Declan Gowran de l'IAS explore son rôle dans le domaine de l'ingénierie des données et la manière dont les dirigeants créent des environnements cohérents.
Le parcours de Declan Gowran, ingénieur senior en opérations de données chez IAS, dans le monde de l'ingénierie des données a évolué de manière organique à partir d'une infrastructure informatique et d'un contexte cloud plus larges.
Il a déclaré à SiliconRepublic.com : » Au début de ma carrière, j'ai beaucoup travaillé sur l'infrastructure d'entreprise, la virtualisation et les déploiements cloud sur plusieurs plates-formes, ce qui m'a exposé à des systèmes à grande échelle et aux complexités de la gestion des données à grande échelle. Au fil du temps, je suis devenu de plus en plus fasciné par la manière dont les données structurées et non structurées peuvent piloter la prise de décision et les applications d'IA. »
« Cela m'a conduit à des postes chez Optum et IAS où j'ai pu me concentrer sur la création de plates-formes de données sécurisées et évolutives, l'intégration de DevOps, de MLOps et de cadres de gouvernance des données, et la prise en charge des charges de travail d'IA d'entreprise. Essentiellement, mon parcours a été façonné par un mélange de curiosité, de défis techniques et d'opportunités de travailler à l'intersection du cloud, des données et de l'analyse. »
Quel est le paysage actuel de l’ingénierie des données en Irlande ?
Le paysage irlandais de l’ingénierie des données est dynamique et évolue rapidement. Avec la forte présence d'entreprises technologiques multinationales et d'organisations axées sur les données, il existe une demande croissante d'ingénieurs capables non seulement de gérer l'infrastructure cloud, mais également de concevoir des plates-formes de données modernes et évolutives. Les organisations adoptent de plus en plus d'architectures cloud natives, de plateformes basées sur Kubernetes et de frameworks MLOps. L'accent est également mis sur les stratégies de gouvernance, de conformité et de maillage de données, en particulier pour les entreprises traitant des données sensibles ou réglementées.
Quels sont les plus grands défis qui impactent actuellement le secteur de l’ingénierie des données et comment pourraient-ils être relevés ?
Gouvernance et confiance des données à grande échelle : étant donné que les données alimentent l'IA et la prise de décision, il est essentiel de garantir la qualité, la traçabilité et l'accès sécurisé, tout en respectant les réglementations telles que le RGPD. Cela nécessite des cadres de gouvernance solides et des métadonnées centralisées pour maintenir la cohérence et le contrôle.
Complexité dans les environnements distribués : la plupart des organisations opèrent sur des systèmes multi-cloud et hybrides, ce qui rend l'intégration, la standardisation et l'orchestration difficiles. L’accent est ici mis sur la simplification des architectures et l’utilisation de plates-formes évolutives et interopérables pour réduire la fragmentation.
Adaptation aux charges de travail en temps réel et basées sur l'IA : il existe une demande croissante de données à faible latence et de pipelines d'IA reproductibles. Cela signifie investir dans le streaming, l’automatisation et une infrastructure fiable capable de gérer des cas d’utilisation par lots et en temps réel.
Dans l'ensemble, la solution ne consiste pas seulement en un outil, elle consiste à aligner ces capacités sur des résultats commerciaux clairs, de sorte que l'ingénierie des données génère une valeur mesurable plutôt qu'une simple capacité technique.
Sur quoi travaillez-vous actuellement et quel est son potentiel ?
Je dirige actuellement le développement d'une plateforme de données d'entreprise sécurisée et optimisée en termes de coûts chez IAS, construite sur Databricks et Kubernetes. Il est conçu pour centraliser la gouvernance tout en permettant un accès évolutif et en libre-service aux données dans toute l'entreprise. En parallèle, nous construisons des passerelles et des services d'IA pour prendre en charge le déploiement sécurisé des charges de travail LLM et IA, garantissant ainsi que nous pouvons faire évoluer ces capacités de manière responsable.
