ScaleOps recauda 130 millones de dólares en la ronda de financiación Serie C para impulsar la infraestructura autónoma en el núcleo de las operaciones de inteligencia artificial

ScaleOps ha recaudado 130 millones de dólares en la ronda de financiación Serie C, con una valoración que supera los 800 millones de dólares, ya que la demanda de sistemas que puedan gestionar cargas de trabajo de nube y inteligencia artificial cada vez más complejas sin intervención humana constante aumenta.

La ronda fue liderada por Insight Partners, con el apoyo continuo de Lightspeed Venture Partners, NFX, Glilot Capital Partners y Picture Capital. La empresa ha recaudado más de 210 millones de dólares en total.

De la optimización de Kubernetes a la infraestructura autónoma

ScaleOps surgió en 2022 con un enfoque en la automatización de uno de los desafíos más persistentes en la infraestructura moderna: la asignación de recursos en entornos de Kubernetes. En lugar de confiar en configuraciones estáticas, la plataforma ajusta continuamente los recursos de cómputo, como la CPU y la memoria, en función del comportamiento de la carga de trabajo en tiempo real.

En su núcleo, el sistema opera como un motor de optimización de bucle cerrado. Observa la demanda de la carga de trabajo, evalúa las señales de rendimiento y ejecuta cambios automáticamente. Esto incluye cambiar dinámicamente el tamaño de las cargas de trabajo, ajustar el número de réplicas y optimizar el uso de nodos en los clústeres.

Con el tiempo, esto se ha expandido más allá de la optimización de la nube tradicional hacia entornos con GPU ligados a sistemas de inteligencia artificial. La plataforma ahora aplica principios similares a la asignación de GPU, donde el uso ineficiente puede convertirse rápidamente en un cuello de botella importante.

Por qué esta capa se está volviendo crítica

Los sistemas de inteligencia artificial modernos introducen un nivel de variabilidad que las herramientas de infraestructura tradicionales no estaban diseñadas para manejar. Las cargas de trabajo aumentan de manera impredecible, los modelos compiten por la capacidad limitada de GPU y los requisitos de rendimiento cambian en tiempo real.

Historicamente, los equipos han gestionado esto mediante ajustes manuales o automatización basada en reglas. Pero estos enfoques luchan a escala. Kubernetes en sí, aunque diseñado para la orquestación, todavía depende en gran medida de configuraciones estáticas que los ingenieros deben ajustar constantemente para evitar la subasignación o la sobreasignación.

Esto crea una ineficiencia estructural. Los equipos de ingenieros dedican mucho tiempo a reaccionar ante problemas de rendimiento, ajustar la asignación de recursos y resolver violaciones de los objetivos de nivel de servicio en lugar de construir nuevos sistemas.

El enfoque de ScaleOps reemplaza este modelo reactivo con una automatización continua y consciente del contexto. En lugar de definir umbrales de antemano, el sistema se adapta en tiempo real en función del comportamiento observado en todo el clúster.

Moviendo hacia sistemas de autooptimización

Lo que hace que esta categoría sea notable no es solo la optimización de costos, sino el cambio en la forma en que se comporta la infraestructura.

En entornos tradicionales, la infraestructura se configura. En sistemas más nuevos, se espera que se adapte.

ScaleOps refleja esta transición al tratar la infraestructura como algo que puede reequilibrarse continuamente. La plataforma aplica políticas, monitorea los resultados y ajusta las asignaciones sin necesidad de intervención de los ingenieros. En entornos de producción, esto puede extenderse a una automatización casi total de las decisiones de recursos.

Este modelo ya ha demostrado un impacto medible en despliegues del mundo real. En un caso, el ajuste automático de tamaño permitió que las cargas de trabajo se ajustaran dinámicamente a las fluctuaciones del tráfico mientras se mantenían los objetivos de rendimiento y se reducía el desperdicio en los clústeres.

Ampliando más allá de la optimización de costos

Las primeras herramientas de optimización de la nube se centraron principalmente en reducir el gasto. ScaleOps todavía enfatiza la eficiencia de costos, con afirmaciones de ahorros significativos impulsados por la eliminación de la sobreasignación y los recursos inactivos.

Pero la dirección más amplia se está desplazando hacia la confiabilidad del rendimiento y la resiliencia del sistema.

A medida que los sistemas de inteligencia artificial se integran más estrechamente en los entornos de producción, las decisiones de infraestructura afectan directamente el rendimiento del modelo, la latencia y la disponibilidad. La mala asignación ya no es solo un problema de costos, se convierte en una limitación funcional.

Esto es particularmente relevante para las cargas de trabajo de GPU, donde la demanda a menudo supera la oferta. La asignación eficiente a nivel de infraestructura puede determinar si los modelos se ejecutan de manera eficiente o permanecen inactivos esperando recursos.

Un nuevo plano de control para la infraestructura de inteligencia artificial

La implicación a largo plazo es el surgimiento de una nueva capa de control para los recursos de cómputo.

En lugar de que los ingenieros configuren manualmente la infraestructura o confíen en herramientas fragmentadas, plataformas como ScaleOps actúan como un plano de control autónomo que alinea continuamente la oferta con la demanda.

Esto se vuelve cada vez más importante a medida que las organizaciones despliegan múltiples sistemas de inteligencia artificial simultáneamente, cada uno con diferentes requisitos de rendimiento y patrones de uso.

En ese contexto, la gestión de la infraestructura comienza a parecerse más al control del tráfico que a la provisión estática. Los recursos se enrutan, se reequilibran y se optimizan continuamente en lugar de asignarse una vez y dejarse sin cambios.

Con esta última financiación, ScaleOps se espera que expanda su plataforma más allá del cómputo y las GPU hacia áreas más amplias de la gestión de la infraestructura, incluyendo capas adicionales de orquestación de la nube y la inteligencia artificial.

La trayectoria sugiere un movimiento hacia entornos donde las decisiones de infraestructura ya no son manejadas directamente por los ingenieros. En su lugar, están gobernadas por sistemas que interpretan la intención de la carga de trabajo y ajustan los recursos automáticamente.

A medida que las cargas de trabajo de inteligencia artificial continúan escalando, este cambio puede convertirse en menos de una optimización y más de un requisito.