OtterTune که از هوش مصنوعی برای بهینه سازی پایگاه داده استفاده می کند، 12 میلیون دلار جمع آوری می کند – TechCrunch

امروزه پایگاه های داده به طور گسترده ای مورد استفاده قرار می گیرند و برنامه هایی را که مردم هر روز برای کار و بازی از آنها استفاده می کنند، نیرو می دهند. اما ساخت، پیکربندی و نگهداری آنها می تواند چالش برانگیز باشد – به خصوص که استفاده از آنها همچنان در حال رشد است. طبق گزارش اخیر Redgate نظر سنجی، 70٪ از شرکت ها اکنون از بیش از یک پایگاه داده در پشته خود استفاده می کنند، از جمله پایگاه های داده داخلی و ابری. و بسیاری از کارها به صورت دستی باقی می ماند و تنها 51 درصد می گویند که در حال خودکارسازی بخش هایی از فرآیند استقرار پایگاه داده خود هستند.

در جستجوی پاسخی برای این مشکلات، اندی پاولو یکی از بنیانگذاران آن بود OtterTune، یک پلت فرم بهینه سازی پایگاه داده که امروز یک سری A 12 میلیون دلاری به رهبری اینتل کپیتال و ریس کپیتال را با مشارکت Accel بسته است. پاولو ادعا می کند که OtterTune فرآیند بهینه سازی عملکرد پایگاه داده را خودکار می کند و از هوش مصنوعی برای تجزیه و تحلیل و تنظیم دقیق تنظیمات برای اجرای ظاهراً کارآمدتر پایگاه داده با هزینه کمتر استفاده می کند.

پایگاه های داده مهم ترین جزء هر پشته برنامه هستند. فرقی نمی کند که یک برنامه Web3 مد روز می سازید یا یک ویترین فروشگاه آنلاین سنتی تر. پاولو در یک مصاحبه ایمیلی به TechCrunch گفت: در پایان روز، شما به یک پایگاه داده نیاز دارید. اما این سیستم‌ها جنبه‌های زیادی دارند… پایگاه‌های داده منبع باز مانند PostgreSQL و MySQL هر سال بهتر می‌شوند، اما ویژگی‌های بیشتر به معنای چالش‌های استقرار است. از آنجایی که سازمان‌ها به مهاجرت پایگاه‌های اطلاعاتی بیشتری به فضای ابری ادامه می‌دهند، برای غلبه بر مشکلات روی ابزارهای فروشنده سرمایه‌گذاری می‌کنند، اما این می‌تواند منجر به کاهش بازدهی شود.»

پاولو می گوید که پس از اینکه در سال 2013 در دانشگاه کارنگی ملون (CMU) استاد شد، برای راه اندازی OtterTune الهام گرفت. اصرار داشت – برای ارائه تحقیق در مورد روش های خودکار برای سرعت بخشیدن به پایگاه های داده پردازش تراکنش. در گفتگو با مدیران، او از اینکه شرکت چقدر به مدیران برای انجام کارهایی که او به عنوان وظایف اصلی نگهداری پایگاه داده می‌دانست، پرداخت می‌کند متعجب شد.

پاولو می‌گوید: «مدیران پایگاه‌داده تقریباً درباره اینکه چقدر برای انجام کارهای بی‌اهمیت برای کارکرد پایگاه داده‌هایشان دستمزد دریافت می‌کنند، می‌بالیدند. «این درست در زمانی بود که فناوری‌های یادگیری ماشینی قدرتمند با چارچوب‌های منبع باز و شتاب سخت‌افزار در دسترس‌تر شدند. بنابراین، تصمیم گرفتم به کاربرد روش‌های یادگیری ماشینی کمک کنم تا به حذف جنبه‌های پر زحمت سیستم‌های پایگاه داده کمک کنم تا افراد را آزاد کنم تا کارهای معنادارتری را با وقت خود انجام دهند.

پاولو با دو تن از شاگردانش (اکنون هم بنیانگذاران)، دانا ون آکن و بوهان ژانگ، OtterTune را از CMU در سال 2020 با هدف تجاری‌سازی ابزاری برای بهینه‌سازی تنظیمات دستگیره پایگاه‌داده بیرون کشید. (در پایگاه‌های داده، “knob” پارامترهای پیکربندی هستند که برخی از جنبه‌های رفتار زمان اجرا را کنترل می‌کنند، مانند خط‌مشی‌های کش. اندکی پس از فارغ التحصیلی از CMU.

