机器学习可以通过使用他们收集的数据（例如，购买模式）为公司提供竞争优势，以生成为创收产品提供动力的预测（例如电子商务推荐）。但任何一名员工都很难跟上——更不用说管理——正在创建的海量数据。这带来了一个问题，因为人工智能系统在提供最新数据时往往会提供出色的预测。没有定期对新数据进行再培训的系统可能会随着时间的推移变得“陈旧”且准确性降低。
幸运的是，一组被称为“MLOps”的新兴实践承诺通过抽象出复杂性来简化向系统提供数据的过程。它的支持者之一是Tecton的首席执行官 Mike Del Balso。 Del Balso 在优步 (Uber) 努力构建和部署新的机器学习模型时与他人共同创立了 Tecton。
“具有高度精确的实时功能的模型可以提供更准确的预测。但是构建数据管道来生成这些特性很困难，需要大量的数据工程人力，并且可能会增加数周或数月的项目交付时间，”Del Balso 在电子邮件采访中告诉 TechCrunch。
Del Balso 曾在 Google 领导搜索广告机器学习团队，他于 2019 年与两位前 Uber 同事 Jeremy Hermann 和 Kevin Stumpf 共同推出了 Tecton。在 Uber 工作期间，这三人创建了 Michelangelo，这是一个 Uber 内部用于生成市场预测、计算 ETA 和自动化欺诈检测等用例的人工智能平台。
米开朗基罗的成功启发了 Del Balso、Hermann 和 Stumpf 创造了该技术的商业版本，即 Tecton。投资者纷纷效仿。例如，Tecton 今天宣布它在 C 轮融资中筹集了 1 亿美元，使公司的总融资额达到 1.6 亿美元。该部分由 Kleiner Perkins 牵头，Databricks、Snowflake、Andreessen Horowitz、Sequoia Capital、Bain Capital Ventures 和 Tiger Global 参与。 Del Balso 表示，它将用于扩展 Tecton 的工程和上市团队。
“我们希望我们今天使用的软件能够高度个性化和智能化，”Kleiner Perkins 的合伙人 Bucky Moore 在提供给 TechCrunch 的一份声明中说。 “虽然机器学习使这成为可能，但它仍然远离现实，因为除了最先进的公司之外，为所有公司构建支持基础设施都非常困难。 Tecton 使任何团队都可以访问此基础架构，使他们能够更快地构建机器学习应用程序。”
Tecton 的监控仪表板。图片来源：构造
在高层次上，Tecton 使用实时数据源自动化构建功能的过程。机器学习中的“特征”是独立的独立变量，就像人工智能系统中的输入一样。系统使用特征进行预测。
“[自动化] 允许公司以更少的数据工程工作更快地部署实时机器学习模型，”Del Balso 说。 “它还使公司能够产生更准确的预测。这反过来可以直接转化为底线，例如通过提高欺诈检测率或提供更好的产品推荐。”
除了编排数据管道之外，Tecton 还可以跨 AI 系统训练和部署环境存储特征值。该平台还可以监控数据管道，计算延迟和处理成本，并检索历史特征以在生产中训练系统。
Tecton 还托管了一个不需要专用基础架构的开源功能存储平台Feast 。 Feast 而是重用现有的云或本地硬件，在需要时启动新资源。
“Tecton 的典型用例是受益于实时推理的机器学习应用程序。一些例子包括欺诈检测、推荐系统、搜索、承保、个性化和实时定价，”Del Balso 说。 “在使用实时数据进行实时预测时，许多机器学习模型的性能要好得多。例如，当使用几秒钟前的用户行为数据时，欺诈检测模型的准确度要高得多，例如交易的数量、规模和地理位置。”
据Cognilytica 称，到 2025 年，MLOps 平台的全球市场价值将达到 40 亿美元，高于 2019 年的 3.5 亿美元。Tecton 并不是唯一一家追逐它的初创公司。竞争对手包括Comet 、 Weights & Biases、 Iterative 、 InfuseAI 、 Arrikto和Continual等等。在功能商店方面，Tecton 与Rasgo和Molecula以及Splice 、Google 和 AWS 等更成熟的品牌竞争。
Del B 还指出了对 Tecton 有利的几点，例如战略合作伙伴关系以及与 Databricks、Snowflake 和 Redis 的集成。 Tecton 拥有数百名活跃用户——除了基数在过去一年翻了五倍之外，没有任何关于客户的消息——德尔巴也表示，毛利率（净销售额减去销售成本）超过 80%。从 2021 年到 2022 年，年度经常性收入显然增长了两倍，但德尔巴也拒绝提供确切的数字。
“我们仍处于 MLOps 的早期阶段。这对企业来说是一个艰难的过渡。他们的数据科学家团队必须表现得更像数据工程师，并开始构建生产质量的代码。他们需要一整套新工具来支持这种转变，并且他们需要将这些工具集成到连贯的机器学习平台中。 MLOps 工具的生态系统仍然高度分散，这使得企业构建这些机器学习平台变得更加困难，”Del Balso 说。 “大流行加速了向数字体验的过渡，因此部署可操作的机器学习来支持这些体验的重要性。我们认为，大流行是采用新的 MLOps 工具的加速器，包括功能商店和功能平台。”
总部位于旧金山的 Tecton 目前拥有 80 名员工。该公司计划在未来六个月内招聘约 20 名员工。
原文： https://techcrunch.com/2022/07/12/tecton-raises-100m-proving-that-the-mlops-market-is-still-hot/