Maskininlärning kan ge företag en konkurrensfördel genom att använda den data de samlar in – till exempel köpmönster – för att skapa prognoser som driver lönsamma produkter (t.ex. e-handelsrekommendationer). Men det är svårt för varje enskild anställd att hålla jämna steg – än mindre hantera – de enorma mängder data som genereras. Detta är ett problem med tanke på att AI-system tenderar att ge utmärkta prognoser när de tillhandahåller uppdaterad data. System som inte genomgår regelbunden utbildning om ny data riskerar att bli “inaktuella” och mindre exakta med tiden.
Lyckligtvis lovar ett utvecklande system av metoder som kallas “MLOps” att förenkla processen att mata in data i system genom att förenkla komplexiteten. En av hans supportrar är Mike Del Belso, VD för Tecton. Del Belso grundade Tecton på Uber då företaget kämpade för att bygga och distribuera nya maskininlärningsmodeller.
“Modeller som kommer med mycket förfinade funktioner i realtid kan ge mycket mer exakta prognoser. Men att bygga datapipelines för att skapa dessa funktioner är svårt, kräver betydande arbetskraft inom datateknik och kan lägga till veckor eller månader till projektens leveranstider,” sa Del Balso i en intervju Till TechCrunch via e-post.
Del Belso – som tidigare lett beräkningsutbildningsteam på Googles sökannonser – lanserade Tecton 2019 med Jeremy Herman och Kevin Stampf, två tidigare Uber-kollegor. Under Uber skapade trion Michelangelo, en plattform för artificiell intelligens som Uber använde internt för att skapa marknadsprognoser, beräkna ETA och automatisera bedrägeriupptäckt, bland annat.
Michelangelos framgång inspirerade Del Balso, Herman och Stompf att skapa en kommersiell version av tekniken, som blev Tecton. Investerare följde efter. Till exempel meddelade Tecton idag att de har samlat in 100 miljoner dollar i C-serien, vilket ger företagets totala insamling till 160 miljoner dollar. Aktien leddes av Kleiner Perkins med Databricks, Snowflake, Andreessen Horowitz, Sequoia Capital, Bain Capital Ventures och Tiger Global i huvudrollerna. Del Belso säger att det kommer att användas för att utöka Tectons ingenjörs- och marknadsföringsteam.
“Vi förväntar oss att programvaran vi använder idag är mycket anpassad och intelligent”, säger Becky Moore, en partner på Kleiner Perkins, i ett uttalande till TechCrunch. “Även om maskininlärning tillåter det, är det fortfarande långt ifrån verkligheten eftersom den möjliggörande infrastrukturen är mycket svår att bygga för alla företag utom de mest avancerade företagen. Tecton gör denna infrastruktur tillgänglig för alla lag, vilket gör att de kan bygga applikationer för maskininlärning snabbare.”
Tecton Monitoring Dashboard. Fotokredit: Tecton
På hög nivå automatiserar Tecton processen att bygga funktioner med hjälp av datakällor i realtid. “Attribut”, i maskininlärning, är individuella oberoende variabler som fungerar som input i ett AI-system. System använder funktioner för att göra förutsägelser.
“[Automation,] Det gör det möjligt för företag att implementera maskininlärningsmodeller i realtid mycket snabbare med mindre ansträngning inom datateknik, “sade Del Belso.” Det tillåter också företag att producera mer exakta prognoser. Detta kan i sin tur översättas direkt till slutresultatet, till exempel genom att öka antalet upptäckter av bedrägerier eller ge bättre produktrekommendationer.”
Förutom datapipeline-orkestern kan Tecton lagra funktionsvärden i alla AI-systemtränings- och distributionsmiljöer. Plattformen kan också övervaka datapipelines, beräkna latens- och bearbetningskostnader och hämta historiska funktioner för att träna system i produktion.
Tecton är också värd för en butiksplattform för öppen källkod, Semester, Det kräver ingen dedikerad infrastruktur. Feast återanvänder istället befintligt moln eller lokal hårdvara och skapar nya resurser när det behövs.
“Typiska användningsfall för Tecton är maskininlärningsapplikationer som drar nytta av att dra slutsatser i realtid. Några exempel inkluderar bedrägeriupptäckt, rekommendationssystem, sökning, emissionsgarantier, anpassning och prissättning i realtid,” sa Del Belso. Många av dessa maskininlärningsmodeller presterar mycket bättre när de gör prognoser i realtid med hjälp av realtidsdata. Till exempel är modeller för upptäckt av bedrägerier betydligt mer exakta när man använder data från användarbeteende från bara några sekunder tidigare, som antal, storlek, och plats. Geografiska transaktioner.”
enligt Kognitiva antibiotika, Den globala marknaden för MLOps-plattformar kommer att vara värd 4 miljarder USD 2025 – jämfört med 350 miljoner USD 2019. Tecton är inte den enda nystartade företaget. Motståndare inkluderar Komet, Vikter och fördomar, Iterativ, InfunderaAI, Arricato och ständig För att nämna några. Framför featurebutiken tävlar Tecton attribut och MolekylSamt mer etablerade varumärken som splitsaGoogle och AWS.
Del Belso pekar på flera punkter till förmån för tektonik, såsom strategiska partnerskap och integrationer med Databricks, Snowflake och Redis. Tecton har hundratals aktiva användare – inga ord om kunder, förutom det faktum att basen har fyrdubblats under det senaste året – och Del Belso sa att bruttolönsamheten (nettoförsäljningen minus kostnaden för sålda varor) är över 80%. Årliga återkommande intäkter ökade tydligen från 2021 till 2022, men Del Belso vägrade att ge solida siffror.
“Vi är fortfarande i de tidiga omgångarna av MLOs. Det här är en svår övergång för organisationer. Deras team av dataforskare måste bete sig mer som dataingenjörer och börja bygga produktionskvalitetskod. De behöver en hel uppsättning nya verktyg för att stödja denna övergång , och de måste integrera dessa verktyg i inlärningsplattformar. “Koherensmaskin. MLOps-verktygets ekosystem är fortfarande mycket fragmenterat, vilket gör det svårt för organisationer att bygga dessa maskininlärningsplattformar”, säger Del Belso. “Epidemin påskyndade övergången till digitala upplevelser, och samtidigt vikten av att distribuera en operativ ML för att möjliggöra dessa upplevelser. Vi tror att epidemin var en accelerator för antagandet av nya MLOps-verktyg, inklusive funktionsbutiker och funktionsplattformar.”
San Francisco-baserade Tecton har för närvarande 80 anställda. Företaget planerar att samla in cirka 20 under de kommande sex månaderna.