Le potentiel est double. En interne, cela améliore considérablement l’efficacité, les équipes peuvent accéder plus rapidement à des données fiables et expérimenter plus facilement. En externe, cela permet de meilleurs produits et résultats, depuis des campagnes publicitaires plus efficaces jusqu'à une transparence et des performances améliorées.
Que faut-il pour créer une équipe solide et cohésive en matière de données et d'ingénierie ?
Créer une équipe de données et d'ingénierie hautement performante nécessite d'équilibrer l'expertise technique avec la collaboration, la culture et les valeurs partagées. Je crois fermement à l'investissement dans les gens et à la promotion d'un environnement d'équipe positif. Il ne suffit pas que les membres d'une équipe comprennent la technologie : ils doivent également s'entendre, communiquer efficacement et se soutenir mutuellement.
Je me concentre sur le mentorat et le développement, une communication claire, l'alignement de l'équipe, la collaboration interfonctionnelle, l'élimination des silos, l'analyse, l'autonomisation et l'autonomie, ainsi que la fourniture aux ingénieurs des outils et des cadres appropriés pour innover tout en maintenant la responsabilité.
En donnant la priorité aux personnes et à la culture, nous créons un environnement où la confiance, la communication et la collaboration sont fortes, permettant à l'innovation et à la haute performance de devenir des résultats naturels.
Comment les dirigeants d’espaces dynamiques peuvent-ils créer des environnements de travail productifs et cohérents ?
Les dirigeants doivent faire preuve de clarté, de confiance et d’autonomie structurée. Cela implique de fixer des objectifs clairs, de favoriser une culture de feedback et d’encourager l’innovation sans microgestion. Tirer parti de pratiques agiles, de flux de travail automatisés et de tableaux de bord transparents aide également les équipes à mesurer les progrès et à rester alignées. Il est tout aussi important de soutenir le développement professionnel, de célébrer les réalisations et d’assurer la sécurité psychologique afin que les membres de l’équipe puissent collaborer ouvertement et prendre des risques calculés.
Avez-vous des prévisions sur la façon dont le domaine de l’ingénierie des données pourrait évoluer au cours des neuf prochains mois ?
Au cours des neuf prochains mois, j'anticipe plusieurs tendances clés qui façonneront le paysage de l'ingénierie des données.
Premièrement, l’adoption plus large du maillage de données et des cadres de gouvernance, en particulier pour les entreprises gérant des charges de travail d’IA et d’agents, en mettant fortement l’accent sur la traçabilité, la provenance et l’intégrité des données, en sachant d’où proviennent les données, comment elles changent et pourquoi.
Un accent accru sur la qualité des données et la protection contre l'empoisonnement des données, alors que les organisations reconnaissent que « les déchets entrants, les déchets sortants » peuvent compromettre les résultats de l'IA et des modèles agentiques. L'adoption accrue d'architectures cloud natives et sans serveur, permettant des plates-formes évolutives, flexibles et rentables, capables de prendre en charge d'importantes charges de travail d'IA, des processus agents et une connectivité transparente entre les systèmes.
L'expansion de la génération augmentée de récupération, des bases de données vectorielles et des pipelines connectés, prenant en charge les cas d'utilisation avancés de l'IA et de l'agent tout en garantissant que les intégrations, les sources de connaissances et les données en temps réel restent exactes, vérifiables et interopérables.
L'accent est davantage mis sur l'observabilité, les performances et la conformité, la surveillance distribuée, la validation automatisée et le suivi du lignage devenant la norme pour maintenir la confiance dans les données traditionnelles et les résultats de l'IA. Enfin, la standardisation du déploiement des modèles d'IA et des pratiques MLOps, permettant aux entreprises de faire évoluer les modèles de base, les charges de travail agentiques et les flux de travail intelligents tout en maintenant la gouvernance, la reproductibilité et la fiabilité opérationnelle.
