在推出Pure的第一款商业产品的5年多时间里，该团队对客户的痛点有了深入的了解。大多数竞争对手都提供了复杂的存储工具，有数千种设置，而且数据传输通常要延迟数小时。但Pure专注于简洁，并将存储视为客户产品——而客户就是专利。

例如，Pure开发了一个名为“负载”的单一可操作数字，而不是强迫用户费力地处理几十个性能指标，这极大地简化了容量管理。当团队进一步优化升级和迁移等事件时，他们意识到机器学习(ML)将是关键。

Abrol说:“我们在ML的路上走了一条路。“我们专注于产能和性能预测，这是我们客户面临的最困难的问题。然后就是，‘好吧，我们怎么解它?’我们意识到我们有这些数据。”

在推出其第一个项目- workload Planner后，一个基于人工智能驱动的“水晶球”Pure1元^®平台- ML团队继续成长。当时，大多数公司的数据科学家都在研究消费产品，Pure的机会就不一样了。

“因为我们是B2B，每一次与客户的互动都很重要。我们不能仅仅把一个特定的事件作为一个异常值来注销，”Abrol解释道。“我们考虑模型的输出是绝对的，而不是平均的。”

为了贴近客户，该团队定期与Pure的UX设计师和产品经理合作——他们直接与用户交谈。Abrol说:“我们参加Pure//Accelerate, Pure的年会，这样我们就能亲眼看到客户对我们构建的功能的反应。”

他说，他的团队对客户体验的独特可见度也创造了一种独特的所有权文化。“很多公司都有独立的资产、数据规划、模型研究和部署团队，”他解释道。“但因为我们了解整个用户故事，我们能够拥有端到端的东西。”

艾布罗尔说，Pure公司的另一个关键文化价值观是谦逊。“我们对错误是诚实的。如果你尝试一些新东西，但它不起作用，你不会因此受到惩罚。我们的目标是提炼公司可以利用的经验。”对于ML团队来说，每个项目都提供了学习和与其他Pure团队成员合作的新机会。例如，时间戳最初是一个挑战。“我们有一种定义过去和未来的方式，前端团队有另一种，”Abrol解释道。“我们一起打了个电话，弄清楚了它对客户来说应该是什么样子。”

数据质量问题也提供了早期的教训。客户反馈提醒ML团队注意到一些问题，于是ML团队首先要求数据生成团队加入最初的理论。然后，他们分析和分割客户数据，以确定他们的同事可以进一步研究的特定子集。“我们构建了一个迭代的管道，”Abrol说。我们会把问题暴露出来，他们会找出改进之处，我们会反复进行。我们能够弥合我们的专家和客户所看到的之间的差距。”

在未来的几个月里，ML团队将扩展到优化之外的领域，并计划深入到一个新的领域:发现。一如既往，简单是首要目标。

Abrol解释说:“我们正在测量存储、虚拟机分析——所有这些相互依赖的指标可以帮助客户识别他们业务中的问题。”“但要找到这些问题的根源可能就像大海捞针。我们正在想办法给客户更多的指导，这样他们就能马上知道该关注什么，并开始寻找解决方案。”

从长远来看，Abrol说，下一个大项目可能来自团队的任何成员，并由他们领导。“我们不受资历的驱动。如果你有一个好主意，并且有信心能运行它，这才是最重要的。”

至于那个项目会是什么?指路明灯将保持不变:只要对客户最好就行。“没有人为的界限，”Abrol说。“当你看到需要做的事情时，你就和你需要交谈的人交谈，建造你需要建造的东西。这就是Pure的意义所在。”