheten vara varje dag på året att du skulle få ett serverfel.
Hadoop byggdes specifikt för att hantera det problemet - så att i händelse av att något misslyckades, tar det ögonblicksbilder av allt som händer på varje server och det kan återställa batchjobbet som körs. Och det var allt som faktiskt någonsin sprang på Hadoop var batchjobb och det är en riktigt användbar förmåga, måste det sägas. Några av de batchjobb som kördes - särskilt på Yahoo, där jag tror att Hadoop var typ av född - skulle köras i två eller tre dagar, och om det misslyckades efter en dag ville du verkligen inte tappa jobbet det hade gjorts. Så det var designpunkten bakom tillgängligheten på Hadoop. Du skulle inte kalla så hög tillgänglighet, men du kan kalla det hög tillgänglighet för seriella batchjobb. Det är förmodligen sättet att titta på det. Hög tillgänglighet konfigureras alltid enligt arbetslinjeegenskaper. För närvarande kan Hadoop bara konfigureras för riktigt seriella batchjobb när det gäller den typen av återhämtning. Företags hög tillgänglighet är förmodligen bäst tänkt när det gäller transaktionell LLP. Jag tror att om du inte ser på det som en realtids sak så gör Hadoop inte det ännu. Det är förmodligen långt ifrån att göra det.
Men här är det vackra med Hadoop. Den grafiken på höger sida som har en lista över leverantörer runt kanten och alla rader på den indikerar förbindelser mellan dessa leverantörer och andra produkter i Hadoop-ekosystemet. Om du tittar på det är det ett otroligt imponerande ekosystem. Det är ganska anmärkningsvärt. Vi talar uppenbarligen med många leverantörer när det gäller deras kapacitet. Bland de leverantörer jag har pratat med finns det några riktigt extraordinära möjligheter att använda Hadoop och i minnet, sätt att använda Hadoop som ett komprimerat arkiv, att använda Hadoop som en ETL-miljö och så vidare. Men verkligen, om du lägger till produkten till Hadoop själv, fungerar den extremt bra i ett visst utrymme. Så medan jag är kritisk mot ursprungliga Hadoop, är jag inte kritisk till Hadoop när du faktiskt lägger lite kraft till det. Enligt min åsikt garanterar Hadoops popularitet slags framtid. Med det menar jag, även om varje kodrad som hittills skrivits på Hadoop försvinner, tror jag inte att HDFS API kommer att försvinna. Med andra ord, jag tror att filsystemet, API, är här för att stanna, och möjligen YARN, schemaläggaren som ser över det.
När du faktiskt tittar på det, det är en väldigt viktig förmåga och jag ska lite växa om det om en minut, men det andra som är, låt oss säga, spännande människor om Hadoop är hela open source-bilden. Så det är värt att gå igenom vad open source-bilden är i termer av vad jag ser som verklig förmåga. Även om Hadoop och alla dess komponenter säkert kan göra det vi kallar datalängder - eller som jag föredrar att kalla det, en datareservoar - är det verkligen ett mycket bra sceneringsområde att släppa data i organisationen eller att samla in data i organisationen - extremt bra för sandlådor och för fiskedata. Det är mycket bra som en prototyputvecklingsplattform som du kan implementera i slutet av dagen, men du vet som en utvecklingsmiljö ganska mycket allt du vill ha där. Som arkivbutik har det ganska mycket allt du behöver, och det är naturligtvis inte dyrt. Jag tror inte att vi borde skilja från någon av dessa två saker från Hadoop även om de inte formellt, om du vill, delar av Hadoop. Onlinekilen har tagit med sig en enorm mängd analyser i open source-världen och mycket av den analysen körs nu på Hadoop eftersom det ger dig en bekväm miljö där du faktiskt kan ta mycket extern data och bara börja spela vid en analytisk sandlåda.
Och sedan har du öppna källkodsfunktioner, som båda är maskininlärning. Båda dessa är extremt kraftfulla i den meningen att de implementerar kraftfulla analytiska algoritmer. Om du sätter ihop dessa saker, har du kärnorna med en mycket väldigt viktig förmåga, vilket på ett eller annat sätt är mycket troligt - oavsett om det utvecklas på egen hand eller om leverantörer kommer in för att fylla i de saknade bitarna - Det kommer mycket troligtvis att fortsätta under lång tid och jag tror säkert att maskininlärningen redan har en mycket stor inverkan på världen.
