펀딩

LanceDB, 멀티모달 AI 레이크하우스 확장을 위해 5,750만 달러 규모 시리즈 B 투자 유치

Evan Mercer
Unite.AI를 Google의 선호 소스에 추가
핵심 포인트LanceDB는 AI 훈련 데이터를 큐레이션하고 제공하는 레이크하우스를 확장하기 위해 5,750만 달러를 조달했습니다.
더 보기
  • LanceDB는 AI 훈련 데이터를 큐레이션하고 제공하는 레이크하우스를 확장하기 위해 5,750만 달러를 조달했습니다.
  • 이 회사는 2025년 6월 시리즈 A 이후 전년 대비 10배 이상의 매출 성장을 보고했습니다.
  • LanceDB는 팀들이 파이프라인을 수동으로 관리하지 않도록 훈련 데이터, 실험 및 롤아웃을 통합하는 것을 목표로 합니다.

LanceDB는 발표했다. 2026년 11월 17일, AI 학습 데이터를 정리하고 제공하는 플랫폼인 멀티모달 레이크하우스를 확장하기 위해 시리즈 B 투자로 5,750만 달러를 유치했다고 밝혔다. 이번 투자로 회사의 누적 투자 유치액은 9,850만 달러가 됐다.

Bessemer Venture Partners와 Innovation Endeavors가 이번 투자를 주도했으며, Theory Ventures, Dimension, Swift Ventures, CRV, Y Combinator도 참여했다. LanceDB는 학습 데이터 관리, 피처 엔지니어링, 실험 실행, 데이터 로딩을 포함해 모델 개발 전반에서 더 폭넓은 역할을 맡는 데 투자금을 사용할 계획이다.

도입 현황과 기술적 확장성

LanceDB에 따르면 최첨단 AI의 발전 속도는 며칠이나 몇 주 단위로 측정되지만, 연구자들은 학습 데이터를 확보하고 선별하는 데 몇 주에서 몇 달을 허비할 수 있다. 이 격차를 줄이기 위해 설계된 멀티모달 레이크하우스는 최첨단 모델, 월드 모델, 피지컬 AI, 엔터프라이즈 애플리케이션을 위한 작업에 데이터 선별, 검색 및 검색 결과 전달, 피처 엔지니어링, 학습을 결합한다.

회사는 2025년 6월 시리즈 A 투자 유치 이후 매출이 전년 대비 10배 이상 증가했다고 밝혔다. 오픈소스 라이브러리는 1억 2,000만 회 이상 다운로드됐으며, 이는 1년 전 같은 시점과 비교해 누적 다운로드 수가 6배 늘어난 것이다. 고객사로는 Netflix, Microsoft AI, Runway, Luma AI, Midjourney가 있다.

이 플랫폼은 대규모 검색 및 학습을 지원하면서 동영상, 이미지, 센서 데이터와 같은 멀티모달 데이터를 저장하도록 설계됐다. LanceDB에 따르면 초당 13만 건 이상의 요청을 처리하면서 요청의 95%에 대해 210밀리초 미만의 지연 시간을 제공하고, 개별 테이블에 수백 페타바이트 이상의 데이터 또는 400억 개 이상의 벡터를 저장하며, GPU 8,000개를 병렬로 활용해 학습을 수행할 수 있다.

엔터프라이즈 기능은 테이블을 사용 중인 상태에서 업데이트할 수 있도록 지원한다. 내구성이 뛰어나고 메모리 가속을 활용하는 쓰기 경로는 실시간 데이터 수집을 처리하며, 분산 인덱싱은 대규모 데이터셋에 맞춰 확장되고, 관리형 압축은 백그라운드에서 테이블을 지속적으로 최적화한다. LanceDB에 따르면 여러 연구자가 같은 테이블을 동시에 읽고, 쓰고, 쿼리하는 상황에서도 관리형 압축으로 최대 1,000억 개의 멀티모달 행을 지원할 수 있다.

고객들이 말하는 변화하는 학습 데이터셋

Runway의 최고기술책임자 Kamil Sindi는 학습용 예시 하나가 어떻게 발전하는지 설명했다. “Runway에서 학습용 예시는 그대로 머물러 있지 않습니다. 동영상과 프롬프트로 시작해 임베딩, 해상도 및 재생 시간 메타데이터를 추가하고, 다음 실험에 필요한 것은 무엇이든 더합니다.” Runway는 2024년에 Lance 데이터 형식을 사용하기 시작했고, 이후 LanceDB Enterprise 고객이 됐다. 현재 Runway는 Lance와 LanceDB Enterprise를 함께 사용해 연구자들이 크고 계속 변화하는 데이터셋을 더 빠르게 다룰 수 있도록 한다.

오픈소스 사용자이자 파트너인 NVIDIA Cosmos는 또 다른 도입 사례다. 기술 책임자 Max Li는 Cosmos 3를 위해 Lance로 약 100만 시간 분량의 동영상을 선별했으며, 현재 해당 형식에서 직접 학습하는 방향으로 나아가고 있다고 말했다. 또한 대규모 데이터셋이 수정되는 동안 이를 스트리밍하고, 필터링하고, 살펴보는 동시에 대규모 GPU 클러스터에 데이터를 공급하는 데 객체 스토리지 네이티브 아키텍처가 유용하다고 밝혔다.

Microsoft AI의 데이터 플랫폼 책임자 Suqiang (Jack) Song은 자신의 조직이 이미지와 코드를 아우르는 수십억 개의 행에 대한 학습 데이터 계층으로 LanceDB를 사용하고 있으며, 분산 추론 작업이 수천 개의 노드에서 Lance를 직접 읽는다고 말했다. 또한 프로덕션 환경에서 운영하려면 Microsoft 자체 테넌트와 보안 정책을 따라야 한다는 조건이 반드시 충족돼야 했다고 밝혔다.

시리즈 B 투자금 활용 계획

LanceDB는 페타바이트 규모에서 학습 데이터, 컨텍스트, 로그, 롤아웃을 하나의 시스템에 통합할 계획이다. 또한 연구팀이 공유 데이터셋을 오염시키지 않고도 AI 에이전트 실험을 대량으로 병렬 실행할 수 있도록 할 예정이다. 이 작업은 모델 개선의 전체 주기를 지원하는 데 초점을 맞추며, 연구를 지연시킬 수 있는 수동 파이프라인 감독과 데이터 로딩 문제를 줄이는 것을 목표로 한다.

LanceDB는 피처 엔지니어링 도구도 더욱 강화할 계획이다. 팀이 변환 작업을 한 번 정의하면 플랫폼이 이를 데이터셋 전체에 적용하고, 기존 행을 채우며, 새 데이터가 들어오는 대로 처리하게 된다. 추가 개발은 학습 전에 이뤄지는 데이터 준비 작업을 더 폭넓게 지원하고, 학습 실행 중 데이터 로딩과 캐싱을 개선하는 데 초점을 둔다.

이번 시리즈 B 투자로 LanceDB는 검색을 넘어 데이터셋을 지속적으로 변경하고, 실험을 수행하며, 학습 작업에 데이터를 공급하는 영역으로 사업을 확장한다. 다음 단계에서는 하나의 플랫폼이 최첨단 규모의 데이터량과 Runway 같은 고객이 설명한, 실험마다 끊임없이 발생하는 변화를 모두 감당할 수 있는지 검증할 예정이다.

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