Declan Gowran dari IAS mengeksplorasi perannya dalam bidang rekayasa data dan bagaimana para pemimpin menciptakan lingkungan yang kohesif.
Perjalanan insinyur operasi data staf senior di IAS Declan Gowran ke dunia rekayasa data berevolusi secara organik dari infrastruktur TI dan latar belakang cloud yang lebih luas.
Dia mengatakan kepada SiliconRepublic.com, “Pada awal karir saya, saya bekerja secara ekstensif pada infrastruktur perusahaan, virtualisasi, dan penerapan cloud di berbagai platform, yang membuat saya terpapar pada sistem berskala besar dan kompleksitas pengelolaan data dalam skala besar. Seiring waktu, saya menjadi semakin tertarik dengan cara data terstruktur dan tidak terstruktur dapat mendorong pengambilan keputusan dan aplikasi AI.
“Hal ini membawa saya pada peran di Optum dan IAS di mana saya dapat berfokus pada pembangunan platform data yang aman dan dapat diskalakan, mengintegrasikan kerangka kerja DevOps, MLOps, dan tata kelola data, serta mendukung beban kerja AI perusahaan. Pada dasarnya, jalur saya dibentuk oleh kombinasi rasa ingin tahu, tantangan teknis, dan peluang untuk bekerja di persimpangan antara cloud, data, dan analitik.”
Seperti apa lanskap rekayasa data saat ini di Irlandia?
Lanskap rekayasa data Irlandia sangat dinamis dan berkembang pesat. Dengan kuatnya kehadiran perusahaan teknologi multinasional dan organisasi berbasis data, terdapat peningkatan permintaan akan insinyur yang tidak hanya mampu mengelola infrastruktur cloud namun juga merancang platform data yang modern dan terukur. Organisasi semakin banyak yang mengadopsi arsitektur cloud native, platform berbasis Kubernetes, dan kerangka kerja MLOps. Ada juga penekanan pada tata kelola, kepatuhan, dan strategi data mesh, khususnya bagi perusahaan yang menangani data sensitif atau diatur.
Apa tantangan terbesar yang saat ini berdampak pada sektor rekayasa data dan bagaimana cara mengatasinya?
Tata kelola data dan kepercayaan dalam skala besar: Karena data mendukung AI dan pengambilan keputusan, memastikan akses yang berkualitas, silsilah, dan aman, sekaligus memenuhi peraturan seperti GDPR, sangatlah penting. Hal ini memerlukan kerangka tata kelola yang kuat dan metadata terpusat untuk menjaga konsistensi dan kontrol.
Kompleksitas di seluruh lingkungan terdistribusi: Sebagian besar organisasi beroperasi di sistem multi-cloud dan hybrid, sehingga mempersulit integrasi, standarisasi, dan orkestrasi. Fokusnya di sini adalah menyederhanakan arsitektur dan menggunakan platform yang skalabel dan dapat dioperasikan untuk mengurangi fragmentasi.
Penskalaan untuk beban kerja real-time dan berbasis AI: Ada peningkatan permintaan akan data berlatensi rendah dan pipeline AI yang dapat direproduksi. Hal ini berarti berinvestasi pada streaming, otomatisasi, dan infrastruktur andal yang dapat menangani kasus penggunaan batch dan real-time.
Secara keseluruhan, solusinya bukan sekedar alat, namun juga menyelaraskan kemampuan-kemampuan ini untuk mencapai hasil bisnis yang jelas, sehingga rekayasa data mendorong nilai yang terukur, bukan hanya kemampuan teknis.
Apa yang sedang Anda kerjakan dan apa potensinya?
Saat ini saya memimpin pengembangan platform data perusahaan yang aman dan hemat biaya di IAS, yang dibangun di Databricks dan Kubernetes. Hal ini dirancang untuk memusatkan tata kelola sekaligus memungkinkan akses data yang skalabel dan mandiri di seluruh bisnis. Secara paralel, kami membangun gateway dan layanan AI untuk mendukung penerapan beban kerja LLM dan AI yang aman, memastikan kami dapat meningkatkan kemampuan ini secara bertanggung jawab.
