Tecton est une entreprise de logiciels d'entreprise qui développe une plateforme de feature store conçue pour les opérations de machine learning. La plateforme centralise la gestion, le calcul et le service des features - les variables d'entrée utilisées par les modèles de machine learning - à travers des sources de données à la fois par lots et en temps réel. Tecton vise à réduire la charge d'ingénierie nécessaire pour construire et maintenir des systèmes de ML de niveau production, permettant aux data scientists et aux ingénieurs de se concentrer sur le développement de modèles plutôt que sur la plomberie des données.
L'entreprise a été fondée en 2019 par une équipe d'ingénieurs qui avaient précédemment travaillé sur la plateforme ML Michelangelo d'Uber, notamment Mike Del Balso, Kevin Stumpf et Jeremy Hermann. Tecton est sortie de la clandestinité en 2020 avec un financement de série A de 20 millions de dollars mené par Andreessen Horowitz. L'entreprise a son siège à San Francisco, en Californie, et a levé des fonds supplémentaires au cours des années suivantes, notamment un tour de série B de 35 millions de dollars en 2021 et un tour de série C de 100 millions de dollars en 2022, portant sa valorisation totale à plus d'un milliard de dollars.
Fonctionnalités principales de la plateforme
La plateforme de Tecton fournit une interface unifiée pour définir, gérer et servir les features. Elle prend en charge à la fois les features par lots (calculées à partir de données historiques) et les features en streaming (calculées en temps réel à partir de flux d'événements). La plateforme comprend une API déclarative qui permet aux utilisateurs de définir des features en utilisant Python, avec une gestion automatique des transformations de données, des backfills et de la correction point-dans-le-temps. Tecton offre également une surveillance des features, un suivi de la lignée et un catalogue de features pour la découverte et la gouvernance.
La plateforme s'intègre avec l'infrastructure de données courante, y compris les entrepôts de données tels que Amazon Redshift et Google BigQuery, ainsi que des systèmes de streaming comme Apache Kafka. Pour le service, Tecton fournit un stockage en ligne à faible latence et des API qui peuvent être utilisées dans les pipelines d'inférence en production, souvent en conjonction avec des frameworks de machine learning et des outils de service de modèles.
Cas d'utilisation et applications
Tecton est utilisée par des organisations de divers secteurs, notamment les services financiers, le commerce électronique et la technologie. Les cas d'utilisation courants incluent la détection de fraude, les systèmes de recommandation, la personnalisation et la notation des risques en temps réel. Par exemple, une entreprise financière pourrait utiliser Tecton pour calculer des features telles que la vélocité des transactions ou les variations de solde de compte en temps réel, les intégrant dans un modèle de détection de fraude. La capacité de la plateforme à gérer à la fois les données historiques et en temps réel la rend adaptée aux applications qui nécessitent des définitions de features cohérentes entre l'entraînement et le service.
Paysage concurrentiel
Le marché des feature stores a grandi parallèlement à l'adoption plus large de l'intelligence artificielle en production. Tecton concurrence d'autres solutions de feature store, y compris des projets open-source comme Feast (qui a été co-créé par les fondateurs de Tecton) et des offres cloud-natives de grands fournisseurs. Amazon Web Services propose Amazon SageMaker Feature Store, tandis que Microsoft Azure et Google Cloud ont des capacités similaires dans leurs plateformes ML. Tecton se différencie par son accent sur la fiabilité de niveau entreprise, l'évolutivité et le support de cas d'utilisation complexes en temps réel.
Croissance et adoption de l'entreprise
En 2024, Tecton rapporte que sa plateforme est utilisée par des centaines d'entreprises, y compris plusieurs entreprises du Fortune 500. L'entreprise a élargi ses offres de produits avec des fonctionnalités comme Tecton AI, qui utilise des grands modèles de langage pour aider à l'ingénierie des features et à la génération de code. Tecton a également établi des partenariats avec les principaux fournisseurs de cloud et les entreprises d'infrastructure de données, se positionnant comme un composant clé de la pile ML moderne.
La croissance de l'entreprise reflète l'importance croissante de la gestion des features dans les systèmes ML de production. Alors que les organisations étendent leurs initiatives d'IA, le besoin d'une infrastructure robuste pour gérer le calcul, le stockage et le service des features est devenu critique. La plateforme de Tecton répond à ce besoin en fournissant un système centralisé qui garantit la cohérence entre l'entraînement et le service, réduisant le risque de décalage entre l'entraînement et le service et améliorant les performances des modèles.
Orientations futures
Tecton continue d'investir dans l'amélioration des capacités de sa plateforme, en particulier autour du traitement des données en temps réel et de l'intégration avec les technologies d'IA émergentes. L'entreprise explore des moyens d'exploiter l'IA générative pour automatiser la découverte et l'ingénierie des features, réduisant potentiellement l'effort manuel nécessaire pour construire des pipelines de features efficaces. De plus, Tecton étend son support pour les déploiements multi-cloud et hybrides, permettant aux clients d'exécuter la plateforme dans leur environnement d'infrastructure préféré.
À mesure que le domaine du machine learning évolue, les feature stores sont susceptibles de rester un composant critique de la pile d'infrastructure ML. L'accent de Tecton sur les besoins des entreprises et son équipe fondatrice expérimentée la positionnent bien pour continuer à croître dans cet espace.