مدیریت خودکار پایگاه داده یک ایده فوق العاده اصلی نیست. حداقل 22 فروشنده با OtterTune رقابت می کنند، از جمله Akamas، Unravel Data، Pepper Data، EverSQL، Turbonomic، Opsani، Cloudhealth و Vantage. (مایکروسافت، آی‌بی‌ام و اوراکل از دیتابیس‌های مستقل خود استفاده می‌کنند، البته پاولو ادعا می‌کند که OtterTune نسبت به بسیاری از محصولات موجود در بازار برای توسعه‌دهندگان سازگارتر است، در حالی که از طیف گسترده‌تری از انواع پایگاه‌داده پشتیبانی می‌کند.

OtterTune از الگوریتم‌ها استفاده می‌کند تا بفهمد عملکرد بهتر برای یک پایگاه‌داده ابری خاص یا درون محل، با فاکتورگیری در افزایش حجم کار در طول هفته – به عنوان مثال روزهای هفته در مقابل آخر هفته. این پلتفرم برای تعیین دوره‌های اوج بار کاری پایگاه‌داده بررسی می‌کند و «بررسی‌های سلامت» را ارائه می‌کند که به مشتریان OtterTune در زمانی که پایگاه‌های داده در معرض خطر کاهش عملکرد هستند، هشدار می‌دهد.

الگوریتم های یادگیری ماشین OtterTune همه تصمیمات خود را بر اساس معیارهای سیستم، مانند استفاده از منابع و استفاده از I/O می گیرند… [They] Pavlo توضیح داد که مشکلات پایگاه داده مانند از دست رفتن حافظه پنهان و فهرست های از دست رفته را شناسایی کنید که می توانند باعث مشکلات غیرمنتظره شوند. یکی از چالش‌هایی که متوجه شده‌ایم این است که مشتریان می‌دانند مشکلی در پایگاه داده PostgreSQL یا MySQL آنها وجود دارد، اما نمی‌دانند چه چیزی باعث آن شده است. پایگاه‌های داده بسیار پیچیده هستند و مردم آنقدر مشغول هستند که نمی‌توانند بفهمند زیر جلدها چه می‌گذرد.”

این روزهای اولیه برای OtterTune است، اما سال گذشته، Booking.com نسخه آکادمیک این فناوری را با پشتیبانی از پایگاه داده MySQL به صورت آزمایشی ارائه کرد. در حالی که پاولو از افشای ارقام درآمد خودداری کرد، گفت که این پلتفرم اکنون کاربران فعالی از بیش از 100 سازمان دارد.

به گفته پاولو، سرمایه حاصل از آخرین دور تأمین مالی، که مجموع جمع آوری شده OtterTune را به 14.5 میلیون دلار می رساند، شروع به توسعه بررسی های بهداشتی گسترده خواهد کرد – از جمله بررسی های سلامت در سطح جدول پایگاه داده. همچنین برای جذب و استخدام تلاش خواهد شد و اندازه تیم شرکت را از 15 به 30 نفر تا سال 2023 افزایش خواهد داد.

او گفت: “تنظیم دستگیره مهم است و برای بسیاری از مشتریان تفاوت بزرگی ایجاد می کند، اما این تنها یکی از جنبه های چرخه حیات یک پایگاه داده است.” همانطور که مردم برای مدیریت سخت افزار فیزیکی زیر پایگاه داده خود به آمازون مراجعه می کنند، OtterTune عملکردهای خودکار را برای داخل پایگاه داده ارائه می دهد. با مشاهده حجم کار و رفتار بسیاری از پایگاه‌های داده، الگوریتم‌های یادگیری ماشین OtterTune به طور خودکار تضمین می‌کنند که هر پایگاه داده جدیدی که همراه می‌آید با پیکربندی مناسب، طرح‌های تکرار، فهرست‌ها و طرح‌های پرس و جو اجرا می‌شود.

نیک واشبورن، مدیر ارشد اجرایی اینتل کپیتال، در بیانیه‌ای گفت: «مدیریت کارآمد پایگاه‌داده برای موفقیت کسب‌وکارهای مبتنی بر فناوری حیاتی است. OtterTune در تلاش است تا با استفاده از یادگیری ماشینی برای خودکارسازی یک عملیات منسوخ و پرزحمت، فرآیند را متحول کند. ماموریت رویایی بنیانگذاران OtterTune با تحقیقاتی که آنها در CMU انجام دادند و توانایی اثبات شده برای کمک به مشتریان برای افزایش عملکرد، هزینه کمتر و در نهایت اطمینان از قابلیت اطمینان پایگاه داده هایشان پشتیبانی می شود.