Utvecklingen av Hadoop, YARN förändrade allt. Det som hänt var MapReduce svetsade ganska mycket till det tidiga filsystemet HDFS. När YARN introducerades skapade det en schemaläggningsfunktion i sin första utgåva. Du förväntar dig inte den extremt sofistikerade schemaläggningen från första utgåvan, men det betydde att det nu inte längre var nödvändigtvis en patchmiljö. Det var en miljö där flera jobb kunde planeras. Så fort det hände fanns det en hel serie leverantörer som hade hållit sig borta från Hadoop - de kom bara in och anslutit till det för då kunde de bara titta på det som schemaläggningsmiljön över ett filsystem och de kunde adressera saker till den. Det finns till och med databasleverantörer som har implementerat sina databaser på HDFS, eftersom de bara tar motorn och bara lägger den över på HDFS. Med kaskad och med YARN blir det en mycket intressant miljö eftersom du kan skapa komplexa arbetsflöden över HDFS och detta verkligen innebär att du kan börja tänka på det som verkligen en plattform som kan köra flera jobb samtidigt och driver sig själv mot punkten att gör uppdragskritiska grejer. Om du kommer att göra det, kommer du förmodligen att behöva köpa några tredjepartskomponenter som säkerhet och så vidare, vilket Hadoop faktiskt inte har ett revisionskonto för att fylla i luckorna, men du komma in i den punkten att även med inbyggd öppen källkod kan du göra några intressanta saker.
När det gäller vart jag tror att Hadoop faktiskt kommer att gå, tror jag personligen att HDFS kommer att bli ett standardskalasystem för filsteg och därför kommer att bli OS, operativsystemet, för nätet för dataflöde. Jag tror att det har en enorm framtid i det och jag tror inte att det kommer att stoppa där. Och jag tror faktiskt att ekosystemet bara hjälper eftersom nästan alla, alla leverantörer i rymden, faktiskt integrerar Hadoop på ett eller annat sätt och de gör det bara möjligt. När det gäller en annan punkt som är värd att göra, vad gäller Hadoop-överskott, är det inte en mycket bra plattform plus parallellisering. Om du faktiskt tittar på vad det gör, är det faktiskt att göra en stillbildsbild regelbundet på varje server när den kör sina MapReduce-jobb. Om du skulle utforma för riktigt snabb parallellisering, skulle du inte göra något liknande. I själva verket skulle du förmodligen inte använda MapReduce på egen hand. MapReduce är bara vad jag skulle vilja säga hälften kapabel till parallellism.
Det finns två tillvägagångssätt för parallellitet: en är genom pipeliningprocesser och den andra är genom att dela data MapReduce och det gör uppdelningen av data så det finns många jobb där MapReduce faktiskt inte skulle vara det snabbaste sättet att göra det, men det kommer ger dig parallellitet och det tar inget bort det. När du har mycket data är den typen av kraft vanligtvis inte lika användbar. Garn, som jag redan har sagt, är en mycket ung schemaläggningsförmåga.
Hadoop är, typ att dra linjen i sanden här, Hadoop är inte ett datalager. Det är så långt ifrån ett datalager att det nästan är ett absurt förslag att säga att det är. I det här diagrammet är det jag visar längst upp ett slags dataflöde som går från en Hadoop-datatank till en gigantisk skala-databas som är vad vi faktiskt kommer att göra, ett företag datalager. Jag visar äldre databaser, matar in data i datalageret och avlastningsaktiviteter och skapar avlastningsdatabaser från datalageret, men det är faktiskt en bild som jag börjar se dyka upp, och jag skulle säga att det är som den första generationen av vad som händer med datalageret med Hadoop. Men om du själv tittar på datalageret, inser du att under datalageret har du en optimering. Du har fått distribuerade frågearbetare över mycket många processer som sitter över kanske mycket många stora diskar. Det är vad som händer i ett datalager. Det är faktiskt en typ av arkitektur som är byggd för ett datalager och det tar lång tid att bygga något liknande, och Hadoop har inget av det alls. Så Hadoop är inte ett datalager och det kommer inte att bli ett, enligt min mening, när som helst snart.
