Medan en stor del av världen stängdes under COVID-pandemin öppnade portarna vida för finansiering av tidiga och sena skeden i data- och AI-världen. Ett team på FirstMark Capital, som leds av partnern Matt Turck, har publicerat det senaste av sina årliga encyklopediska data och AI -landskap. I ena änden av spektrumet, skrev Turck och kollegor, finns det mognad som framgår av utbrytande börsnoteringar av Snowflake och Confluent, som försäkrar VC -samhället om att intäkter och tillväxt är verkliga, och att finansieringens påfrestning inte utlöser en repris av dot com -bubblan.
Och ja, det står i rapporten att löftet om AI nu uppfylls. Vi ser att det växer fram, inte bara i de verktyg som affärsanalytiker använder som BI, utan också i att inlärning i databaser blir en kryssruta, för att inte tala om att Oracle, SAP, Salesforce och andra nu rutinmässigt införliva maskininlärning i företagets applikationer. Så vi ser färre rubriker om förarlösa bilar och världen väntar inte på att en självkörande Uber ska dra upp, för att bevisa att AI är verkligt.
För några månader sedan gick FirstMark MAD – det introducerade MAD Index för offentligt listade maskininlärning, AI och och dataföretag. Betydelsen är att det nu finns tillräckligt många för att lista på egen hand, i motsats till att de är grupperade under det mer allmänna teknikparaplyet. Och listan – vid den tiden ungefär ett dussin företag plus eller minus – har gått offentligt nyligen (under de senaste fem åren).
Naturligtvis är detta allt möjligt. Med hänvisning till data från CB Insights ökade riskkapitalfinansieringen med 157% jämfört med andra kvartalet i år, medan offentlig finansiering, antingen genom börsnoteringar, direktnoteringar eller SPAC, ökade med 6x under första halvåret 2021 jämfört med ett år tidigare. Den enda indikatorn som har sjunkit är förvärv, med all sannolikhet, eftersom VC-pumpade värderingar gör företag som Databricks (till 38 miljarder dollar) alldeles för dyra att förvärva, även för världens Microsofts.
Maskininlärning, AI och data (MAD) 2021 från 2021
Kredit: FirstMark Capital
Rapporten inleddes med en översikt över ekosystemet, diskuterade finansieringsaktivitet och därefter belyste viktiga teknologitrender inom datainfrastruktur, analys och AI. Det är för omfattande för att vi ska granska rad för rad, men du kan se hela rapporten här. En miniatyrbild av landskapet visas ovan. En mer läsbar återgivning kan hittas här, och om du vill ha alla de tråkiga detaljerna har FirstMark -teamet sammanställt ett detaljerat kalkylblad som du kan komma åt här.
Vi kommer att hålla oss till några överordnade intryck.
Som vi (och andra) har diskuterat tidigare tänker vi inte längre på Big Data som något speciellt. När du kan starta ett Snowflake -datalager med petabyte med data och aktivera automatisk skalning, plötsligt utnyttjar du molnet för att utföra det som tidigare krävde datatekniker för att konfigurera Hadoop -kluster, köra Zookeeper och sedan manuellt koda MapReduce (eller senare Spark) rutiner. Och nu är möjligheten att analysera data utanför relationstabeller, som JSON, parkettfiler och projektgrafvyer, plötsligt stöds de 3 V: er som förmodligen definierar stora data nu av ditt molndatalager eller sjöhus. Beskriv det som “Modern Data Stack” eller hänvisa till det som fenomenet som författaren heter “The Big Unlock”.
Vi fortsätter alla att läsa Snowflakes siffror och hör rykten om när Databricks äntligen kommer att börsnoteras, men Amazon Redshift, Azure Synapse Analytics och Google BigQuery fortsätter att vara bland de snabbast växande tjänsterna för sina respektive moln.
Och tack vare AutoML och framväxten av verktyg och tjänster som täcker hela livscykeln för att bygga och köra dessa modeller kan du säga detsamma om AI. Det finns en fortsatt dans för spelare som förvandlas till generaliserade plattformar. ML -plattformar, från SageMakers och Vertex AI till Dataikus och Data Robots i världen, breddar sig till tjänster för hela livscykeln. Du kan också säga detsamma om andra delar av dataekosystemet. Confluent vill inte bara köra dina Kafka-strömmar, utan också ditt datalager i realtid.
