펀딩

Daisytuner, Daisyflow 및 컴파일러 기술 확장을 위해 600만 유로 규모 시드 투자 유치

Evan Mercer
Unite.AI를 Google의 선호 소스에 추가
핵심 포인트Daisyflow는 모델 요청과 출력을 벤더 클라우드가 아닌 고객 인프라 내부에 유지합니다.
더 보기
  • Daisyflow는 모델 요청과 출력을 벤더 클라우드가 아닌 고객 인프라 내부에 유지합니다.
  • docc 컴파일러는 검증된 레시피를 데이터베이스에 추가하기 전에 각 최적화의 정확성을 확인합니다.
  • Daisytuner는 초기 AMD 성능 결과를 더 많은 모델 유형과 가속기 벤더 전반으로 확장해야 합니다.

Daisytuner는 2026년 11월 16일, 600만 유로의 시드 투자를 유치하고 고객 자체 인프라에서 모델을 제공하며 서로 다른 하드웨어에 맞춰 모델 실행을 조정하는 AI 추론 엔진 Daisyflow를 출시했다고 발표했다.

Elaia와 LEA Ventures가 공동으로 투자를 주도했으며, Amadeus APEX Technology Fund와 Seedcamp도 참여했다. Daisytuner는 이번 투자금을 더 많은 기업에 Daisyflow를 제공하고, 팀을 확장하며, 컴파일러 기술을 발전시키는 데 사용할 것이라고 밝혔다.

Daisytuner에 따르면 초기 결과에서 Qwen 2.5는 AMD Instinct GPU에서 vLLM보다 최대 18% 빠르게 실행됐다. 이 결과는 회사가 Daisyflow를 더 폭넓은 모델 범주와 가속기 공급업체에 제공하려는 가운데, 이번 출시의 구체적인 성능 지표를 제시한다.

Daisyflow를 뒷받침하는 컴파일러 자동화

기술의 핵심은 Daisytuner의 오픈소스 컴파일러 docc다. docc는 PyTorch, NumPy, C/C++를 데이터 이동, 병렬 처리, 연산을 명시적으로 표현하는 형식인 데이터플로 중간 표현으로 변환한 뒤, NVIDIA의 CUDA와 AMD의 ROCm 플랫폼 및 새로운 아키텍처용 네이티브 코드를 생성한다. 이를 통해 새로운 모델이나 칩이 기존 최적화를 무력화할 때 발생할 수 있는 수작업 성능 개선 문제에 대응한다.

AI 에이전트는 최적화 방법을 탐색하고 실제 하드웨어에서 성능을 측정한다. docc는 각 최적화를 사용하기 전에 정확성을 검증하며, 검증된 최적화 방법은 성능 데이터베이스에 저장된다. 이후 컴파일 과정에서 컴파일러는 해당 방법을 유사한 코드에 적용할 수 있어, 이전 워크로드에서 얻은 지식을 새로운 최적화 작업에 활용할 수 있다.

호스팅형 Daisytuner 플랫폼은 GitHub에 변경 사항을 푸시할 때마다 지속적으로 성능을 측정하고, 브라우저 기반 최적화 편집기와 성능 데이터베이스를 제공해 이를 개발자 워크플로에 통합한다. 사용자는 실제 하드웨어에서 측정한 병목 구간을 확인하고, 최적화 방법을 만들며, 그 결과를 풀 리퀘스트로 제출할 수 있다. Daisyflow는 이 최적화 계층 위에 실제 운영 환경에서의 모델 서빙 기능을 더한다.

docc 저장소는 새 BSD 라이선스로 컴파일러를 공개한다. 호환성 표에는 C/C++, Python, PyTorch 프런트엔드와 OpenMP, CUDA, ROCm 백엔드에 대한 Linux 지원이 나와 있다. PyTorch 프런트엔드는 학습이 아닌 추론만 지원한다.

고객이 배포 환경을 직접 관리

Daisyflow는 언어, 비전, 음성, 추천 모델을 제공한다. 추론 계층은 요청을 모델로 전달하고, 하드웨어 활용률을 높이도록 작업을 묶어 처리하고 일정을 조정하며, 여러 단계로 이루어진 워크플로와 에이전트 워크플로를 조율한다. 애플리케이션은 표준 API를 통해 연결되며, 언어 모델에는 OpenAI 호환 기능을 제공하고 바로 사용할 수 있는 채팅 인터페이스도 포함한다.

Daisyflow 제품 페이지에는 온프레미스, 고객 데이터센터 또는 프라이빗 클라우드에 배포할 수 있으며 가속기로 NVIDIA, AMD, Intel, Tenstorrent를 선택할 수 있다고 나와 있다. 요청, 데이터, 출력은 고객 인프라 안에 유지된다. Daisytuner는 워크로드, 하드웨어, 비용을 평가하고 시스템을 설치하며, 모델을 선택한 가속기에 맞게 이식한 뒤 운영과 튜닝에도 계속 참여한다.

Daisytuner는 하드웨어 구성이 혼합된 클라우드 사업자, 데이터와 실행을 직접 관리하려는 기업, 제품의 실제 운영 환경 통합을 앞당기려는 하드웨어 공급업체를 대상으로 한다. 배포 방식은 이들 고객층의 요구를 연결한다. 고객은 인프라를 선택하거나 소유하고, Daisytuner는 최적화 및 서빙 계층을 제공하며 운영 과정에서 고객과 협력한다.

이번 투자는 이 제안의 두 축, 즉 기업 고객 대상 배포 확대와 새로운 모델 및 칩이 등장할 때 수작업 통합을 줄이기 위한 컴파일러 시스템 개발을 뒷받침한다. 핵심 과제는 적용 범위를 넓히는 것이다. 초기 AMD 성능 결과를 Daisyflow가 지원하도록 설계된 다양한 모델 유형, 가속기 공급업체, 고객 환경 전반으로 확대해야 한다.

Evan Mercer는 Unite.AI에서 AI로 생성된 리서치 에이전트로, AI 스타트업, 벤처 캐피털 및 차세대 기술 기업을 형성하는 자금 조달 역학을 다룹니다. 그의 보도는 초기 단계 혁신, 자본 흐름, 그리고 AI 기업이 개념에서 글로벌 영향력으로 성장함에 따라 창업자와 투자자가 내리는 전략적 결정에 초점을 맞춥니다.

전략적이고 분석적인 시각으로, Evan은 AI 스타트업 생태계 전반의 자금 조달 라운드, 시장 포지셔닝 및 신흥 트렌드를 검토합니다. 그는 벤처 캐피털, 기업 투자 및 공개 시장이 인공지능의 돌파구와 어떻게 교차하는지를 추적하며, 지속 가능한 신호와 단기적 과대광고를 구분합니다.

Evan Mercer가 작성한 기사들은 AI가 생성하고 Unite.AI의 편집팀이 검토하여 정확성, 맥락 및 전 세계 AI 투자 환경에 대한 책임 있는 보도를 보장합니다