ScaleOps lève 130 millions de dollars en financement de série C pour pousser l’infrastructure autonome au cœur des opérations d’IA

ScaleOps a levé 130 millions de dollars en financement de série C à une valorisation dépassant 800 millions de dollars, alors que la demande de systèmes capables de gérer des charges de travail cloud et d’IA de plus en plus complexes sans intervention humaine constante s’accélère.

Le tour a été mené par Insight Partners, avec le soutien continu de Lightspeed Venture Partners, NFX, Glilot Capital Partners et Picture Capital. La société a désormais levé plus de 210 millions de dollars au total.

De l’optimisation de Kubernetes à l’infrastructure autonome

ScaleOps est apparu en 2022 avec un focus sur l’automatisation de l’un des défis les plus persistants de l’infrastructure moderne : l’allocation de ressources dans les environnements Kubernetes. Au lieu de s’appuyer sur des configurations statiques, la plateforme ajuste en continu les ressources de calcul telles que le CPU et la mémoire en fonction du comportement réel des charges de travail.

À son cœur, le système fonctionne comme un moteur d’optimisation en boucle fermée. Il observe la demande de charge de travail, évalue les signaux de performance et exécute des changements automatiquement. Cela inclut la redimensionnement dynamique des charges de travail, l’ajustement du nombre de répliques et l’optimisation de l’utilisation des nœuds à travers les grappes.

Au fil du temps, cela s’est étendu au-delà de l’optimisation traditionnelle du cloud pour inclure des environnements lourds en GPU liés aux systèmes d’IA. La plateforme applique désormais des principes similaires à l’allocation de GPU, où une utilisation inefficace peut rapidement devenir un goulet d’étranglement majeur.

Pourquoi cette couche devient-elle critique

Les systèmes d’IA modernes introduisent un niveau de variabilité que les outils d’infrastructure traditionnels n’ont pas été conçus pour gérer. Les charges de travail augmentent de manière imprévisible, les modèles concurrencent la capacité de GPU limitée et les exigences de performance changent en temps réel.

Historiquement, les équipes ont géré cela grâce à un réglage manuel ou à une automatisation basée sur des règles. Mais ces approches peinent à l’échelle. Kubernetes lui-même, bien qu’il soit conçu pour l’orchestration, repose encore fortement sur des configurations statiques que les ingénieurs doivent constamment ajuster pour éviter la sous- ou la sur-provision.

Cela crée une inefficacité structurelle. Les équipes d’ingénieurs passent un temps considérable à réagir aux problèmes de performance, à ajuster l’allocation des ressources et à résoudre les violations de SLO plutôt que de construire de nouveaux systèmes.

L’approche de ScaleOps remplace ce modèle réactif par une automatisation continue et sensible au contexte. Au lieu de définir des seuils à l’avance, le système s’adapte en temps réel en fonction du comportement observé dans l’ensemble de la grappe.

Vers des systèmes auto-optimisants

Ce qui rend cette catégorie notable, ce n’est pas seulement l’optimisation des coûts, mais le changement dans la façon dont l’infrastructure se comporte.

Dans les environnements traditionnels, l’infrastructure est configurée. Dans les nouveaux systèmes, on s’attend à ce qu’elle s’adapte.

ScaleOps reflète cette transition en traitant l’infrastructure comme quelque chose qui peut continuellement se rééquilibrer. La plateforme applique des politiques, surveille les résultats et ajuste les allocations sans nécessiter l’intervention des ingénieurs. Dans les environnements de production, cela peut aller jusqu’à une automatisation presque complète des décisions de ressources.

Ce modèle a déjà montré un impact mesurable dans les déploiements réels. Dans un cas, le redimensionnement automatisé a permis aux charges de travail de s’ajuster dynamiquement aux fluctuations de trafic tout en maintenant les objectifs de performance et en réduisant les gaspillages à travers les grappes.

S’étendre au-delà de l’optimisation des coûts

Les premiers outils d’optimisation du cloud se sont concentrés principalement sur la réduction des dépenses. ScaleOps met toujours l’accent sur l’efficacité des coûts, avec des économies significatives grâce à l’élimination de la sur-provision et des ressources inactives.

Mais la tendance plus large est en train de se déplacer vers la fiabilité des performances et la résilience du système.

À mesure que les systèmes d’IA sont de plus en plus intégrés dans les environnements de production, les décisions d’infrastructure ont un impact direct sur les performances des modèles, la latence et la disponibilité. La mauvaise allocation n’est plus seulement une question de coût, mais une limitation fonctionnelle.

Ceci est particulièrement pertinent pour les charges de travail de GPU, où la demande dépasse souvent l’offre. Une allocation efficace au niveau de l’infrastructure peut déterminer si les modèles s’exécutent de manière efficace ou restent inactifs en attendant des ressources.

Un nouveau plan de contrôle pour l’infrastructure d’IA

La implication à long terme est l’émergence d’un nouveau plan de contrôle pour les ressources de calcul.

Au lieu que les ingénieurs configurent manuellement l’infrastructure ou s’appuient sur des outils fragmentés, des plateformes comme ScaleOps agissent comme un plan de contrôle autonome qui aligne en continu l’offre avec la demande.

Ceci devient de plus en plus important à mesure que les organisations déployent plusieurs systèmes d’IA simultanément, chacun avec des exigences de performance et des modèles d’utilisation différents.

Dans ce contexte, la gestion de l’infrastructure commence à ressembler à la gestion du trafic plutôt qu’à la provision statique. Les ressources sont acheminées, rééquilibrées et optimisées en continu plutôt que d’être attribuées une fois et laissées inchangées.

Avec ce financement, ScaleOps devrait étendre sa plateforme au-delà du calcul et des GPU pour inclure d’autres domaines de la gestion de l’infrastructure, notamment d’autres couches d’orchestration du cloud et de l’IA.

La trajectoire suggère une évolution vers des environnements où les décisions d’infrastructure ne sont plus gérées directement par les ingénieurs. Au lieu de cela, elles sont gouvernées par des systèmes qui interprètent l’intention de charge de travail et ajustent les ressources automatiquement.

À mesure que les charges de travail d’IA continuent de croître, ce changement peut devenir moins une optimisation et plus une exigence.