Den har den relativa datatanken, och den ser typ intressant ut om du bara ser på världen som en serie händelser som flyter in i organisationen. Det är vad jag visar på vänster sida av detta diagram. Att ha det gå igenom en filtrerings- och routningsförmåga och de saker som behöver gå för strömning sippas bort från strömmande appar och allt annat går rakt in i datareservoaret där det är förberett och rengjort, och sedan skickas av ETL till antingen en enda data lager eller ett logiskt datalager som består av flera motorer. Detta är enligt min mening en naturlig utvecklingslinje för Hadoop.
När det gäller ETW är en av de saker som är värt att påpeka att datalageret faktiskt flyttades - det är inte vad det var. Visst förväntar du dig för närvarande att det finns en hierarkisk kapacitet per hierarkiska data om vad människor, eller vissa människor, kallar dokumenten i datalageret. Det är JSON. Kanske nätverksfrågor som är grafiska databaser, möjligen analys. Så det vi går mot är en ETW som faktiskt har en mer komplex arbetsbelastning än de som vi är vana vid. Så det är ganska intressant eftersom det på ett sätt betyder att datalageret blir ännu mer sofistikerat och därför kommer det att bli ännu längre innan Hadoop kommer någonstans nära det. Betydelsen av datalager utökas, men det inkluderar fortfarande optimering. Du måste ha en optimeringsförmåga, inte bara över frågor nu utan över alla dessa aktiviteter.
Det är det, verkligen. Det var allt jag ville säga om Hadoop. Jag tror att jag kan lämna till Ray, som inte har några bilder, men han är alltid bra på att prata.
Eric Kavanagh: Jag tar bilderna. Det finns vår vän, Ray Wang. Så, Ray, vad är dina tankar om allt detta?
Ray Wang: Nu tror jag att det antagligen var en av de mest kortfattade och fantastiska historierna med viktiga butiker och där Hadoop har gått i förhållande till företag som är ute, så jag lär mig alltid mycket när jag lyssnar på Robin.
Egentligen har jag en bild. Jag kan dyka upp en bild här.
Eric Kavanagh: Gå bara vidare och klicka på, klicka på start och gå för att dela ditt skrivbord.
Ray Wang: Har du det, där går du. Jag ska faktiskt dela. Du kan se appen själv. Låt oss se hur det går.
Allt detta pratar om Hadoop och sedan går vi djupt in i konversationen om den teknik som finns där och där Hadoop är på väg, och många gånger vill jag bara ta tillbaka det för att verkligen ha affärsdiskussionen. En hel del saker som händer på teknikens sida är verkligen det här stycket där vi har pratat om datalager, informationshantering, datakvalitet, behärska dessa data och så vi tenderar att se detta. Så om du tittar på den här grafen här längst ner, är det väldigt intressant att de typer av individer vi stöter på som pratar om Hadoop. Vi har teknologerna och datavetenskapsmännen som är på väg ut och har mycket spänning, och det handlar vanligtvis om datakällor, eller hur? Hur behärskar vi datakällorna? Hur får vi detta till rätt nivåer av kvalitet? Vad gör vi om styrningen? Vad kan vi göra för att matcha olika typer av källor? Hur behåller vi släkt? Och all den typen av diskussioner. Och hur får vi mer SQL ur vår Hadoop? Så den delen händer på denna nivå.
Sedan på informations- och orkestrationssidan är det här det blir intressant. Vi börjar knyta utgångarna till denna insikt som vi får eller drar vi den från tillbaka till affärsprocesser? Hur binder vi tillbaka det till någon form av metadatamodeller? Ansluter vi prickarna mellan objekt? Och så de nya verben och diskussionerna om hur vi använder dessa data, flyttar från det vi traditionellt är i en värld av CRUD: skapa, läsa, uppdatera, ta bort, till en värld som diskuterar hur vi engagerar eller delar eller samarbetar eller gilla eller dra något.
