多模态数据，ApertureData加速企业10倍

数据是AI的圣杯，但如何有效利用却是一大难题

从敏捷的初创公司到全球巨头，各行各业都在投入巨资，以构建高效的AI应用和系统。然而，现实情况是，获取和利用来自不同来源、跨越文本、视频、音频等多种模态的数据，远非易事。这需要多层工作和集成，往往导致延误和错失商机。

总部位于加州的ApertureData应运而生。为了解决这一挑战，这家初创公司开发了统一的数据层ApertureDB，它将图数据库和向量数据库的强大功能与多模态数据管理相结合。这帮助AI和数据团队比以往更快地将应用推向市场。

ApertureData今天宣布获得825万美元种子轮融资，同时发布了其图向量数据库的云原生版本。

ApertureData创始人兼首席执行官Vishakha Gupta表示：“ApertureDB可以将数据基础设施和数据集准备时间缩短6-12个月，为首席技术官和首席数据官提供巨大的价值，他们现在需要在数据需求冲突的极不稳定的环境中制定成功的AI部署策略。”她指出，该产品可以将构建多模态AI的数据科学和机器学习团队的生产力平均提高十倍。

许多组织发现，管理不断增长的多模态数据堆积——每天数TB的文本、图像、音频和视频——是利用AI提升性能的瓶颈。

问题不在于缺乏数据（非结构化数据的数量一直在增长），而在于将数据投入高级AI所需的工具生态系统过于分散。

目前，团队必须从不同的来源获取数据，并将其存储在云存储桶中——文件或数据库中的元数据不断变化。然后，他们必须编写定制脚本才能搜索、获取或对信息进行预处理。

完成初始工作后，他们必须引入图数据库以及向量搜索和分类功能，才能提供计划中的生成式AI体验。这使得设置变得复杂，团队不得不处理大量的集成和管理任务，最终导致项目延误数月。

Gupta解释说：“企业希望他们的数据层能够让他们管理不同模态的数据，轻松地为机器学习准备数据，易于数据集管理，管理注释，跟踪模型信息，并让他们使用多模态搜索来搜索和可视化数据。遗憾的是，他们目前的选择是手动集成的解决方案，他们必须将云存储、数据库、各种格式的标签、难以处理的（视觉）处理库和向量数据库整合在一起，才能将多模态数据输入转换为有意义的AI或分析输出。”

受此挑战的启发，Gupta与英特尔实验室的另一位研究科学家Luis Remis合作，创办了ApertureData，旨在构建一个能够在一个地方处理与多模态AI相关的所有数据任务的数据层。

最终的产品ApertureDB，现在允许企业集中所有相关数据集——包括大型图像、视频、文档、嵌入及其关联的元数据——以实现高效的检索和查询处理。它存储数据，为用户提供统一的模式视图，然后提供知识图谱和向量搜索功能，供AI管道下游使用，无论是构建聊天机器人还是搜索系统。

Gupta补充说：“通过数百次对话，我们了解到我们需要一个数据库，它不仅能够理解多模态数据管理的复杂性，而且能够理解AI需求，使AI团队能够轻松地采用和部署到生产环境中。这就是我们使用ApertureDB构建的内容。”

虽然市场上有很多针对AI的数据库，但ApertureData希望通过提供一个统一的产品来为自己创造一个利基市场，该产品可以本地存储和识别多模态数据，并轻松地将知识图谱的强大功能与快速的多模态向量搜索相结合，以满足AI用例的需求。用户可以轻松地存储和深入了解数据集之间的关系，然后使用他们选择的AI框架和工具进行目标应用。

Gupta强调说：“我们真正的竞争对手是内部构建的数据平台，它结合了数据工具，例如关系型/图数据库、云存储、数据处理库、向量数据库以及内部脚本或可视化工具，用于将不同模态的数据转换为有用的见解。我们通常会取代的现有产品是Postgres、Weaviate、Qdrant、Milvus、Pinecone、MongoDB或Neo4j等数据库——但在多模态或生成式AI用例的背景下。”

ApertureData声称，其数据库以其当前形式，可以轻松地将数据科学和AI团队的生产力平均提高10倍。它在调动多模态数据集方面，可以比分散的解决方案快35倍。同时，在向量搜索和分类方面，它比市场上现有的开源向量数据库快2-4倍。

这位首席执行官没有透露客户的具体名称，但指出他们已经从一些财富100强客户那里获得了部署，包括一家大型家居用品零售商、一家大型制造商以及一些生物技术、零售和新兴的生成式AI初创公司。

她说：“在我们的部署中，我们从客户那里听到的共同好处是生产力、可扩展性和性能。”她指出，该公司为其中一位客户节省了200万美元。

作为下一步，它计划通过扩展新的云平台来适应新兴的AI应用类别，专注于生态系统集成以向用户提供无缝体验，并扩展合作伙伴部署。