Tecton ist ein Enterprise-Softwareunternehmen, das eine Feature-Store-Plattform für Machine-Learning-Operationen entwickelt. Die Plattform zentralisiert die Verwaltung, Berechnung und Bereitstellung von Features - den Eingabevariablen, die von Machine-Learning-Modellen verwendet werden - über sowohl Batch- als auch Echtzeit-Datenquellen hinweg. Tecton zielt darauf ab, den technischen Aufwand zu reduzieren, der für den Aufbau und die Wartung produktionsreifer ML-Systeme erforderlich ist, sodass sich Dateningenieure und Datenwissenschaftler auf die Modellentwicklung konzentrieren können, anstatt auf die Dateninfrastruktur.
Das Unternehmen wurde 2019 von einem Team von Ingenieuren gegründet, die zuvor an Ubers Michelangelo-ML-Plattform gearbeitet hatten, darunter Mike Del Balso, Kevin Stumpf und Jeremy Hermann. Tecton trat 2020 aus dem Stealth-Modus mit 20 Millionen US-Dollar an Series-A-Finanzierung hervor, angeführt von Andreessen Horowitz. Das Unternehmen hat seinen Hauptsitz in San Francisco, Kalifornien, und hat in den folgenden Jahren zusätzliche Finanzierungen eingeworben, darunter eine Series-B-Runde über 35 Millionen US-Dollar im Jahr 2021 und eine Series-C-Runde über 100 Millionen US-Dollar im Jahr 2022, was die Gesamtbewertung auf über 1 Milliarde US-Dollar brachte.
Kernfunktionen der Plattform
Die Plattform von Tecton bietet eine einheitliche Schnittstelle zum Definieren, Verwalten und Bereitstellen von Features. Sie unterstützt sowohl Batch-Features (berechnet aus historischen Daten) als auch Streaming-Features (in Echtzeit aus Ereignisströmen berechnet). Die Plattform umfasst eine deklarative API, die es Benutzern ermöglicht, Features mit Python zu definieren, mit automatischer Handhabung von Datentransformationen, Backfills und Point-in-Time-Korrektheit. Tecton bietet außerdem Feature-Überwachung, Lineage-Verfolgung und einen Feature-Katalog für Entdeckung und Governance.
Die Plattform integriert sich in gängige Dateninfrastrukturen, einschließlich Data Warehouses wie Amazon Redshift und Google BigQuery sowie Streaming-Systeme wie Apache Kafka. Für die Bereitstellung bietet Tecton Online-Speicher mit geringer Latenz und APIs, die in Produktions-Inferenz-Pipelines verwendet werden können, oft in Verbindung mit Machine-Learning-Frameworks und Modellbereitstellungswerkzeugen.
Anwendungsfälle und Anwendungen
Tecton wird von Organisationen in verschiedenen Branchen eingesetzt, darunter Finanzdienstleistungen, E-Commerce und Technologie. Häufige Anwendungsfälle umfassen Betrugserkennung, Empfehlungssysteme, Personalisierung und Echtzeit-Risikobewertung. Beispielsweise könnte ein Finanzunternehmen Tecton verwenden, um Features wie Transaktionsgeschwindigkeit oder Kontostandsänderungen in Echtzeit zu berechnen und diese in ein Betrugserkennungsmodell einzuspeisen. Die Fähigkeit der Plattform, sowohl historische als auch Echtzeitdaten zu verarbeiten, macht sie für Anwendungen geeignet, die konsistente Feature-Definitionen über Training und Bereitstellung hinweg erfordern.
Wettbewerbsumfeld
Der Feature-Store-Markt ist mit der breiteren Einführung von künstlicher Intelligenz in der Produktion gewachsen. Tecton konkurriert mit anderen Feature-Store-Lösungen, darunter Open-Source-Projekte wie Feast (das von Tectons Gründern mitentwickelt wurde) und Cloud-native Angebote großer Anbieter. Amazon Web Services bietet Amazon SageMaker Feature Store an, während Microsoft Azure und Google Cloud ähnliche Funktionen in ihren ML-Plattformen haben. Tecton differenziert sich durch seinen Fokus auf Enterprise-Zuverlässigkeit, Skalierbarkeit und Unterstützung für komplexe Echtzeit-Anwendungsfälle.
Unternehmenswachstum und Adoption
Stand 2024 berichtet Tecton, dass seine Plattform von Hunderten von Unternehmen genutzt wird, darunter mehrere Fortune-500-Firmen. Das Unternehmen hat sein Produktangebot um Funktionen wie Tecton AI erweitert, das große Sprachmodelle verwendet, um bei der Feature-Entwicklung und Codegenerierung zu helfen. Tecton hat außerdem Partnerschaften mit großen Cloud-Anbietern und Dateninfrastrukturunternehmen aufgebaut und positioniert sich als Schlüsselkomponente im modernen ML-Stack.
Das Wachstum des Unternehmens spiegelt die zunehmende Bedeutung des Feature-Managements in produktionsreifen ML-Systemen wider. Da Organisationen ihre KI-Initiativen skalieren, ist der Bedarf an robuster Infrastruktur für die Feature-Berechnung, -Speicherung und -Bereitstellung kritisch geworden. Die Plattform von Tecton adressiert diesen Bedarf, indem sie ein zentralisiertes System bereitstellt, das Konsistenz zwischen Training und Bereitstellung gewährleistet, das Risiko von Training-Serving-Skew reduziert und die Modellleistung verbessert.
Zukünftige Richtungen
Tecton investiert weiterhin in die Verbesserung der Plattformfunktionen, insbesondere im Bereich der Echtzeit-Datenverarbeitung und der Integration mit aufkommenden KI-Technologien. Das Unternehmen erforscht Wege, generative KI zu nutzen, um die Feature-Entdeckung und -Entwicklung zu automatisieren, was möglicherweise den manuellen Aufwand für den Aufbau effektiver Feature-Pipelines reduziert. Darüber hinaus erweitert Tecton seine Unterstützung für Multi-Cloud- und Hybrid-Bereitstellungen, sodass Kunden die Plattform in ihrer bevorzugten Infrastrukturumgebung ausführen können.
Da sich das Feld des maschinellen Lernens weiterentwickelt, werden Feature-Stores wahrscheinlich eine kritische Komponente des ML-Infrastruktur-Stacks bleiben. Tectons Fokus auf Enterprise-Bedürfnisse und sein erfahrenes Gründungsteam positionieren das Unternehmen gut, um in diesem Bereich weiter zu wachsen.