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
CoreWeave发布AI对象存储服务,采用本地对象传输加速器(LOTA)技术,可在全球范围内高速传输对象数据,无出口费用或请求交易分层费用。该技术通过智能代理在每个GPU节点上加速数据传输,提供高达每GPU 7 GBps的吞吐量,可扩展至数十万个GPU。服务采用三层自动定价模式,为客户的AI工作负载降低超过75%的存储成本。
IDEA研究院等机构联合开发了ToG-3智能推理系统,通过多智能体协作和双重进化机制,让AI能像人类专家团队一样动态思考和学习。该系统在复杂推理任务上表现优异,能用较小模型达到卓越性能,为AI技术的普及应用开辟了新路径,在教育、医疗、商业决策等领域具有广阔应用前景。
谷歌DeepMind与核聚变初创公司CFS合作,运用先进AI模型帮助管理和改进即将发布的Sparc反应堆。DeepMind开发了名为Torax的专用软件来模拟等离子体,结合强化学习等AI技术寻找最佳核聚变控制方式。核聚变被视为清洁能源的圣杯,可提供几乎无限的零碳排放能源。谷歌已投资CFS并承诺购买其200兆瓦电力。
上海人工智能实验室提出SPARK框架,创新性地让AI模型在学习推理的同时学会自我评判,通过回收训练数据建立策略与奖励的协同进化机制。实验显示,该方法在数学推理、奖励评判和通用能力上分别提升9.7%、12.1%和1.5%,且训练成本仅为传统方法的一半,展现出强大的泛化能力和自我反思能力。