Det är där vi börjar se mycket av spänningen och innovationen, särskilt om hur vi kan dra denna information och få den till värde. Det är den teknikdrivna diskussionen under den röda linjen. Ovanför den röda linjen får vi just de frågor som vi alltid ville ställa och en av dem som vi alltid tar upp är till exempel, kanske frågan i detaljhandeln för dig är som "Varför säljer röda tröjor bättre i Alabama än blå tröjor i Michigan? " Du kan tänka på det och säga, "Det är ganska intressant." Du ser det mönstret. Vi ställer den frågan och undrar "Hej, vad gör vi?" Kanske handlar det om statliga skolor - Michigan kontra Alabama. OK, jag får det här, jag ser vart vi ska. Och så vi börjar få affärssidan av huset, personer i ekonomi, människor som har traditionell BI-kapacitet, personer inom marknadsföring och personer inom HR som säger: "Var är mina mönster?" Hur kommer vi till dessa mönster? Och så ser vi ett annat sätt på innovation på Hadoop-sidan. Det handlar verkligen om hur vi uppdaterar insikter snabbare. Hur skapar vi den här typen av anslutningar? Det går hela vägen till de människor som klarar sig, annons: teknik som i princip försöker ansluta annonser och relevant innehåll från allt från realtidsbudgivningsnätverk till kontextuella annonser och placering av annonser och gör det i farten.
Så det är intressant att. Du ser utvecklingen av Hadoop från "Hej, här är tekniklösningen. Här är vad vi behöver göra för att få informationen ut till människor." Sedan när det går över affärsområdet, är det här det blir intressant. Det är insikten. Var är föreställningen? Var är avdraget? Hur förutspår vi saker? Hur påverkar vi? Och sedan ta det till den sista nivån där vi faktiskt ser en annan uppsättning Hadoop-innovationer som händer kring beslutssystem och åtgärder. Vad är nästa bästa action? Så du vet att blå tröjor säljer bättre i Michigan. Du sitter på massor av blå tröjor i Alabama. Det uppenbara är: "Ja, låt oss skicka detta där ute." Hur gör vi det? Vad är nästa steg? Hur binder vi tillbaka det? Kanske den näst bästa åtgärden, kanske är det ett förslag, kanske är det något som hjälper dig att förhindra ett problem, kanske är det heller ingen åtgärd, vilket är en handling i sig. Så vi börjar se den här typen av mönster dyka upp. Och det fina med det här du säger om viktiga butiker, Robin, är att det händer så snabbt. Det händer på det sättet att vi inte har tänkt på det här sättet.
Jag skulle förmodligen säga de senaste fem åren som vi hämtade. Vi började tänka i termer av hur vi kan utnyttja nyckelvärdesbutiker igen, men det är bara under de senaste fem åren, människor tittar på detta mycket annorlunda och det är som teknikcyklerna upprepar sig i 40-åriga mönster, så det är snäll av en rolig sak där vi tittar på moln och jag är precis som mainframe-tidsdelning. Vi tittar på Hadoop och gillar butik med nyckelvärde - kanske det är ett datormart, mindre än ett datalager - och så börjar vi se dessa mönster igen. Det jag försöker göra just nu är att tänka på vad folk gjorde för 40 år sedan? Vilka tillvägagångssätt och tekniker och metoder tillämpades som begränsades av den teknik människor hade? Det är typ av att driva denna tankeprocess. Så när vi går igenom den större bilden av Hadoop som ett verktyg, när vi går tillbaka och tänker på affärsimplikationerna, är detta en typ av väg som vi vanligtvis tar människor genom så att du kan se vilka delar, vilka delar som finns i data beslutsväg. Det är bara något som jag ville dela. Det är ett slags tänkande som vi har använt internt och förhoppningsvis bidrar till diskussionen. Så jag ska vända det tillbaka till dig, Eric.
Eric Kavanagh: Det är fantastiskt. Om du kan hålla dig kvar för några frågor och svar. Men jag gillade att du tog tillbaka det till affärsnivån för i slutet av dagen handlar det om affären. Det handlar om att få saker gjorda och se till att du spenderar pengar på ett klokt sätt och det är en av de frågor jag redan såg, så talarna kanske vill tänka på vad som är TCL för att gå Hadoop-rutten. Det finns en söt plats i mellan, till exempel att använda kontorshyllaverktyg för att göra saker på något traditionellt sätt och använda de nya uppsättningarna av verktyg, för igen, tänk på det, en hel del av det här är inte nytt, det är bara slags sammanfaller på ett nytt sätt är, antar jag, det bästa sättet att uttrycka det.
Så låt oss gå vidare och presentera vår vän, Nikita Ivanov. Han är grundaren och VD för GridGain. Nikita, jag ska gå vidare och överlämna nycklarna till dig, och jag tror att du är där ute. Kan du höra mig Nikita?
Nikita Ivanov: Ja, jag är här.
