Hinweis: Der folgende Artikel hilft Ihnen dabei: „Es war klar, dass niemand anderes es tun würde, wenn wir es nicht bauen würden“: Jakub Jurovych, Deepnote
Als Jakub Jurovych 2019 Deepnote gründete, hatte er ein klares Ziel vor Augen: die Zusammenarbeit für Datenwissenschaftler zu erleichtern. Das auf Jupyter-kompatiblen Notebooks basierende Startup sammelte im nächsten Jahr unter der Führung von Index Ventures und Accel 3,8 Millionen US-Dollar. Eine Reihe großer Namen im Angel-Investing, darunter Greg Brockman von OpenAI, Naval Ravikant, Dylan Field von Figma und Elad Gil von Airbnb, nahmen zusammen mit YCombinator teil.
Innerhalb weniger Jahre hat Deepnote weit verbreitete Verwendung in Unternehmen wie ByteDance, Discord, Gusto und 80 der renommiertesten Universitäten gefunden. Analytics India Magazine sprach mit Jurovych über seine Vision für das Unternehmen, die Reise und den schnellen Aufstieg von Deepnote.
AIM: Was hat Sie dazu inspiriert, mit der Arbeit an Notizbüchern zu beginnen? Welche Lücken sahen Sie damals in Notizbüchern?
Jakob: Dabei gibt es zwei Aspekte: Erstens sind es die technischen Herausforderungen bei der Einführung eines Produkts in diesem Bereich, und zweitens gibt es den unternehmerischen Aspekt, bei dem es eher darum geht, wie man Investitionen dafür anzieht. Als wir Deepnote im Jahr 2019 starteten, waren wir stark in die Jupyter-Community involviert. Das Gründerteam hatte unterschiedliche Hintergründe und arbeitete entweder im Backend großer Unternehmen wie Google und Palantir oder in der Frühphase schnell wachsender Startups.
Wir hatten eine Mischung aus Data-Science-Teams und Skalierungsanalyseteams oder Teams, die Dateninfrastrukturen aufbauten. Es war ziemlich klar, dass da immer etwas äußerst Spannendes war. Lange Zeit gab es praktisch zwei Programmierparadigmen. Die Grundlagen waren intakt – Sie lernen IDEs (Integrated Development Environment) und Python, und dann ist Ihr erstes Programm „Hello World“. Das war es im Großen und Ganzen.
Es gab aber auch die zweite Art von Programmierparadigma – visuelle Tabellenkalkulationen. Sie waren viel interaktiver und visueller, aber es blieben Einschränkungen bestehen. Und ab einem bestimmten Punkt würde man diese Obergrenze einfach nicht mehr überschreiten können. Analysten sind in beiden Welten tätig. Meistens führen Sie einen Großteil Ihrer Analysen in der Tabellenkalkulation durch, da diese das am besten geeignete Werkzeug für die jeweilige Aufgabe ist. Aber manchmal ist es ein komplizierteres Projekt und Sie müssen eine Datenbereinigung durchführen oder einen SQL-Code oder eine Datenabfrage schreiben, die die Installation von Python und Bibliotheken erfordert. Da wurde uns klar, dass es eine große Lücke gab. Es dauerte sehr lange, Menschen von einem Gebiet in ein anderes zu bringen.
Wenn man dies historisch betrachtet und versucht zu verstehen, wie es dazu kam, kann man es mit der Entstehung der Produktionstechnik erklären. Es ist der übliche Prozess: Ich bin Ingenieur und mein Produktmanager informiert mich über die Spezifikationen zum Erstellen einer App, die dann an die Produktion gesendet wird. Aber es gibt noch ein anderes Paradigma namens exploratives Programmieren, bei dem wir keinen spezifischen Prototyp oder spezifische Anweisungen für die zu erstellende Sprache haben. Tabellenkalkulationen sind in der explorativen Art der Programmierung absolut erstaunlich, aber Notebooks waren bis dahin weit zurück.
AIM: Welche Mängel bei Jupyter-Notebooks wollten Sie beheben?
Jakob: Ungefähr um das Jahr 2010, als Notebooks einigermaßen populär wurden, gab es einige frühe Versionen von Jupyter, in denen die Leute damit begannen, sie für ihre datenwissenschaftlichen Projekte zu verwenden, die von Natur aus explorativ waren. Man hatte das Gefühl, in Echtzeit beobachten zu können, wie ein neues Paradigma entstand, das wahrscheinlich genauso wichtig war wie Tabellenkalkulationen. Für uns war es, als würden wir Zeuge eines großen Ereignisses in der Informatik werden. Und dann mussten wir nur noch warten und warten.
