سیستم‌های فناوری اطلاعات به دلیل جابجایی انبوه به ابر در طول همه‌گیری، پیچیده‌تر می‌شوند. یک پشته داده مدرن از صدها ابزار برای توسعه برنامه، جمع آوری و یکپارچه سازی داده ها، هماهنگ سازی، تجزیه و تحلیل و ذخیره سازی تشکیل شده است. و هر روز بزرگتر و پیچیده تر می شود. طبق گفته Productiv، یک استارت آپ مدیریت نرم افزار به عنوان یک سرویس، یک شرکت متوسط تا سپتامبر گذشته ۲۵۴ ابزار داخلی داشت که اکثر بخش ها برای هر کدام ۴۰ تا ۶۰ ابزار درگیر بودند.
کونال آگاروال و شیونات بابو به دنبال مقابله با چالش‌های رو به رشد، Unravel Data را با هم بنیان گذاشتند، پلتفرمی که طراحی شده است تا تیم‌های توسعه را در پشته‌های داده‌ها، عیب‌یابی و بهینه‌سازی حجم کاری داده‌ها، و تعریف پادمان‌هایی برای مدیریت هزینه‌ها ایجاد کند. از آنجایی که تجارت نشانه ها به شدت به رشد خود ادامه می دهد، Unravel امروز یک دور سرمایه گذاری 50 میلیون دلاری سری D به رهبری Third Point Ventures با مشارکت Bridge Bank، Menlo Ventures، Point 72، GGV Capital و Harmony Capital را بست که منجر به جمع آوری سرمایه به 107 میلیون دلار شد.
آگاروال گفت: “صرف نظر از صنعتی که یک شرکت در آن رقابت می کند، وجه مشترک همه آنها درک این است که توانایی تبدیل داده های خام به بینش واقعی مستقیماً با توانایی آنها در ارائه نوآوری های جدید به بازار متناسب است.” TechCrunch در یک مصاحبه ایمیلی. “به همین دلیل، علیرغم عدم اطمینان اقتصادی ناشی از همه گیری، ما شاهد علاقه قوی و پایدار در هر دو هستیم. [observability] روش شناسی به طور کلی و پلتفرم Unravel به طور خاص.
آگاروال و بابو در دانشگاه دوک، جایی که شیونات پروفسوری بود و در حال مطالعه چگونگی مدیریت آسان‌تر سیستم‌های محاسباتی فشرده داده بود، ملاقات کردند. قبل از آن، آگاروال با Sun Microsystems کار می کرد، جایی که او متخصص محاسبات شبکه و عضوی از تیم فروش بود. این دو می گویند که فرصتی را برای ایجاد پلتفرمی دیدند که تمام جزئیات مختلف حجم کاری کلان داده یک سازمان را در نظر گرفته و آنها را در یک پنجره واحد ارائه می دهد.
Unravel سعی می‌کند جزئیات را از مجموعه‌ای از داده‌ها مطابقت دهد، سپس هوش مصنوعی و یادگیری ماشینی را برای ارائه توصیه‌ها و بینش‌هایی در مورد چگونگی – به قول آگاروال – “بهتر کردن همه چیز” اعمال می‌کند. به عنوان مثال، این پلتفرم به طور خودکار حفاظ هایی را برای مواردی مانند افزایش هزینه ها و خطاها، ارسال هشدار در صورت بروز مشکل اجرا می کند.
داشبورد نظارت بر داده های مبتنی بر وب داده را در عمل باز کنید.