Eric Kavanagh: Utmärkt. Så golvet är ditt. Klicka på den bilden. Använd nedåtpilen och ta bort den. Fem minuter.
Nikita Ivanov: Vilken bild klickar jag på?
Eric Kavanagh: Klicka bara var som helst på den bilden och sedan använder du nedpilen på tangentbordet för att flytta. Klicka bara på själva bilden och använd pilen nedåt.
Nikita Ivanov: Okej så bara några snabba bilder om GridGain. Vad gör vi i samband med denna konversation? GridGain producerar i grund och botten en datormjukvara i minnet och en del av plattformen som vi utvecklade är Hadoop-accelerator i minnet. När det gäller Hadoop tenderar vi att tänka på oss själva som Hadoop-prestationsspecialister. Vad vi gör, väsentligen, ovanpå vår kärnplattform i minnet som består av teknik som datanät, minnesströmning och beräkningsnät skulle kunna plug-and-play Hadoop-accelerator. Det är väldigt enkelt. Det vore trevligt om vi kan utveckla någon form av plug-and-play-lösning som kan installeras direkt i Hadoop-installationen. Om du, utvecklaren av MapReduce, behöver ett boost utan att behöva skriva ny mjukvara eller ändra kod eller ändra, eller i princip ha en helt minimal konfigurationsändring i Hadoop-klustret. Det är vad vi utvecklade.
I grund och botten är Hadoop-acceleratorn baserat på att optimera två komponenter i Hadoop-ekosystemet. Om du tänker på Hadoop är det främst baserat på HDFS, som är filsystemet. MapReduce, som är ramverket för att köra tävlingarna parallellt ovanpå filsystemet. För att optimera Hadoop optimerar vi båda dessa system. Vi utvecklade filsystem i minnet som är helt kompatibelt, 100% kompatibelt plug-and-play, med HDFS. Du kan springa istället för HDFS, du kan springa ovanpå HDFS. Och vi utvecklade också MapReduce i minnet som är plug-and-play kompatibelt med Hadoop MapReduce, men det finns många optimeringar för hur arbetsflödet för MapReduce och hur schemat på MapReduce fungerar.
Om du till exempel tittar på den här bilden, där vi visar typen av dupliceringsbunt. På vänster sida har du ditt typiska operativsystem med GDM och ovanpå detta diagram har du applikationscentret. I mitten har du Hadoop. Och Hadoop är återigen baserad på HDFS och MapReduce. Så detta representerar på detta diagram, att det är vad vi slags inbäddar i Hadoop-stacken. Återigen är det plug-and-play; du behöver inte ändra någon kod. Det fungerar bara på samma sätt. På nästa bild visar vi väsentligen hur vi optimerade MapReduce-arbetsflödet. Det är förmodligen den mest intressanta delen eftersom det ger dig den bästa fördelen när du driver MapReduce-jobb.
Den typiska MapReduce, när du skickar in jobbet, och på vänster sida finns ett diagram, finns det vanligt program. Så vanligtvis skickar du in jobbet och jobbet går till en jobbsökare. 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. Tack.
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.
Tack.
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. Låt oss se. I'm going to bring Phu back into the equation here. We've got a good question for you. One of the attendees is asking how is DataTorrent different from Storm or Kafka or the Redis infrastructure. Phu, are you out there? Hey, Phu, can you hear me? Maybe I'm mute.
Let's bring Ray Wang back into this. Ray, you've seen a lot of these technologies and looked at how they worked. I really love this concept of turning over control or giving control to end users of the operators. I like to think of them as like really powerful Legos that they can use to kind of build some of these applications. Can you comment on that? What do you think about all that?
Ray Wang: Coming from my technical background, I'd say I'm scared - I was scared shitless! But honestly, I think it's important, I mean, in order to get scale. There's no way you can only put so many requests. Think about the old way we did data warehousing. In the business I had to file the request for a report so that they could match all the schemes. I mean, it's ridiculous. So we do have to get to a way for the business side of the house and definitely become data jocks. We actually think that in this world, we're going to see more digital artists and people that have the right skills, but also understand how to take that data and translate that into business value. And so these digital artisans, data artisans depending on how you look at this, are going to need both really by first having the curiosity and the right set of questions, but also the knowledge to know when the data set stinks. If I'm getting a false positive or a false negative, why is that happening?