Ändå hänvisar författarna till de vanliga centrifugalkrafterna, med ökande uppmärksamhet på datanät som står i centrum (vi kommer att ha mer att säga om det i ett kommande inlägg). Men övergången till konsolidering har knappast satt en broms på venture -verksamheten. Enligt CB Insights flödade 38 miljarder dollar till AI -startups, vilket var ungefär lika mycket som gick in under hela 2020; och under de första sex månaderna var det över 50 omgångar som översteg $ 100 miljoner. Finansieringsgemenskapen har spridit sig bortom VC till hedgefonder och den härliga akronymen för företag som poetiskt förkortas som SPAC. Och många av dessa finansieringar har anstiftats, inte av hungriga startups, utan av finansiärer som är ivriga att komma in längre.
Författarna är positiva till utsikterna för analys och AI i allmänhet. Men rapporten citerar också explosiv tillväxt, inte i intäkter, utan antalet startups i nischer som omvänd ETL, datakvalitet, datakataloger, dataanmärkning och MLOps där investeringar verkar ligga före marknadens beredskap att ta till sig den.
Så det finns många galna pengar där ute. Vi har några retoriska frågor. Behöver ett företag som Databricks verkligen 3,5 miljarder dollar i banken? Med spridningen av venture-finansierade startups som överstiger 1 miljard dollar värderingar, har termen “enhörning” vuxit föråldrad? Skyndar finansiärer in på grund av FOMO – rädsla för att missa?
Men vår huvudsakliga fråga är är vi på väg in i en annan bubbla? Vi hade ett e -postutbyte offline med huvudförfattaren Matt Turck om just den frågan. Hans uppfattning är att “det finns fler kvalitetsföretag än någonsin.” Det finns återkommande grundare som kommer in med starka rekord. Ett bra exempel är Dataikus grundare Florian Douetteau, vars tidigare handling var den framgångsrika avslutningen med sökmotorn Exalead, som förvärvades av Dassault Systemes för ungefär ett decennium sedan.
Rapporten citerar också den strama arbetsmarknaden. Till viss del är det gamla nyheter – det har länge funnits brist på datavetenskapare och dataingenjörer ända sedan vi började sprida orden “Big Data”. Liksom bristen på Java -utvecklare under dot com -eran är detta frågor som i stort sett är lösbara; bevittna översvämningen av inskrivningar i datavetenskapsprogram för högskolor. Vår oro för talang är på andra delar av livsmedelskedjan – erfarna chefer, chefer, försäljning och marknadsföring. Vi har hört ett antal leverantörer berätta om utmaningarna med att fylla dessa platser. I de flesta fall handlar det inte om att skolor visar ut betyg med rätt grader. Vår uppfattning är att avsaknaden av ledarskap och marknadsföringstalanger kan sätta en viss broms på tillväxten.
Turck citerar också en solid tillväxt i årliga återkommande intäkter för många av dessa startups, och att till skillnad från dot com -eran, som handlade om löften, handlar den nuvarande eran om distribution. Vi instämmer. Vår uppfattning är att molnet gör en stor skillnad här. Under tidigare epoker skulle organisationer ha varit tvungna att placera sina kapitalbudgeter där deras mun var, skaffa, distribuera och underhålla fler servrar. Omvänt tillåter molnet nästan omedelbar skalning utan byråkratin för kapitalbudgetering.
I den allmänna ekonomin finns det potentiella stormmoln i horisonten, till exempel sannolikheten för att pengar kommer att bli dyrare när Fed äntligen börjar höja räntorna, för att inte tala om de strukturella hindren som orsakas av globalt störda leveranskedjor. Vi tror att vi för närvarande är i topptider för startfinansiering. Vi skulle inte bli förvånade över en uppsjö av börsintroduktioner eller andra utträden under de kommande 12 månaderna följt av en avmattning i satsningen och andra former av finansiering. Det är troligt att marknadsutbytet för nya satsningar är troligt – vi såg detta med den initiala stormen med Big Data -start under 2015 – 16 -tidsramen. Men igen, vi förväntar oss också framgång för många av den nuvarande grödan av data och AI -uppstart, eftersom ekonomiska störningar är själva problemen som de är utformade för att ta sig an.
Big Data < /h3> Vertica accelererar dyket i molnet Observe Inc och äventyret att vara en av Snowflakes bästa användare Digital transformation förändras. Här är vad som kommer nästa De bästa karriärer du kan börja med en datavetenskapsexamen
Relaterade ämnen:
Cloud Digital Transformation Robotics Internet of Things Innovation Enterprise Software 