Definity har annonceret, at selskabet har rejst 12 millioner dollar i en Serie A-runde ledet af GreatPoint Ventures med deltagelse fra Dynatrace samt de eksisterende investorer StageOne Ventures og Hyde Park Venture Partners. Det fremgår af VentureBeats artikel om selskabet og dets produktretning.
Ifølge VentureBeat bygger Definity en løsning, der indlejrer agenter direkte i Spark- eller DBT-driveren, så de kan handle under et pipeline-run i stedet for først bagefter. Artiklen beskriver også præmissen sådan, at agentiske AI-systemer kræver data, der er til stede, rene og leveret til tiden. Hvis en pipeline fejler stille eller sender forældede data videre, kan det ifølge kilden bryde de AI-systemer, som er afhængige af dem.
Inde i selve pipeline-kørslen
VentureBeat beskriver Definitys løsning som placeret i Spark- eller DBT-driveren, så den kan handle under kørslen. Det er den produktbeskrivelse, der går igen i artiklen. Pointen er ifølge kilden, at handlingen skal ske under selve pipeline-kørslen og ikke først efterfølgende.
Artiklen nævner Datadog og Metaplane, Databricks system tables, Unravel Data og Acceldata som eksempler på værktøjer, der typisk læser metrics efter, at et job er afsluttet. VentureBeat beskriver dem som løsninger, der angriber problemet uden for execution layer. Den kontrast bruges i kilden til at forklare Definitys placering.
Roy Daniel, CEO og medstifter, siger til VentureBeat, at Definitys løsning er arkitekteret anderledes end traditionelle monitoreringsværktøjer. Ifølge ham er pointen, at når et klassisk monitoreringsværktøj først viser problemet, er pipelinen allerede kørt, og fejlen, det spildte compute eller de dårlige data er allerede sendt downstream. Det står som selskabets egen forklaring på forskellen.
Hvad kilden dokumenterer
VentureBeat dokumenterer flere konkrete elementer i Definitys fortælling. Det ene er arkitekturen med agenter i Spark- eller DBT-driveren. Det andet er argumentet om, at agentiske AI-systemer er afhængige af data, der kommer rettidigt og i ordentlig kvalitet, og at stille fejl eller stale data derfor kan bryde de systemer.
Kilden beskriver også Definitys syn på eksisterende pipelineværktøjer. Her er påstanden, at de typisk arbejder uden for execution layer og først læser metrics efter jobafslutning. Definitys modposition er ifølge Roy Daniel, at handling under kørslen er afgørende, fordi et problem ellers først opdages, når konsekvensen allerede har ramt længere nede i kæden.
Flere af de stærkeste formuleringer i historien kommer fra Definity selv, gengivet af VentureBeat. Det gælder både produktets forskel, behovet i agentiske dataoperationer og de effekttal, selskabet fremhæver. VentureBeat gengiver dem som en del af selskabets positionering.
Tre krav til agentiske dataoperationer
Roy Daniel formulerer over for VentureBeat tre krav til agentiske dataoperationer. Han siger, at der skal være full-stack-kontekst, som er realtids- og produktionsbevidst. Der skal være kontrol over pipelinen. Og der skal være evne til at validere i en feedback-loop.
Det citat samler Definitys budskab i VentureBeats artikel. Kilden beskriver dermed ikke kun et ønske om bedre monitorering, men også et ønske om adgang til kontekst i realtid, mulighed for at styre selve pipelinen og en måde at validere handlinger løbende.
Her er materialet også relativt klart. Citatet fra Roy Daniel er gengivet direkte i VentureBeat. Det samme gælder koblingen til agentiske AI-systemer og deres afhængighed af data, der er til stede, rene og til tiden.
Effekttalene kommer fra selskabet selv
VentureBeat gengiver flere konkrete tal fra Definity. Ifølge selskabet identificerede en enterprise-kunde 33 procent af sine optimeringsmuligheder i den første uge efter deployment. Samme kunde reducerede ifølge Definity arbejdet med fejlfinding og optimering med 70 procent.
Derudover hævder Definity ifølge VentureBeat, at kunder løser komplekse Spark-problemer op til 10 gange hurtigere. De tal er en del af kildematerialet og bliver brugt som konkrete resultater i artiklen. De er stadig selskabets egne oplysninger, gengivet via VentureBeat.
Kilden giver ikke metode, baseline eller ekstern validering for de resultater. Derfor er den mest præcise gengivelse også, at tallene stammer fra Definity selv. Mere står der ikke i materialet.
Dynatrace optræder to steder i artiklen
Dynatrace nævnes i VentureBeats artikel både som deltager i Definitys Serie A-finansiering og som et selskab med monitoreringskapabiliteter. Begge dele fremgår af kilden. VentureBeat bruger den oplysning i samme artikel, hvor Definitys produktpositionering beskrives.
Det samme gælder listen over værktøjer, som ifølge artiklen typisk læser metrics efter jobafslutning. Kilden opstiller dermed en kontrast mellem overvågning uden for execution layer og Definitys model med agenter inde i Spark- eller DBT-driveren. Det er sådan forskellen bliver beskrevet i VentureBeat.
Det dokumenterede billede
Skåret ind til de dokumenterede oplysninger er historien forholdsvis klar. Definity har rejst 12 millioner dollar i en Serie A ledet af GreatPoint Ventures med deltagelse fra Dynatrace, StageOne Ventures og Hyde Park Venture Partners. Ifølge VentureBeat siger selskabet også, at det indlejrer agenter direkte i Spark- eller DBT-driveren, så de kan handle under pipeline-kørslen.
VentureBeat beskriver samtidig Definitys præmis sådan, at agentiske AI-systemer kræver data, der er til stede, rene og leveret til tiden, og at stille fejl eller stale data derfor kan bryde de systemer. Roy Daniels udlægning er, at traditionelle monitoreringsværktøjer først viser problemerne, når de allerede er sendt downstream. Hans krav til agentiske dataoperationer er realtids- og produktionsbevidst full-stack-kontekst, kontrol over pipelinen og validering i en feedback-loop.
VentureBeat gengiver også Definitys egne effekttal om 33 procent af optimeringsmuligheder fundet i første uge, 70 procent mindre arbejde med fejlfinding og optimering og op til 10 gange hurtigere løsning af komplekse Spark-problemer. De oplysninger er i materialet, men de står som selskabets egne påstande. Det er den stramme, kildebundne version af historien.