I think a basic level of stats, a basic level of analytics, understanding that there's going to be some training required. But I don't think it's going to be too hard. I think if you get the right folks that should be able to happen. You can't democratize the whole decision-making process. I see that happening. We see that in a lot of companies. Some are financial services clients are doing that. Some of our retail folks are doing that, especially in the razor-thin margins that you are seeing in retail. I was definitely seeing that in high tech just around here in the valley. That's just kind of how people are. It's emerging that way but it's going to take some time because these basic data skills are still lacking. And I think we need to combine that with some of the stuff that some of these guys are doing here on this webinar.
Eric Kavanagh: Well, you bring up a really good point. Like how many controls you want to give to the average end user. You don't want to give an airplane cockpit to someone who's driving a car for the first time. You want to be able to closely control what they have control over. I guess my excitement kind of stems around being able to do things yourself, but the key is you got to put the right person in that cockpit. You got to have someone who really knows what they're doing. No matter what you hear from the vendor community folks, when somebody's more powerful tools are extremely complex, I mean if you are talking about putting together a string of 13, 14, 15 operators to do a particular type of transformation on your data, there are not many people who could do that well. I think we're going to have many, many more people who do that well because the tools are out there now and you can play with the stuff, and there is going to be a drive to be able to perfect that process or at least get good at it.
We did actually lose Phu, but he's back on the line now. So, Phu, the question for you is how is DataTorrent different from, like, Storm or Kafka or Redis or some of these others?
Phu Hoang: I think that's a great question. So, Redis of course is really an in-memory data store and we connect to Redis. We see ourselves as really a processing engine of data, of streaming data. Kafka again is a great bus messaging bus we use. It's actually one of our favorite messaging bus, but someone has to do the big data processing across hundreds of nodes that is fault tolerant, that is scalable, and I repeat that as the job that we play. So, yes, we are similar to Storm, but I think that Storm is really developed a long time ago even before Hadoop, and it doesn't have the enterprise-level thinking about scalability to the hundreds and millions, now even billions of events, nor does it really have the HA capability that I think enterprise requires.
Eric Kavanagh: Great. And you know, speaking of HA, I'll use that as an excuse to bring Robin Bloor back into the conversation. We just talked about this yesterday. What do you mean by high availability? What do you mean by fault tolerance? What do you mean by real time, for example? These are terms that can be bent. We see this all time in the world of enterprise technology. It's a good term that other people kind of glom onto and use and co-opt and move around and then suddenly things don't mean quite what they used to. You know, Robin, one of my pet peeves is this whole universe of VOIP. It's like "Why would we go down in quality? Isn't it important to understand what people say to you and why that matters?" But I'll just ask you to kind of comment on what you think. I'm still laughing about Ray's comment that he's scared shitless about giving these people. What do you think about that?
Ray Wang: Oh, I think it's a Spider-man problem, isn't it? Med stor kraft kommer stort ansvar. You really, in terms of the capabilities out there, I mean it changed me actually a long time ago. You know, I would give my ITs some of the capabilities that they have gotten now. We used to do it extraordinary amounts of what I would say was grunt work that the machines do right now and do it in parallel. They do things that we could never have imagined. I mean we would have understood mathematically, but we could never imagine doing. But there is some people understand data and Ray is completely right about this. The reason to be scared is that people will actually start getting wrong conclusions, that they will wrangle with the data and they will apply something extremely powerful and it will appear to suggest something and they will believe it without actually even being able to do anything as simple as have somebody doing audit on whether their result is actually a valid result. We used to do this all the time in the insurance company I used to work for. If anybody did any work, somebody always checks. Everything was checked by at least one person against the person who did it. These environments, the software is extremely strong but you got to have the discipline around it to use it properly. Otherwise, there'll be tears before bedtime, won't there?
Eric Kavanagh: I love that quote, that's awesome. Let me see. I'm going to go ahead and throw just for this slide up here from GridGain, can you talk about, Nikita, when you come in to play, how do you actually get these application super charged? I mean, I understand what you are doing, but what does the process look like to actually get you embedded, to get you woven in and to get all that stuff running?
Nikita Ivanov: Well, the process is relatively simple. You essentially just need to install GridGain and make a small configuration change, just to let Hadoop know that there is now the HDFS if you want to use HDFS and you have to set up which way you want to use it. You can get it from BigTop, by the way. It's probably the easiest way to install it if you're using the Hadoop. That's about it. With the new versions coming up, a little in about few weeks from now, by the end of May, we're going to have even more simplified process for this. So the whole point of the in-memory Hadoop accelerator is to, do not code. Do not make any changes to your code. The only that you need to do is install it and have enough RAM in the cluster and off you go, so the process is very simple.
