Os dados são a base da inovação em IA. Organizações, desde startups ágeis até corporações multinacionais, estão investindo bilhões para aproveitar conjuntos de dados em aplicações de IA de alto desempenho. No entanto, apesar desses investimentos substanciais, acessar e utilizar dados de diversas fontes e modalidades—como texto, vídeo e áudio—continua sendo um desafio complexo. As equipes enfrentam inúmeros obstáculos de integração, resultando em atrasos e oportunidades de negócios perdidas.
A ApertureData, uma startup da Califórnia, tem como objetivo enfrentar esse desafio com sua camada de dados unificada, o ApertureDB. Essa solução inovadora combina as vantagens de bancos de dados de grafos e vetoriais, além de gerenciamento de dados multimodais, permitindo que equipes de IA e dados acelerem a implementação de suas aplicações. Recentemente, a ApertureData anunciou um investimento de US$ 8,25 milhões em financiamento inicial e o lançamento de uma versão nativa em nuvem de seu banco de dados grafos-vetorial.
“O ApertureDB pode reduzir o tempo de infraestrutura de dados e de preparação de conjuntos de dados em 6 a 12 meses, oferecendo imenso valor para CTOs e CDOs que precisam desenvolver estratégias eficazes de IA em um ambiente em rápida mudança e com requisitos de dados conflitantes,” afirmou Vishakha Gupta, fundadora e CEO da ApertureData. Ela destacou que essa solução pode aumentar a produtividade das equipes de ciência de dados e aprendizado de máquina em média dez vezes no desenvolvimento de IA multimodal.
O Que Destaca a ApertureData?
Muitas organizações lutam para gerenciar o crescente influxo de dados multimodais—terabytes de texto, imagens, áudio e vídeo—o que impede sua capacidade de aproveitar a IA de forma eficaz. O desafio não está na escassez de dados, mas no ecossistema de ferramentas fragmentado necessário para processá-los para aplicações avançadas de IA.
Atualmente, as equipes precisam reunir dados de várias fontes, armazená-los em repositórios na nuvem e lidar com metadados em constante mudança em arquivos ou bancos de dados. Esse processo geralmente requer a escrita de scripts personalizados para recuperação e pré-processamento de dados. Uma vez concluídas as tarefas iniciais, as equipes devem integrar bancos de dados de grafos e funcionalidades de busca vetorial para implementar as experiências de IA desejadas, resultando em atrasos significativos.
“As empresas esperam que sua camada de dados facilite o gerenciamento de diversas modalidades de dados, otimize a preparação de Machine Learning e suporte o gerenciamento de conjuntos de dados, anotações, rastreamento de modelos e busca e visualização de dados avançadas. Infelizmente, muitas vezes, elas recorrem a soluções integradas manualmente, envolvendo vários sistemas de armazenamento em nuvem, bancos de dados e bibliotecas de processamento, o que complica o fluxo de trabalho e atrasa os prazos dos projetos,” explicou Gupta, que reconheceu esse problema enquanto trabalhava com dados de visão na Intel.
Para resolver isso, Gupta fez parceria com Luis Remis, também cientista de pesquisa na Intel Labs, para criar uma camada de dados abrangente que aborde todas as tarefas de dados de IA multimodal em uma única plataforma. O ApertureDB agora permite que as empresas centralizem conjuntos de dados—grandes imagens, vídeos, documentos, embeddings e seus metadados—para recuperação e consulta eficientes. Oferece uma visão unificada do esquema e inclui capacidades de busca em grafos de conhecimento e vetorial para diversas aplicações de IA, desde chatbots até sistemas de busca.
“Através de conversas extensas, aprendemos sobre a necessidade de um banco de dados que compreenda de forma abrangente tanto o gerenciamento de dados multimodais quanto os requisitos de IA, facilitando a adoção e a implementação na produção. Isso é exatamente o que conseguimos com o ApertureDB,” comentou Gupta.
Como o ApertureDB Se Compara às Soluções Existentes?
Embora existam muitos bancos de dados voltados para IA, a ApertureData busca se destacar ao oferecer um produto unificado que lida nativamente com dados multimodais e integra sem esforço grafos de conhecimento com busca vetorial rápida para aplicações de IA. Os usuários podem explorar facilmente as relações entre conjuntos de dados e empregar estruturas de IA preferidas para aplicações específicas.
“Nossa principal concorrência vem de plataformas de dados internas que dependem de uma mistura de ferramentas, como bancos de dados relacionais ou de grafos, armazenamento em nuvem e scripts internos. Normalmente, substituímos soluções como Postgres, Weaviate, Qdrant, Milvus, Pinecone, MongoDB ou Neo4j, especialmente em contextos de IA multimodal e generativa,” destacou Gupta.
A ApertureData afirma que seu banco de dados pode aumentar a produtividade das equipes de ciência de dados e IA em média 10 vezes. Relata-se que ele mobiliza conjuntos de dados multimodais até 35 vezes mais rápido do que soluções tradicionais e oferece desempenho de busca vetorial e classificação que é de 2 a 4 vezes mais rápido do que bancos de dados vetoriais de código aberto existentes.
Embora Gupta tenha evitado divulgar a identidade de clientes específicos, observou que a empresa já estabeleceu implementações com algumas empresas da Fortune 100, incluindo um varejista de artigos para o lar líder, um grande fabricante e várias startups de biotecnologia e IA generativa emergente.
“Em nossas implementações, o feedback dos clientes destaca ganhos significativos em produtividade, escalabilidade e desempenho,” acrescentou, observando que a empresa economizou US$ 2 milhões para um cliente.
Olhando para o futuro, a ApertureData planeja expandir sua plataforma em nuvem para acomodar novas classes de aplicações de IA, aprimorar integrações no ecossistema para uma experiência do usuário sem costura e estender parcerias para implantações mais amplas.
Classificação
