Tecton.ai, das Startup, das von drei ehemaligen Uber-Ingenieuren gegründet wurde, die die Idee des Feature-Stores für maschinelles Lernen der Masse näher bringen wollten, kündigte heute eine Serie B im Wert von 35 Millionen US-Dollar an, nur sieben Monate nachdem sie ihre Serie A im Wert von 20 Millionen US-Dollar angekündigt hatten.

Als wir im April mit dem Unternehmen sprachen, arbeitete es mit frühen Kunden an einer Beta-Version des Produkts, aber heute kündigen sie neben der Finanzierung auch die allgemeine Verfügbarkeit der Plattform an.

Wie bei ihrer Serie A hat diese Runde Andreessen Horowitz und Sequoia Capital kehren zurück, um die Investition gemeinsam zu leiten. Das Unternehmen hat jetzt 60 Millionen US-Dollar gesammelt.

Der Grund, warum sich diese beiden Unternehmen so für Tecton engagieren, ist das spezifische Problem des maschinellen Lernens, das das Unternehmen zu lösen versucht. „Wir unterstützen Unternehmen dabei, maschinelles Lernen in die Produktion umzusetzen. Das ist das ganze Ziel unseres Unternehmens, jemandem beim Erstellen einer betriebsbereiten maschinellen Lernanwendung zu helfen, dh einer Anwendung, die sein Betrugssystem antreibt oder etwas Reales für ihn […] Dies erleichtert ihnen das Erstellen, Bereitstellen und Warten “, erklärte der CEO und Mitbegründer des Unternehmens, Mike Del Balso.

Sie tun dies, indem sie das Konzept eines Feature-Stores bereitstellen, eine Idee, die sie entwickelt haben und die zu einer Kategorie für maschinelles Lernen für sich selbst wird. Erst letzte Woche kündigte AWS den Sagemaker Feature Store an, den das Unternehmen als wichtige Bestätigung seiner Idee ansah.

Wie Tecton es definiert, ist ein Feature-Store ein End-to-End-Managementsystem für maschinelles Lernen, das die Pipelines enthält, um die Daten in sogenannte Feature-Werte umzuwandeln. Anschließend werden alle diese Feature-Daten gespeichert und verwaltet, und schließlich wird eine konsistente Funktion bereitgestellt Datensatz.

Del Balso sagt, dass dies Hand in Hand mit den anderen Schichten eines maschinellen Lernstapels funktioniert. „Wenn Sie eine Anwendung für maschinelles Lernen erstellen, verwenden Sie einen Stapel für maschinelles Lernen, der ein Modell-Trainingssystem, möglicherweise ein Modell-Serving-System oder eine Schicht vom Typ MLOps enthalten kann, die die gesamte Modellverwaltung übernimmt. Ein Feature-Store, der wir sind – und so sind wir ein End-to-End-Lebenszyklus für die Datenpipelines “, sagte er.

Mit so viel Geld hinter dem Unternehmen wächst es schnell und steigt von 17 auf 26 Mitarbeiter, seit wir im April darüber gesprochen haben, diese Zahl bis Ende nächsten Jahres mehr als zu verdoppeln. Del Balso sagt, er und seine Mitbegründer seien entschlossen, ein vielfältiges und integratives Unternehmen aufzubauen, aber er räumt ein, dass dies nicht einfach ist.

“Es ist tatsächlich etwas, bei dem wir eine primäre Rekrutierungsinitiative haben. Es ist sehr schwer und erfordert viel Mühe. Es ist nicht etwas, das man einfach als zweite Priorität festlegen und nicht ernst nehmen kann “, sagte er. Zu diesem Zweck hat das Unternehmen Diversity-Einstellungskonferenzen gesponsert und besucht und seine Rekrutierungsbemühungen darauf konzentriert, eine Vielzahl von Kandidaten zu finden, sagte er.

Im Gegensatz zu vielen Startups, mit denen wir gesprochen haben, möchte Del Balso zu einem Büro zurückkehren, sobald dies möglich ist, und dies als einen Weg sehen, persönlichere Verbindungen zwischen Mitarbeitern aufzubauen.