PhoenixAI Inc., anciennement connu sous le nom de CelerData, a annoncé aujourd'hui avoir levé 80 millions de dollars de nouveaux financements pour alimenter le développement de la base de données native d'intelligence artificielle de l'entreprise et élargir la gouvernance des secteurs réglementés.
À mesure que l’IA agentique est passée de la planification et du prototypage à la production, elle a fait passer les agents d’IA de l’expérimentation à des modèles à grande échelle. Au lieu de boîtes de développement et de machines virtuelles exécutant de petites charges de travail, des essaims d’agents d’IA pulvérisent désormais des bases de données avec des milliers, voire des millions de questions par seconde sur lesquelles les piles de données modernes sont soumises.
PhoenixAI a construit ce qu'elle appelle une base de données analytique agentique prête pour l'IA, préparée pour servir cette nouvelle ère d'agents et la demande croissante des entreprises.
Les bases de données transactionnelles traitent des opérations individuelles, telles que l'insertion de lignes, la mise à jour des soldes des comptes et l'enregistrement des commandes. Ils agissent pour enregistrer une chose à la fois, de manière fiable, atomique et avec une durabilité et des données hautement normalisées. Les agents ont du mal ici parce que ces formats de données sont optimisés pour des opérations étroites et que les agents travaillent avec des cas d'utilisation conversationnels non structurés auxquels les humains réfléchissent : « Quels ont été nos 10 principaux clients en termes de croissance des revenus au cours des 90 derniers jours, répartis par ligne de produits ? Il s'agit d'une question analytique s'étendant sur des millions de lignes dans plusieurs tableaux.
Les bases de données analytiques permettent le stockage et le traitement de questions complexes sur des ensembles de données volumineux. Ils analysent des milliards de lignes, les regroupent, les joignent et les résument, mais ils sacrifient la vitesse d'écriture au profit de la vitesse de lecture. Les exemples incluent Snowflake Inc., ClickHouse Inc., Apache Druid et Google LLC BigQuery – et PhoenixAI.
Une analogie pourrait être celle d’un analyste de recherche extrayant chaque transaction du dernier trimestre, la regroupant par région et calculant les tendances. Vous n'avez pas besoin d'écritures instantanées ; vous avez besoin de lectures rapides et complexes. Ceux-ci se trouvent derrière des tableaux de bord, pilotent des outils de business intelligence et désormais des agents d’IA lorsqu’ils ont besoin de raisonner sur des ensembles de données d’entreprise massifs.
Les bases de données analytiques ne remplacent pas les bases de données transactionnelles ; ils s'assoient à côté d'eux. La base de données transactionnelle agit comme un système d’enregistrement, agissant comme source de vérité, tandis que la base de données analytique fournit le système d’informations pour le monde agent. PhoenixAI n'est pas là pour remplacer le système de planification des ressources de l'entreprise Oracle ou SAP d'une entreprise ; c'est une couche qui se trouve au-dessus et la rend plus intelligente afin que les agents d'IA puissent agir et réfléchir plus rapidement.
PhoenixAI a déclaré avoir reconstruit sa base de données analytique pour gérer non seulement l'ère de l'IA agentique, mais aussi des milliers d'essaims d'agents à la recherche d'informations.
« La plupart des bases de données analytiques actuelles ont été conçues pour un monde qui n'existe plus, où les humains exécutaient des tableaux de bord sur des tables plates et où la complexité était le problème de quelqu'un d'autre », a déclaré le président Rick Underwood. « Lorsque des milliers d'agents doivent interroger, raisonner et agir simultanément sur des pétaoctets de données actives – pour n'importe quelle question, simple ou complexe – la base de données constitue soit le goulot d'étranglement, soit la percée. »
PhoenixAI revendique une latence inférieure à la seconde et une concurrence élevée sur les données en direct, permettant à plusieurs agents de les interroger simultanément. Cela permet aux agents d'ingérer rapidement les données pendant leur mise à jour sur de longues périodes – plus d'attente, de blocages ou de goulots d'étranglement. La société appelle cette forme « sans pipeline », dans laquelle de nouvelles données arrivent constamment de Kafka, une plate-forme de streaming d'événements open source qui découple les pipelines de données, pour mettre à jour les informations en quelques secondes plutôt qu'en quelques minutes ou heures.
Les autres acteurs majeurs du marché des bases de données analytiques ne sont pas en reste non plus. Snowflake vient de lancer ses propres fonctionnalités agents. Databricks Inc. pousse le temps réel avec Delta Live Tables. ClickHouse Cloud a considérablement amélioré la concurrence.
La course est lancée pour consolider la catégorie de marché des « bases de données agents » et construire les couches de données d’infrastructure qui alimenteront ce nouvel avenir affamé de l’IA. Une solution dans laquelle les requêtes ne dépendent pas seulement de la ligne de la base de données à vérifier et de la façon dont l'analyse interagit avec les informations.
