Tecton hæver $100 mio., hvilket beviser, at MLOps-markedet stadig er relevant – TechCrunch

Advertisement

Maskinlæring kan give virksomheder en konkurrencefordel ved at bruge de data, de indsamler – såsom indkøbsmønstre – til at generere forudsigelser, der hjælper med at forbedre produktrentabiliteten (såsom e-handelsanbefalinger). Men det er svært for enhver medarbejder at følge med, meget mindre styre de enorme mængder data, der genereres. Dette udgør et problem, da AI-systemer har en tendens til at producere overlegne forudsigelser, når de får de mest opdaterede data. Systemer, der ikke regelmæssigt genoptræner på nye data, risikerer med tiden at blive forældede og mindre præcise.

Heldigvis lover et nyt sæt metoder, kaldet “MLOP’er”, at forenkle processen med at tilføre data til systemer ved at abstrahere kompleksiteterne. En af hendes støtter er Mike Del Balso, CEO tekton. Del Balso var med til at stifte Tecton, mens han var hos Uber, da virksomheden kæmpede for at skabe og implementere nye machine learning-modeller.

“Modeller udstyret med meget nøjagtige realtidsfunktioner kan lave meget mere præcise forudsigelser. Men at bygge datapipelines for at bygge disse funktioner er vanskeligt, kræver en betydelig mængde dataforskere og kan tilføje uger eller måneder til projekttidslinjer,” fortalte Del Balso TechCrunch via e-mail.

Del Balso, der tidligere ledede søgeannoncemaskinlæringsteamene hos Google, lancerede Tecton i 2019 med Jeremy Hermann og Kevin Stumpf, to tidligere Uber-kolleger. Mens de var hos Uber, skabte trioen Michelangelo, en kunstig intelligens-platform, som Uber brugte internt til at generere markedsprognoser, beregne forventede ankomsttider og automatisk opdage svindel, blandt andre brugssager.

Michelangelos succes inspirerede Del Balso, Herman og Stumpf til at skabe en kommerciel version af teknologien, som blev kendt som Tecton. Investorer fulgte trop. For eksempel meddelte Tecton i dag, at det har rejst $100 millioner i en serie C-runde, hvilket bringer virksomhedens samlede fundraising op på $160 millioner. Tranchen blev ledet af Kleiner Perkins med bidrag fra Databricks, Snowflake, Andreessen Horowitz, Sequoia Capital, Bain Capital Ventures og Tiger Global. Del Balso siger, at det vil blive brugt til at skalere Tectons ingeniør- og marketingteams.

“Vi forventer, at den software, vi bruger i dag, er yderst personlig og intelligent,” sagde Kleiner Perkins-partner Bucky Moore i en erklæring til TechCrunch. “Mens maskinlæring gør dette muligt, er det stadig langt fra virkeligheden, da det er uoverkommeligt svært for alle undtagen de mest avancerede virksomheder at bygge den understøttende infrastruktur. Tecton gør denne infrastruktur tilgængelig for ethvert team, hvilket gør dem i stand til at bygge maskinlæringsapplikationer hurtigere.”

tekton

Tecton Dashboard. Billedkreditering: tekton

På et højt niveau automatiserer Tecton processen med at bygge funktioner ved hjælp af realtidsdatakilder. “Funktioner” i maskinlæring er individuelle uafhængige variabler, der fungerer som input til et AI-system. Systemer bruger funktioner til at lave deres forudsigelser.

“[Automation,] giver virksomheder mulighed for at implementere real-time machine learning-modeller meget hurtigere med mindre databehandlingsindsats,” sagde Del Balso. “Det giver også virksomheder mulighed for at generere mere præcise prognoser. Dette kan igen have en direkte indvirkning på bundlinjen, for eksempel ved at forbedre afsløringen af ​​svindel eller give bedre produktanbefalinger.”

Ud over at organisere datapipelines kan Tecton gemme funktionsværdier i AI-trænings- og implementeringsmiljøer. Platformen kan også spore datapipelines ved at beregne latens og behandlingsomkostninger og udtrække historiske funktioner for at træne systemer i et produktionsmiljø.

Tecton er også vært for en open source-funktionsbutiksplatform, Ferie, som ikke kræver dedikeret infrastruktur. I stedet genbruger Feast eksisterende cloud- eller on-premises hardware og starter nye ressourcer op efter behov.

“Tectons typiske use cases er maskinlæringsapplikationer, der drager fordel af realtidsslutning. Nogle eksempler inkluderer opdagelse af svindel, anbefalingssystemer, søgning, tegning, personalisering og priser i realtid,” sagde Del Balso. “Mange af disse maskinlæringsmodeller klarer sig meget bedre, når de laver forudsigelser i realtid ved hjælp af realtidsdata. For eksempel er svindeldetektionsmodeller væsentligt mere præcise, når der bruges data om brugeradfærd fra få sekunder før, såsom antallet, størrelsen og geografiske placering af transaktioner.”

Ifølge Kognitiv videnskabDet globale MLOps-platformmarked vil være 4 milliarder dollar værd i 2025 – op fra 350 millioner dollars i 2019. Tecton er ikke den eneste startup, der jagter det. Rivalerne inkluderer komet, Vægte og skævheder, iterativ, InfuseAI, Arricto såvel som Sammenhængende nævne nogle få. På markedet for kunstforsyninger konkurrerer Tecton med Ejendommelighed såvel som Molekylesamt mere kendte mærker som f.eks SplejsGoogle og AWS.

Del Balso nævner flere ting Tecton gør godt, såsom strategiske partnerskaber og integrationer med Databricks, Snowflake og Redis. Tecton har hundredvis af aktive brugere – ikke et ord om kunder udover det faktum, at basen er femdoblet i det sidste år – og Del Balso sagde, at bruttomarginerne (nettosalg minus vareomkostninger) er over 80%. Den årlige tilbagevendende indkomst ser ud til at være tredoblet fra 2021 til 2022, men Del Balso afviste at give nøjagtige tal.

“Vi er stadig i begyndelsen af ​​MLOps-rejsen. Det er en vanskelig overgang for virksomhederne. Deres datavidenskabsteam skal fungere som dataingeniører og begynde at bygge produktionskvalitetskode. De har brug for et helt sæt nye værktøjer til at understøtte denne overgang, og de skal integrere disse værktøjer i konsistente maskinlæringsplatforme. Økosystemet af MLOps-værktøjer er stadig meget fragmenteret, hvilket gør det vanskeligt for virksomheder at bygge disse maskinlæringsplatforme,” sagde Del Balso. “Pandemien har fremskyndet overgangen til digitale oplevelser, og med den vigtigheden af ​​at implementere operationel maskinlæring til at understøtte disse oplevelser. Vi mener, at pandemien har fremskyndet adoptionen af ​​nye MLOps-værktøjer, herunder feature repositories og feature platforme.”

Med base i San Francisco har Tecton i øjeblikket 80 ansatte. Virksomheden planlægger at ansætte omkring 20 personer i løbet af de næste seks måneder.

Add Comment