机器学习可通过分析企业数据（如购买模式）生成预测，驱动电商推荐等创收产品，从而构建竞争优势。然而，海量数据的产生速度远超人工管理能力，若AI系统无法及时获取最新数据进行重训练，其预测准确性将随时间推移而下降。
“MLOps”这一新兴实践旨在通过抽象化复杂性来简化数据输入流程。Tecton CEO Mike Del Balso是该领域的倡导者之一，他在Uber任职期间联合创立了Tecton，以解决新机器学习模型构建与部署的难题。
Del Balso在TechCrunch邮件采访中表示：“为模型提供高度优化的实时特征可提升预测准确性，但构建相应的数据管道极为困难，不仅消耗大量数据工程人力，还可能将项目交付周期延长数周甚至数月。”
此前曾在Google领导搜索广告机器学习团队的Del Balso，于2019年与前Uber同事Jeremy Hermann和Kevin Stumpf共同推出Tecton。三人在Uber期间曾创建内部AI平台Michelangelo，用于市场预测、预计到达时间（ETA）计算及欺诈检测自动化等场景。
Michelangelo的成功促使团队打造商业化版本Tecton，并获得资本青睐。今日，Tecton宣布完成1亿美元C轮融资，总融资额达1.6亿美元。本轮由Kleiner Perkins领投，Databricks、Snowflake、Andreessen Horowitz、Sequoia Capital、Bain Capital Ventures及Tiger Global参投。资金将主要用于扩充工程与销售团队。
Kleiner Perkins合伙人Bucky Moore表示：“用户期望软件具备高度个性化与智能性，尽管机器学习使这成为可能，但因基础设施门槛过高，多数企业难以实现。Tecton让各类团队都能便捷使用该基础设施，加速机器学习应用构建。”
从宏观层面看，Tecton实现了基于实时数据源的特征构建自动化。“特征”指机器学习中作为AI输入的独立变量，系统借此进行预测。
Del Balso指出：“自动化减少了数据工程工作量，加快实时机器学习模型的部署速度，并提升预测精度。这可直接转化为利润增长，例如提高欺诈检测率或优化产品推荐效果。”
除编排数据管道外，Tecton还支持跨AI系统存储训练与部署环境的特征值，监控数据管道的延迟与处理成本，并检索历史特征用于生产环境中的系统训练。
Tecton还托管开源特征存储平台Feast，无需专用基础设施，可复用现有云或本地硬件，并按需启动新资源。
Del Balso表示：“Tecton典型用例包括受益于实时推理的机器学习应用，如欺诈检测、推荐系统、搜索、承保、个性化及实时定价。使用实时数据时，这些模型表现更优。例如，结合几秒前用户交易数量、金额及地理位置等行为数据，欺诈检测模型的准确性显著提升。”
Cognilytica数据显示，全球MLOps平台市场规模预计2025年达40亿美元，远高于2019年的3.5亿美元。Tecton面临Comet、Weights & Biases、Iterative、InfuseAI、Arrikto和Continual等初创公司竞争；在特征存储领域，则与Rasgo、Molecula以及Google、AWS等成熟厂商角逐。
Del Balso强调Tecton的优势在于与Databricks、Snowflake和Redis的战略集成。公司拥有数百名活跃用户，基础用户量过去一年翻倍，毛利率超80%。年度经常性收入在2021至2022年间增长三倍，但具体数字未披露。
MLOps在此处加速企业AI的采用
Del Balso称：“MLOps仍处于早期阶段，企业转型艰难。数据科学家需兼具数据工程师能力，编写生产级代码，并依赖全新工具集整合成连贯的ML平台。当前MLOps生态高度碎片化，增加了平台建设难度。疫情加速了数字化体验转型，也凸显了运营型ML的重要性，进而推动了特征存储等平台工具的采用。”
总部位于旧金山的Tecton现有员工80人，计划未来六个月内新增约20个岗位。