Eric Kavanagh: Let me bring John Santaferraro back in. We'll take a couple more questions here. You know, John, you guys, we've been watching you from various perspectives of course. You were over at PEAR Excel; that got folded into Actian. Of course, Actian used to be called Ingres and you guys made a couple of other acquisitions. How are you stitching all of that stuff together? I realize you might not want to get too technical with this, but you guys have a lot of stuff now. You've got Data Rush. I'm not sure if it's still the same name, but you got a whole bunch of different products that have been kind of woven together to create this platform. Talk about what's going on there and how that's coming along.
John Santaferraro: The good news is, Eric, that separately in the companies that we're acquired Pervasive, PEAR Excel and even when Actian had developed, everybody developed their product with very similar architectures. Number one, they were open with regards to data and interacting with other platforms. Number two, everything was parallelized to run in a distributed environment. Number three, everything was highly optimized. What that allowed us to do is to very quickly make integration points, so that you can be creating these data flows already today. We have established the integration, so you create the data flows. You do your data blending and enriching right on Hadoop, everything parallelized, everything optimized. When you want, you move that over into our high-performance engines. Then, there's already a high-performance connection between Hadoop and our massively parallel analytic engine that does these super-low-latency things like helping a bank recalculate and recast their entire risk portfolio every two minutes and feeding that into our real-time trading system or feeding it into some kind of a desktop for the wealth manager so they can respond to the most valuable customers for the bank.
We have already put those pieces together. There's additional integration to be done. But today, we have the Actian Analytics Platform as our offering because a lot of that integration was ready to go. It has already been accomplished, so we're stitching those pieces together to drive this entire analytic value chain from connecting the data, all of the processing that you do of it, any kind of analytics you want to run, and then using it to feed into these automated business processes so that you're actually improving that activity over time. It's all about this end-to-end platform that already exists today.
Eric Kavanagh: That's pretty good stuff. And I guess, Jim, I'll bring you back in for another couple of comments, and Robin, I want to bring you in for just one big question, I suppose. Folks, we will keep all these questions - we do pass them on to the people who participated in the event today. If you ever feel a question you asked was not answered, feel free to email yours truly. You should have some information on me and how to get ahold from me. Also, just now I put a link to the full deck with slides from non-sponsoring vendors. So we put the word out to all the vendors out there in the whole Hadoop space. We said, "Tell us what your story is; tell us what's going on." It's a huge file. It's about 40-plus megabytes.
But Jim, let me bring you back in and just kind of talk about - again, I love this concept - where you're talking about the pool party that comes to an end. Could you talk about how it is that you manage to stay on top on what's happening in the open-source community? Because it's a very fast-moving environment. But I think you guys have a pretty clever strategy of serving this sort of enterprise-hardening vendor that sits on top or kind of around that. Can you talk about your development cycles and how you stay on top of what's happening?
Jim Vogt: Sure. It is pretty fast moving in terms of if you look at just a snapshot updates, but what we're shipping in functionality today is about a year to a year and a half ahead of what we can get on security capabilities out to the community today. It's not that they're not going to get there; it just takes time. It's a different process, it has contributors and so forth, and it just takes time. When we go to a customer, we need to be very well versed in the open source and very well versed in mainly the security things that we're bringing. The reason that we're actually issuing patents and submitting patents is that there is some real value in IP, intellectual property, around hardening these open-source components. When we support a customer, we have to support all the varying open-source components and all the varying distributions as we do, and we also need to have the expertise around the specific features that we're adding to that open source to create the solution that we create. As a company, although we don't want the customer to be a Hadoop expert, we don't think you need to be a mechanic to drive the car. We need to be a mechanic that understands the car and how it works and understand what's happening between our code and the open source code.
Eric Kavanagh: That's great. Phu, I'll give you one last question. Then Robin, I have one question for you and then we'll wrap up, folks. We will archive this webcast. As I suggested, we'll be up on insideanalysis.com. We'll also go ahead and have some stuff up on Techopedia. A big thank you to those folks for partnering with us to create this cool new series.