Jupyter war damals eindeutig das beliebteste Notebook auf dem Markt. Aber es bewegte sich nicht wirklich schnell genug, um fehlende Teile zu verbinden. Für die Zusammenarbeit war es immer noch schrecklich und aus Sicht der Best Practices im Engineering nicht großartig. Als wir mit der eigentlichen Suche begannen, wurde uns klar, dass es sich lediglich um ein Problem der Umsetzung handelte. Es gab keine Probleme mit dem Paradigma oder der Idee selbst – es ging lediglich darum, diese spezifischen Probleme zu lösen. Also sahen wir dort einfach eine Chance und legten sofort los.
Wir haben versucht, diese Probleme mit Jupyter anzusprechen, aber es war sehr schwierig. Da sie Open Source sind, wurde es sehr schwierig, dazu beizutragen. Verstehen Sie mich nicht falsch – ich komme auch aus derselben Branche, aber wir müssen einfach realistisch sein, wenn wir die Welt verändern wollen. Um ein wettbewerbsfähiges Produkt zu entwickeln, muss man auch die Benutzer verstehen.
Es war also klar: Wenn wir es nicht bauen würden, dann würde es niemand anderes tun. Wir ließen alles fallen, was wir taten, kündigten unsere bequemen Jobs und fingen einfach an.
ZIEL: Was war angesichts der beeindruckenden Namen, die Sie als Investoren haben, nötig, um sie anzuziehen?
Jakob: Ziemlich schnell schlossen sich uns YCombinator und wirklich starke Angel-Investoren wie Naval Ravikant, Greg Brockman, der CTO von OpenAI und Elad Gil an. Index Ventures und Accel haben uns unterstützt, die über einen hervorragenden Hintergrund in der Entwicklung von Tools für B2B-Unternehmen verfügen.
Ich denke, für Deepnote haben wir alle drei Kästchen angekreuzt, nach denen Anleger suchen, wenn sie abwägen, ob sie in etwas investieren wollen – das Produkt (das ausgezeichnet ist), den Markt und drittens suchen sie nach einer Art Einblick. Die meisten Leute haben es damals einfach nicht gesehen – für sie bedeutete es, wenn Jupyter-Notebooks scheiße waren, waren alle Notebooks scheiße, was nicht stimmte. Einige erkannten jedoch die Bedeutung der Zusammenarbeit in diesem Bereich.
Ehrlich gesagt denke ich, dass wir auch Glück hatten, wenn man bedenkt, dass wir in der Anfangsphase die richtigen Leute getroffen haben. Wir waren auch in der Lage, zu bestimmten Menschen „Nein“ zu sagen, weil wir die Menschen auswählten, mit denen wir zu tun wollten, und diejenigen, mit denen wir nicht zu tun wollten. Letztlich lief es nur auf die Frage hinaus: „Wessen Geld ist umweltfreundlicher?“
ZIEL: Wie groß ist der indische Markt von Deepnote?
Jakob: Ich kann die genauen Zahlen zur Beantwortung dieser Frage nicht nennen. Aber ich kann Ihnen eine gute Vorstellung davon geben. Wenn wir uns also unsere demografischen Daten ansehen, um die Verteilung von Datenwissenschaftlern oder -analysten zu verstehen und sie mit der Nutzerbasis von Deepnote zu vergleichen, handelt es sich im Wesentlichen um dieselben Karten.
Für uns ist Nordamerika, insbesondere die Vereinigten Staaten, der größte Markt für Datenwissenschaftler und -analysten. Der zweitgrößte Markt ist Indien. Dann gibt es natürlich noch alle anderen großen Player wie Großbritannien, Frankreich, Japan und so weiter.
ZIEL: Wie einfach ist es Ihrer Meinung nach für Entwickler, die von anderen Optionen wie Jupyter oder Google Colab zu Deepnote wechseln möchten?
Jakob: Daran haben wir optimiert. Es ist auch einer der größten Schwachstellen bei Jupyter. Wenn Sie beispielsweise ein Diagramm haben und die Daten dafür für die letzten 180 Tage sehen möchten, müssen Sie lediglich die SQL-Abfrage in Deepnote anpassen. Auf Jupyter müssen Sie ein Terminal öffnen, Python installieren, Jupyter starten und die CSV-Datei abrufen – Sie verstehen, es ist ein langer Prozess. Dies ist für die praktischsten Anwendungen von Notebooks nicht förderlich. Wenn zum Beispiel jemand der Manager eines Hedgefonds ist, werden Sie den Datensatz nicht selbst erstellen, oder? Sie müssen lediglich die endgültige Version lesen und die Änderungen daran vornehmen. Genau hier setzt Deepnote an.