Potensinya ada dua. Secara internal, ini meningkatkan efisiensi secara signifikan, tim dapat mengakses data tepercaya lebih cepat dan bereksperimen dengan lebih mudah. Secara eksternal, hal ini memungkinkan produk dan hasil yang lebih baik, mulai dari kampanye iklan yang lebih efektif hingga peningkatan transparansi dan kinerja.
Apa yang diperlukan untuk menciptakan tim yang kokoh dan kohesif dalam bidang data dan teknik?
Menciptakan tim data dan teknik yang berkinerja tinggi memerlukan keseimbangan keahlian teknis dengan kolaborasi, budaya, dan nilai-nilai bersama. Saya sangat percaya pada investasi pada sumber daya manusia dan membina lingkungan tim yang positif. Anggota tim tidak cukup hanya memahami teknologi – mereka juga perlu rukun, berkomunikasi secara efektif, dan saling mendukung.
Saya fokus pada bimbingan dan pengembangan, komunikasi yang jelas, penyelarasan tim, kolaborasi lintas fungsi, menghilangkan silo, analisis, pemberdayaan dan otonomi, serta menyediakan alat dan kerangka kerja yang tepat bagi para insinyur untuk berinovasi sambil menjaga akuntabilitas.
Dengan memprioritaskan manusia dan budaya, kami menciptakan lingkungan di mana kepercayaan, komunikasi, dan kolaborasi kuat, memungkinkan inovasi dan kinerja tinggi menjadi hasil yang alami.
Bagaimana para pemimpin di ruang dinamis dapat menciptakan lingkungan kerja yang produktif dan kohesif?
Pemimpin perlu memberikan kejelasan, kepercayaan, dan otonomi terstruktur. Hal ini melibatkan penetapan tujuan yang jelas, menumbuhkan budaya umpan balik, dan mendorong inovasi tanpa pengelolaan mikro. Memanfaatkan praktik tangkas, alur kerja otomatis, dan dasbor transparan juga membantu tim mengukur kemajuan dan tetap selaras. Yang tidak kalah pentingnya adalah mendukung pengembangan profesional, merayakan pencapaian, dan memastikan keamanan psikologis sehingga anggota tim dapat berkolaborasi secara terbuka dan mengambil risiko yang diperhitungkan.
Apakah Anda punya prediksi mengenai perkembangan dunia rekayasa data dalam sembilan bulan ke depan?
Selama sembilan bulan ke depan, saya mengantisipasi beberapa tren utama yang membentuk lanskap rekayasa data.
Pertama, penerapan data mesh dan kerangka tata kelola yang lebih luas, khususnya bagi perusahaan yang mengelola AI dan beban kerja agen, dengan fokus kuat pada garis keturunan, asal usul, dan integritas data, mengetahui dari mana data berasal, bagaimana data berubah, dan alasannya.
Peningkatan penekanan pada kualitas data dan perlindungan terhadap keracunan data, karena organisasi menyadari bahwa ‘sampah masuk, sampah keluar’ dapat membahayakan hasil AI dan model agen. Peningkatan adopsi arsitektur cloud-native dan tanpa server, memungkinkan platform yang skalabel, fleksibel, dan hemat biaya yang mampu mendukung beban kerja AI yang besar, proses agen, dan konektivitas tanpa batas di seluruh sistem.
Perluasan generasi augmented pengambilan, database vektor, dan pipeline yang terhubung, mendukung AI tingkat lanjut dan kasus penggunaan agen sekaligus memastikan penyematan, sumber pengetahuan, dan data real-time tetap akurat, dapat diaudit, dan dapat dioperasikan.
Fokus yang lebih kuat pada kemampuan observasi, kinerja, dan kepatuhan, dengan pemantauan terdistribusi, validasi otomatis, dan pelacakan garis keturunan menjadi standar untuk menjaga kepercayaan terhadap data tradisional dan keluaran AI. Terakhir, standarisasi penerapan model AI dan praktik MLOps, yang memungkinkan perusahaan untuk menskalakan model dasar, beban kerja agen, dan alur kerja cerdas sambil mempertahankan tata kelola, reproduktifitas, dan keandalan operasional.