همانطور که ما جزئیات را در یک سطح بسیار جزئی – پیکربندی، منابع، کانتینرها، کد، مجموعه داده‌ها، اصل و نسب، و وابستگی‌ها – به هر کاربر یا شغل یا بخش فرعی از یک کار پردازش موازی می‌گیریم و نقشه‌برداری می‌کنیم، موتورهای هوش مصنوعی Unravel پویا ایجاد می‌کنند. آگاروال گفت: خطوط پایه در ابعاد چندگانه، شناسایی ناهنجاری‌ها با آگاهی زمینه‌ای و ارائه اطلاعات عملی از طریق توصیه‌ها و بینش‌ها. برای مثال، اگر کاری که معمولاً سه دقیقه طول می‌کشد، ناگهان ده دقیقه طول می‌کشد، آیا به این دلیل است که حجم داده‌های در حال پردازش دو برابر شده و اکنون حافظه ما تمام می‌شود؟» اگر چنین است، چرا اکنون داده های بسیار بیشتری وجود دارد؟ این مجموعه داده از کجا می آید؟ چه کسی سایز او را دو برابر کرد؟ آیا این عمدی است؟ چه و چگونه این بر سایر مشاغل وابسته پایین دست تأثیر می گذارد؟
Unravel در درجه اول یک پلت فرم نظارت بر داده است، فناوری که به نظر می رسد سرمایه گذاران اشتهای زیادی برای آن دارند. در فاصله یک هفته ای در ژوئن گذشته، سه استارت آپ پایش داده – کریبل، مونت کارلو و کورالوگیکس – بیش از 400 میلیون دلار سرمایه مخاطره آمیز جمع آوری کردند. دیگر بازیگران بزرگ در این فضا عبارتند از توسعه دهنده ابزار مدیریت عملکرد Observe، پلت فرم پردازش جریان Edge Delta، پلت فرم خط لوله داده Manta و پلت فرم نظارت باز Grafana Labs.
آگاروال همپوشانی زیادی بین Unravel و راه‌حل‌های نظارت برنامه‌ای مانند Datadog، Dynatrace و New Relic نمی‌بیند، که به نظر او مشکل هماهنگ‌سازی داده‌ها را حل می‌کند. در مورد ارائه دهندگان قابلیت مشاهده مانند مونت کارلو فوق الذکر، او استدلال می کند که آنها فقط تکه هایی از پازل پشته داده را حل می کنند و فاقد قابلیت های مدل سازی محصول Unravel هستند.
فناوری‌های ابری جدیدتر انعطاف‌پذیری و نوآوری بیشتری را ارائه می‌کنند، اما به قیمت افزایش پیچیدگی است. آگاروال گفت، برای رهبران سخت‌تر و سخت‌تر می‌شود که اطمینان حاصل کنند که واقعاً ارزش و بازگشت سرمایه را دریافت می‌کنند. بسیاری از سازمان‌ها به دلیل مازاد بودجه و هزینه‌های مارپیچی، شاهد توقف انتقال داده‌هایشان هستند. و همانطور که پشته داده پیچیده تر می شود، باز کردن سیم ها برای فهمیدن اینکه چه مشکلی رخ داده و چگونه آن را تعمیر کنید دشوارتر می شود. Unravel این امکان را برای اعضای مختلف تیم های داده، با مجموعه مهارت ها و سطوح تجربه متفاوت، آسان می کند تا عیب یابی و بهینه سازی خودسرویس بیشتری را انجام دهند.”
آگاروال از افشای درآمد Unravel یا اندازه پایگاه مشتریان شرکت خودداری کرد. اما او گفت که مشتریانش شامل Adobe و Deutsche Bank و همچنین زیرمجموعه تجزیه و تحلیل داده 84.51° از زنجیره مواد غذایی Kroger هستند.
با نگاهی به آینده، آگاروال گفت که درآمدهای سری D برای مقیاس‌بندی عملیات Unravel، ساخت API برای دریافت داده‌ها از تعداد گسترده‌ای از برنامه‌ها و «دوبرابر کردن» اندازه تیم مهندسی Unravel استفاده می‌شود. او به برنامه های استخدام کوتاه مدت متعهد نشد، اما اشاره کرد که Unravel که در حال حاضر بیش از 100 کارمند در ایالات متحده، اروپا و هند دارد، برای نقش های فنی و عملیاتی استخدام می کند.