機械学習は、企業が収集するデータ（例えば、購買パターン）を用いて予測を生成し、収益を生み出す製品（例えば、eコマースのレコメンデーション）の強化につなげることで、競争優位性をもたらします。しかし、膨大な量のデータに従業員一人が対応するのは困難であり、ましてや管理するのは至難の業です。AIシステムは最新のデータを提供すると優れた予測結果を出す傾向があるため、これは大きな問題です。新しいデータで定期的に再学習されないシステムは、時間の経過とともに「古くなり」、精度が低下するリスクがあります。
幸いなことに、「MLOps」と呼ばれる新しい手法は、複雑さを抽象化することで、システムへのデータフィードプロセスを簡素化することを約束しています。その提唱者の一人が、TectonのCEOであるマイク・デル・バルソ氏です。デル・バルソ氏は、Uber在籍中にTectonを共同設立しました。当時、同社は新しい機械学習モデルの構築と展開に苦戦していました。
「高度に洗練されたリアルタイム機能を備えたモデルは、はるかに正確な予測を提供できます。しかし、これらの機能を生成するためのデータパイプラインの構築は困難で、データエンジニアリングに多大な人員が必要となり、プロジェクトの納期が数週間から数ヶ月延びる可能性があります」とデル・バルソ氏はTechCrunchのメールインタビューで語った。
デル・バルソ氏は、以前Googleで検索広告の機械学習チームを率いており、2019年に元Uberの同僚であるジェレミー・ハーマン氏とケビン・スタンフ氏と共にTectonを共同設立しました。Uber在籍中、3人はMichelangeloというAIプラットフォームを開発し、Uber社内で市場予測の生成、到着予定時刻の計算、不正行為の自動検出など、様々なユースケースに活用していました。
ミケランジェロの成功に触発されたデル・バルソ氏、ヘルマン氏、そしてスタンフ氏は、この技術の商用版を開発し、Tectonを設立しました。投資家たちもそれに追随しました。その好例が、Tectonが本日シリーズCラウンドで1億ドルを調達したことを発表しました。これにより、同社の累計調達額は1億6000万ドルに達しました。この資金調達はKleiner Perkinsが主導し、Databricks、Snowflake、Andreessen Horowitz、Sequoia Capital、Bain Capital Ventures、Tiger Globalが参加しました。デル・バルソ氏によると、この資金はTectonのエンジニアリングチームと市場開拓チームの規模拡大に活用される予定です。
「私たちは、今日私たちが使用しているソフトウェアが高度にパーソナライズされ、インテリジェントになることを期待しています」と、Kleiner Perkinsのパートナーであるバッキー・ムーア氏はTechCrunchへの声明で述べています。「機械学習はこれを可能にしますが、実現に必要なインフラの構築は、最先端企業以外にとっては非常に困難であるため、まだ実現には程遠い状況です。Tectonは、あらゆるチームがこのインフラにアクセスできるようにすることで、機械学習アプリをより迅速に構築できるようにします。」
Tectonは、リアルタイムのデータソースを用いて特徴量を構築するプロセスを自動化します。機械学習における「特徴量」とは、AIシステムへの入力として機能する個々の独立変数です。システムは特徴量を用いて予測を行います。
テッククランチイベント
サンフランシスコ | 2025年10月27日～29日
「[自動化により]企業はデータエンジニアリングの労力を削減し、リアルタイムの機械学習モデルをより迅速に導入できるようになります」とデル・バルソ氏は述べています。「また、より正確な予測を生成することも可能になります。これは、例えば不正検出率の向上や、より優れた製品推奨の提供など、収益に直接つながります。」
Tectonは、データパイプラインのオーケストレーションに加え、AIシステムのトレーニング環境とデプロイメント環境全体にわたって特徴値を保存できます。また、データパイプラインを監視し、レイテンシと処理コストを計算し、過去の特徴量を取得して本番環境でシステムをトレーニングすることもできます。
Tectonは、専用のインフラストラクチャを必要としないオープンソースの機能ストアプラットフォームであるFeastもホストしています。Feastは既存のクラウドまたはオンプレミスのハードウェアを再利用し、必要に応じて新しいリソースを起動します。
「Tectonの典型的なユースケースは、リアルタイム推論の恩恵を受ける機械学習アプリケーションです。例としては、不正検出、レコメンデーションシステム、検索、引受審査、パーソナライゼーション、リアルタイムプライシングなどが挙げられます」とデル・バルソ氏は述べています。「これらの機械学習モデルの多くは、リアルタイムデータを用いてリアルタイムで予測を行うことで、はるかに優れたパフォーマンスを発揮します。例えば、不正検出モデルは、取引件数、規模、地理的位置など、わずか数秒前のユーザー行動に関するデータを使用することで、大幅に精度が向上します。」
Cognilyticaによると、MLOpsプラットフォームの世界市場は2019年の3億5000万ドルから2025年までに40億ドル規模に拡大すると予想されています。Tectonは、この市場を追う唯一のスタートアップではありません。ライバルには、Comet、Weights & Biases、Iterative、InfuseAI、Arrikto、Continualなどが挙げられます。機能ストアの分野では、TectonはRasgoやMoleculaに加え、GoogleやAWSといったより確立されたブランドとも競合しています。
デルバルソ氏は、Tectonの強みとして、Databricks、Snowflake、Redisとの戦略的提携や統合を挙げています。Tectonには数百人のアクティブユーザーがいますが、顧客数は過去1年間で5倍に増加したという事実以外、詳細は公表されていません。デルバルソ氏によると、粗利益率（純売上高から売上原価を差し引いた値）は80%を超えています。年間経常収益は2021年から2022年にかけて3倍に増加したとされていますが、デルバルソ氏は具体的な数字を明らかにしませんでした。
MLOpsが企業のAI導入を加速させる理由
「MLOpsはまだ初期段階にあります。企業にとってこれは困難な移行です。データサイエンティストチームは、よりデータエンジニアのような行動を取り、本番環境品質のコード構築を開始する必要があります。この移行をサポートするには、一連の新しいツールが必要であり、これらのツールを一貫性のある機械学習プラットフォームに統合する必要があります。MLOpsツールのエコシステムはまだ非常に断片化されているため、企業がこれらの機械学習プラットフォームを構築することはより困難になっています」とデルバルソ氏は述べています。「パンデミックはデジタルエクスペリエンスへの移行を加速させ、それに伴い、これらのエクスペリエンスを強化するための運用MLの導入の重要性も高まりました。パンデミックは、フィーチャーストアやフィーチャープラットフォームを含む新しいMLOpsツールの導入を加速させたと考えています。」
サンフランシスコに本社を置くテクトン社は現在80人の従業員を抱えており、今後6ヶ月で約20人の新規採用を計画している。
