Amsterdam-Base Tisser, une société qui construit, maintient et commercialise la base de données vectorielles open source Weaviate, a annoncé qu'elle avait levé 50 millions de dollars (environ 45.65 millions d'euros) dans le cadre d'un cycle de financement de série B.
Le cycle a été mené par Index Ventures avec la participation de Battery Ventures. Les investisseurs existants Erin Price-Wright, Dharmesh Thakker et Danel Dayan ont également participé à ce tour.
Que propose Weaviate ?
Fondée en 2019 par Bob van Luijt, Micha Verhagen et Etienne Dilocker, Weaviate (anciennement Technologies SeMI) est une base de données vectorielle open-source.
Il s'agit d'une base de données vectorielle à faible latence qui prend en charge de nombreux formats de médias (texte, graphiques, etc.). Il comprend des fonctionnalités telles que la recherche sémantique, l'extraction de questions-réponses, la classification et les modèles personnalisables (PyTorch/TensorFlow/Keras).
Weaviate stocke à la fois les objets et les vecteurs, ce qui permet de combiner la recherche vectorielle avec un filtrage structuré et la tolérance aux pannes d'une base de données cloud native. Tout cela est disponible via GraphQL, REST et une variété de langages de programmation côté client.
La société affirme que son objectif est triple. "Tout d'abord, nous voulons permettre aux autres de créer aussi facilement que possible leurs propres systèmes sémantiques ou moteurs de recherche vectoriels (par conséquent, nos API sont basées sur GraphQL)."
« Deuxièmement, nous mettons fortement l'accent sur l'élément sémantique (la « connaissance » dans les « bases de données vectorielles », si vous voulez). Notre objectif ultime est que Weaviate vous aide à gérer, indexer et « comprendre » vos données afin que vous puissiez créer des applications plus récentes, meilleures et plus rapides. »
« Et troisièmement, nous voulons que vous puissiez l'exécuter partout. C'est la raison pour laquelle Weaviate vient contenantriseré."
Actuellement, Weaviate est utilisé par software les développeurs en tant que base de données ML-first pour leurs applications ; par des ingénieurs de données en tant que base de données vectorielle conçue à partir de zéro avec ANN en son cœur ; et par des data scientists en MLOps pour déployer leurs applications de recherche.