But Phu … I remember watching the demo of the stuff and I was just frankly stunned at what you guys have done. Can you explain how it is that you can achieve that level of no failover?
Phu Hoang: Sure, I think it's a great question. Really, the problem for us had three components. Number one is, you can't lose the events that are moving from operator to operator in the Hadoop cluster. So we have to have event buffering. But even more importantly, inside your operators, you may have states that you're calculating. Let's say you're actually counting money. There's a subtotal in there, so if that node goes down and it's in memory, that number is gone, and you can't start from some point. Where would you start from?
So today, you have to actually do a regular checkpoint of your operator state down to this. You put that interval so it does not become a big overhead, but when a node goes down, it can come back up and be able to go back to exactly the right state where you last checkpointed and be able to bring in the events starting from that state. That allows you to therefore continue as if the event actually has never happened. Of course, the last one is to make sure that your application manager is also fault tolerant so that doesn't go down. So all three factors need to be in place for you to say that you're fully fault tolerant.
Eric Kavanagh: Yeah, that's great. Let me go ahead and throw one last question over to Robin Bloor. So one of the attendees is asking, does anyone think that Hortonworks or another will get soaked up/invested in by a major player like Intel? I don't think there's any doubt about that. I'm not surprised, but I'm fascinated, I guess, that Intel jumped in before like an IBM or an Oracle, but I guess maybe the guys at IBM and Oracle think they've already got it covered by just co-opting what comes out of the open-source movement. What do you think about that?
Robin Bloor: It's a very curious move. We should see in light of the fact that Intel already had its own Hadoop distribution and what it has effectively done is just passed that over to Cloudera. There aren't many powers in the industry as large as Intel and it is difficult to know what your business model actually is if you have a Hadoop distribution, because it is difficult to know exactly what it is going to be used for in the future. In other words, we don't know where the revenue streams are necessarily coming from.
With somebody like Intel, they just want a lot of processes to be solved. It is going to support their main business plan the more that Hadoop is used. It's kind of easy to have a simplistic explanation of what Intel are up to. It's not so easy to guess what they might choose to do in terms of putting code on chips. I'm not 100% certain whether they're going to do that. I mean, it's a very difficult thing to call that. Their next move at the hardware level, I think, is the system on a chip. When we go to the system on a chip, you may actually want to put some basic software on the chip, so to speak. So putting HDFS on there; that might make some sense. But I don't think that that was what that money investment was about. I think all that money investment was about was just making sure that Intel had a hand in the game and is actually going forward.
In terms of who else is going to buy, that is also difficult to say. I mean, certainly the SAPs and Oracles of this world have got enough money to buy into this or IBM has got enough money to buy into it. But, you know, this is all open source. IBM never bought a Linux distribution, even though they plowed a lot of money into Linux. It didn't break their hearts that they didn't actually have a Linux distribution. They're very happy to cooperate with Red Hat. I would say maybe Red Hat will buy one of these distributions, because they know how to make that business model work, but it's difficult to say.
Eric Kavanagh: Yeah, great point. So folks, I'm going to go ahead and just share my desktop one last time here and just show you a couple of things. So after the event, check out Techopedia - you can see that on the left-hand side. Here's a story that yours truly wrote, I guess a couple of months ago or a month and a half ago, I suppose. It really kind of spun out of a lot of the experience that we had talking with various vendors and trying to dig in to understanding what exactly is going on with the space because sometimes it can be kind of difficult to navigate the buzz words and the hype and the terminology and so forth.
Also a very big thank you to all of those who have been Tweeting. We had one heck of a Tweet stream here going today. So, thank you, all of you. You see that it just goes on and on and on. A lot of great Tweets on TechWise today.
This is the first of our new series, folks. Thank you so much for tuning in. We will let you know what's going on for the next series sometime soon. I think we're going to focus on analytics probably in June sometime. And folks, with that, I think we're going to go ahead and close up our event. We will email you tomorrow with a link to the slides from today and we're also going to email you the link to that full deck, which is a huge deck. We've got about twenty different vendors with their Hadoop story. We're really trying to give you a sort of compendium of content around a particular topic. So for bedtime reading or whenever you're interested, you can kind of dive in and try to get that strategic view of what's going on here in the industry.
Med det kommer vi att hälsa dig, folkens. Thank you again so much. Go to insideanalysis.com and Techopedia to find more information about all this in the future and we'll catch up to you next time. Hejdå.
