Podcast
AI-ready data začínají observabilitou, ne governance, říká Elton Martins, bývalý datový lídr NFL a Genius Sports
11 září, 2025
Firmy dnes investují miliony do moderních cloudových platforem – a přesto často narážejí na nespolehlivá data, která podkopávají jejich ROI. Podle Eltona Martinse, zkušeného datového manažera s praxí například v NFL nebo Genius Sports, je řešením disciplína zvaná data observability. „Nejde jen o kvalitu dat. Musíte vědět, zda vaše data tečou tak, jak mají, a zda se chovají normálně,“ říká v novém dílu podcastu Adastry.
V podcastu vysvětluje, proč data observability nelze chápat jen jako další buzzword, ale jako klíčovou praxi pro AI-ready data. Popisuje, jak pomáhá odhalovat tiché chyby, zvyšuje transparentnost, zefektivňuje využití drahých inženýrských kapacit a dokáže výrazně snížit cloudové náklady. Sdílí zkušenosti s nasazením hotových nástrojů i s vývojem vlastních řešení, včetně rad, kdy se vyplatí začít „malými kroky“ a proč je důležité neoddělovat observability od governance.
- Jak se liší observability od klasického data quality managementu?
- Proč bez něj nedává nasazení AI projektů smysl?
- A jaké chyby stojí firmy nejčastěji peníze i reputaci?
Sledujte celý rozhovor v angličtině:
Přečtěte si podcast jako rozhovor
(Rozhovor byl zkrácen a upraven pomocí ChatGPT)
Mark Kohout: Vítejte u podcastu Adastry na téma Data Observability. Jmenuji se Mark Kohout, vedu Data Governance Practice v Adastra North America. Jsem rád, že mohu přivítat Eltona Martinse, zkušeného datového experta z New Yorku, který působil například v NFL a ve společnosti Genius Sports. Tam vybudoval škálovatelné a dobře spravované datové ekosystémy pro pokročilou analytiku, realtime reporting i AI use-casy. Eltone, vítej v našem torontském studiu. Co tě v poslední době nejvíc zaměstnává?
Elton Martins: V posledních letech jsem se soustředil na budování datových produktů pro sportovní organizace – ligy i kluby. Pomáhají jim lépe rozhodovat v marketingu, médiích i v programech pro fanoušky. To, co mě ale často trápí, je obava, aby velké investice do moderních datových platforem nebyly znehodnocené nekvalitními nebo nespolehlivými daty.
Mark Kohout: To je téma, které zná většina datových lídrů – ROI z technologií není bez kvalitních dat jisté. Proto se pojďme podívat na samotný pojem data observability. Co to vlastně znamená?
Elton Martins: Jde o schopnost monitorovat a rozumět datovým pipeline a jejich zdraví. Je to sada postupů a technologií, které umožní včas odhalit a vyřešit problémy, než ovlivní uživatele či aplikace. Inspirací byla observabilita v softwarovém inženýrství – nástroje jako Datadog nebo Grafana – jen jsme tyto principy přenesli do světa dat.
Mark Kohout: Proč je z toho takové téma právě teď?
Elton Martins: Moderní datová prostředí jsou složitější a větší než kdy dřív, zároveň roste tlak na AI-ready data. Observabilita pomáhá řešit několik klíčových problémů:
- Tiché chyby: Pipelines vypadají v pořádku, ale čísla v reportech nesedí. Observabilita odhalí, že data netečou správně.
- Transparentnost: Firmy i regulace vyžadují dohled nad tím, odkud data pochází, jak se transformují a používají.
- Data jako produkt: V éře data mesh potřebují decentralizované týmy samostatně sledovat kvalitu a spolehlivost svých datových domén.
- Data drift: U AI/ML je nutné hlídat, zda se distribuce dat neodchyluje od očekávání, jinak modely selhávají.
Mark Kohout: Zní to jako posun od klasické data quality. Jaký je rozdíl?
Elton Martins: Data quality řeší otázku „Jsou data vhodná pro daný účel?“ – sleduje přesnost, úplnost, konzistenci. Observabilita odpovídá na „Tvoří se data tak, jak mají? Tečou správně?“ Sleduje to v reálném čase, takže obě disciplíny se doplňují.
Mark Kohout: Můžeš uvést praktický příklad?
Elton Martins: Představte si zdroj, který posílá pět milionů záznamů za hodinu. Náhle začne posílat jen půl milionu. Observabilita to díky ML modelům rozpozná a upozorní tým, že něco není v pořádku.
Mark Kohout: Jak do toho vstupuje AI?
Elton Martins: AI dnes pomáhá observabilitě přesněji detekovat anomálie a učí se z chování dat. To zvyšuje spolehlivost a snižuje falešné poplachy.
Mark Kohout: Jaké další přínosy vidíš?
Elton Martins: Kromě kvality dat jde i o efektivní využití zdrojů. Díky observabilitě mají inženýři přehled o původu a toku dat, takže mohou rychle najít příčinu problému místo dlouhého pátrání. Navíc získávají metriky o využití a selhání pipeline, což pomáhá optimalizovat architekturu a snižovat cloudové náklady. Firmy mohou například odstavit málo používané datové assety, čímž sníží riziko i výdaje.
Mark Kohout: To je zásadní i z pohledu governance. Zdá se, že bez observability je AI těžko udržitelná.
Elton Martins: Přesně tak. AI bez kvalitních a dobře spravovaných dat selhává. Observabilita odhalí slabiny v datové infrastruktuře dřív, než firma začne investovat do drahých AI projektů. Špatná data mohou vést ke špatným rozhodnutím i ke ztrátám v řádu milionů dolarů.
Mark Kohout: Co bys doporučil firmám, které chtějí observabilitu zavést?
Elton Martins: Záleží na jejich datové vyspělosti. Někdy se vyplatí koupit hotový nástroj, jindy je lepší vyvinout vlastní řešení. Důležité je:
- Začít v malém – soustředit se na klíčové pipeline a postupně rozšiřovat.
- Nepovažovat to za jednorázový projekt – platforma i observabilita se musí vyvíjet spolu s byznysem.
- Neoddělovat observabilitu od governance – obě oblasti se vzájemně doplňují.
Mark Kohout: To jsou velmi cenné rady. Eltone, díky, že ses podělil o zkušenosti z praxe. A děkuji i vám, posluchačům, že jste byli s námi.
