数据协作平台初创公司 Prophecy Inc. 今日宣布完成 4700 万美元 B 轮融资扩展。该公司致力于通过生成式人工智能改变企业访问和处理企业数据的方式。
本轮融资由 Smith Point Capital 领投,新投资方 HSBC 以及现有投资方 Berkeley SkyDeck、DallasVC、Insight Partners、JPMorgan Chase 和 SignalFire 共同参与。
这家初创公司开发了据信是首个面向 Databricks 的协作工具,利用生成式 AI 简化和优化原始业务数据,以供 AI 应用和分析工作负载使用。
Prophecy 的协作工具让用户可以轻松访问企业的结构化和非结构化数据,无论数据位于云端还是本地服务器。它通过 AI 驱动的可视化设计工具,快速生成标准化和开放的代码来提取、转换和传递信息(即 ETL 过程),将数据从源位置传输到目标位置。换句话说,它自动创建所需的数据管道和测试,以在不同计算系统间移动数据。
该工具还可以生成文档,并能为现有数据管道的代码错误提供修复建议,从而实现现代化和整合。
在去年接受 SiliconANGLE Media 移动直播工作室 theCUBE 采访时,Prophecy 创始人兼首席执行官 Raj Bains 解释说,他的公司提供工具层,使数据工程师、数据分析师和业务用户的工作效率更高。
"数据分析师只需使用可视化拖放和生成式 AI,说'为我构建一个执行这个功能的管道',我们就能为他们构建,"Bains 解释道,"这在 Databricks 原生代码上大规模运行。"
该公司表示,由于各地企业都在加速推进 AI 计划,业务发展迅猛。AI 应用需要访问海量数据,因此 Prophecy 的协作工具正成为这一趋势的关键推动力。在过去一个完整年度中,Prophecy 的收入增长超过 3.5 倍,现有客户群的净收入留存率达到 160%。
其竞争对手包括 Alteryx Inc. 和 Informatica Inc. 等知名科技公司。客户包括德克萨斯游骑兵职业棒球队,该队利用 Databricks 平台和 Prophecy 为数亿条历史数据记录构建管道。客户们热切拥抱这款协作工具,因为能够从分散系统中检索和整合数据的工程师越来越稀缺,而手动构建数据管道可能需要数月时间。Prophecy 声称可以在几分钟内完成这项工作,其吸引力不言而喻。
此外,Prophecy 还有助于简化现代数据环境与传统 ETL 和数据工程工具的集成,这些工具是为传统数据仓库和本地部署而构建的,而非当今的云原生数据环境。
国际数据公司 (IDC) 在 2024 年的一份报告中指出:"传统数据工程工具在现代数据环境中表现不佳。现代数据工程师需要无代码和代码友好的技术,因为数据集成和转换现在发生在所有组织层面,包括 IT 和业务线。"
Bains 表示,一些客户在数据集成工作上面临 12 个月的积压,导致紧急 AI 项目的部署延迟。
"Prophecy 的整体方法将可视化设计、代码和 AI 结合在一起,在同一平台上为数据工程师和分析师服务,实现最大程度的团队协作和生产力,"他说,"这笔新投资将加速我们的发展路线图,并已经帮助我们扩大规模,以在 2025 年服务更多客户。"
Smith Point Capital 联合创始人兼董事总经理 Burke Norton 表示,Prophecy 从根本上改变了企业对数据转换的思维方式。
"通过实现数据能力和访问的民主化,Prophecy 正在解决企业数据团队面临的数十亿美元生产力挑战。这些团队通常将 80% 的时间用于准备分析和 AI 所需的数据,而不是实施它们,"他说。
好文章,需要你的鼓励
在Cloudera的“价值观”中,企业智能化的根基可以被概括为两个字:“源”与“治”——让数据有源,智能可治。
苏州大学研究团队提出"语境降噪训练"新方法,通过"综合梯度分数"识别长文本中的关键信息,在训练时强化重要内容、抑制干扰噪音。该技术让80亿参数的开源模型在长文本任务上达到GPT-4o水平,训练效率比传统方法高出40多倍。研究解决了AI处理长文档时容易被无关信息干扰的核心问题,为文档分析、法律研究等应用提供重要突破。
微软正式确认配置管理器将转为年度发布模式,并将Intune作为主要创新重点。该变化将于2026年秋季生效,在此之前还有几个版本发布。微软表示此举是为了与Windows客户端安全和稳定性节奏保持一致,优先确保安全可靠的用户体验。配置管理器将专注于安全性、稳定性和长期支持,而所有新功能创新都将在云端的Intune中进行。
清华大学团队首次揭示了困扰AI训练领域超过两年的"幽灵故障"根本原因:Flash Attention在BF16精度下训练时会因数字舍入偏差与低秩矩阵结构的交互作用导致训练崩溃。研究团队通过深入分析发现问题源于注意力权重为1时的系统性舍入误差累积,并提出了动态最大值调整的解决方案,成功稳定了训练过程。这项研究不仅解决了实际工程问题,更为分析类似数值稳定性挑战提供了重要方法论。