ScaleOps привлекает $130 млн в рамках раунда серии C для продвижения автономной инфраструктуры в ядро операций ИИ

ScaleOps привлекла $130 млн в рамках раунда серии C при оценке более $800 млн, поскольку спрос на системы, способные управлять все более сложными облачными и ИИ-работами без постоянного вмешательства человека, продолжает расти.

Раунд был возглавлен компанией Insight Partners, с продолжающейся поддержкой со стороны Lightspeed Venture Partners, NFX, Glilot Capital Partners и Picture Capital. Компания теперь привлекла более $210 млн в общей сложности.

От оптимизации Kubernetes к автономной инфраструктуре

ScaleOps появилась в 2022 году с фокусом на автоматизации одного из наиболее постоянных проблем современной инфраструктуры: распределения ресурсов в средах Kubernetes. Вместо того, чтобы полагаться на статические конфигурации, платформа непрерывно корректирует вычислительные ресурсы, такие как CPU и память, на основе поведения рабочей нагрузки в реальном времени.

В своей основе система работает как закрытый оптимизационный двигатель. Она наблюдает за спросом на рабочую нагрузку, оценивает сигналы производительности и выполняет изменения автоматически. Это включает в себя динамическое изменение размера рабочих нагрузок, корректировку количества реплик и оптимизацию использования узлов в кластерах.

Со временем это расширилось за пределы традиционной облачной оптимизации в среды, ориентированные на ИИ, с интенсивным использованием GPU. Платформа теперь применяет аналогичные принципы к распределению GPU, где неэффективное использование может быстро стать значительным узким местом.

Почему этот слой становится критическим

Современные системы ИИ вводят уровень переменчивости, с которым традиционные инструменты инфраструктуры не были рассчитаны на обработку. Рабочие нагрузки скачкообразно увеличиваются, модели конкурируют за ограниченную емкость GPU, и требования к производительности меняются в реальном времени.

Исторически команды управляли этим посредством ручной настройки или автоматизации на основе правил. Но эти подходы испытывают трудности при масштабировании. Kubernetes сама по себе, хотя и предназначена для оркестровки, все еще сильно полагается на статические конфигурации, которые инженеры должны постоянно корректировать, чтобы избежать недо- или переопределения.

Это создает структурную неэффективность. Инженерные команды тратят значительное время на реагирование на проблемы с производительностью, настройку распределения ресурсов и решение нарушений SLO вместо того, чтобы строить новые системы.

Подход ScaleOps заменяет эту реактивную модель непрерывной, контекстно-зависимой автоматизацией. Вместо того, чтобы определять пороги заранее, система адаптируется в реальном времени на основе наблюдаемого поведения во всем кластере.

Переход к самооптимизирующимся системам

Что делает эту категорию заметной, так это не только оптимизация стоимости, но и сдвиг в том, как инфраструктура ведет себя.

В традиционных средах инфраструктура настраивается. В новых системах от нее ожидается адаптация.

ScaleOps отражает этот переход, рассматривая инфраструктуру как нечто, что может непрерывно перераспределять себя. Платформа применяет политики, наблюдает за результатами и корректирует распределение без необходимости вмешательства инженеров. В производственных средах это может расшириться почти до полной автоматизации решений о ресурсах.

Эта модель уже показала измеримое влияние в реальных развертываниях. В одном случае автоматическое изменение размера рабочих нагрузок позволило им динамически корректироваться в соответствии с колебаниями трафика, сохраняя при этом целевые показатели производительности и снижая расточительность в кластерах.

Расширение за пределы оптимизации стоимости

Ранние инструменты облачной оптимизации были сосредоточены в первую очередь на снижении расходов. ScaleOps по-прежнему подчеркивает эффективность стоимости, с заявлениями о значительных экономии, обусловленных устранением переопределения и простаивающих ресурсов.

Но более широкий фокус смещается в сторону надежности производительности и устойчивости системы.

По мере того, как системы ИИ становятся все более тесно интегрированными в производственные среды, решения инфраструктуры напрямую влияют на производительность модели, задержку и доступность. Неправильное распределение больше не является только проблемой стоимости, оно становится функциональным ограничением.

Это особенно актуально для рабочих нагрузок, ориентированных на GPU, где спрос часто превышает предложение. Эффективное распределение на уровне инфраструктуры может определить, будут ли модели работать эффективно или будут простаивать, ожидая ресурсов.

Новая плоскость управления для инфраструктуры ИИ

Долгосрочное последствие заключается в появлении нового уровня управления вычислительными ресурсами.

Вместо того, чтобы инженеры вручную настраивали инфраструктуру или полагались на фрагментированное инструментирование, платформы, такие как ScaleOps, действуют как автономная плоскость управления, непрерывно согласующая предложение и спрос.

Это становится все более важным, поскольку организации развертывают несколько систем ИИ одновременно, каждая из которых имеет разные требования к производительности и модели использования.

В этом контексте управление инфраструктурой начинает напоминать управление трафиком больше, чем статическое определение. Ресурсы маршрутизируются, перераспределяются и оптимизируются непрерывно, а не назначаются один раз и оставляются неизменными.

С этим последним финансированием ScaleOps ожидается, что расширит свою платформу за пределы вычислений и GPU в более широкие области управления инфраструктурой, включая дополнительные слои облачной и ИИ-оркестровки.

Траектория предполагает переход к средам, в которых решения об инфраструктуре больше не будут напрямую обрабатываться инженерами. Вместо этого они будут управляться системами, которые интерпретируют намерения рабочей нагрузки и автоматически корректируют ресурсы.

По мере того, как рабочие нагрузки ИИ продолжают масштабироваться, этот сдвиг может стать менее оптимизацией и более требованием.