La piattaforma per l’osservabilità dei dati Timeseer.ai emerge dallo stealth con $ 6M
Timeseer.ai , una startup con sede in Belgio che aiuta le imprese a mantenere la qualità dei dati delle serie temporali , è emersa dallo stealth con $ 6 milioni di finanziamenti guidati da Crane Venture Partners, con la partecipazione di Smartfin Capital, Fortino Capital, LRM e Innovation Fund. Bert Baeck, cofondatore e CEO della società, afferma che intendono utilizzare i nuovi fondi per sviluppare ulteriormente la propria piattaforma ed espandersi in nuovi mercati.
Con l’avvento dell’IoT, le organizzazioni di tutto il mondo sono diventate fortemente dipendenti da macchine e sistemi connessi per aumentare la loro crescita e ottimizzare la produttività. Si stima che un’azienda manifatturiera di medie dimensioni abbia fino a 100.000 sensori, mentre una raffineria ne ha fino a cinque volte di più, con ogni singolo sensore che produce un punto dati ogni due secondi. Questi punti dati, indicizzati in ordine temporale, possono essere descritti come dati di serie temporali. Aiutano a tenere traccia dei cambiamenti nel tempo (come output/prestazioni) e consentono alle aziende di condurre analisi a valle e apprendimento automatico per ottimizzare il proprio business.
Tuttavia, in caso di operazioni su larga scala, tali dati possono anche andare male, a causa di problemi che vanno dal disallineamento del sensore e dalla deriva al guasto della batteria, e finire per influenzare l’intero progetto di intelligenza artificiale, senza che il team lo sappia. Ciò può causare tempi di inattività non pianificati, problemi di conformità governativa e persino problemi di sicurezza.
La piattaforma per l’osservabilità dei dati di Timeseer.ai
Per risolvere questa sfida, Baeck, un ex venture capitalist, ha collaborato con gli imprenditori seriali Niels Verheijen, Thomas Dhollander, Stijn Meganck, Jeroen Hoekx e Yorick Bloemen e ha avviato Timeseer.ai nel 2020. La startup offre una piattaforma di osservabilità basata sull’intelligenza artificiale che utilizza oltre 30 metriche di qualità (integrate e definite dall’utente) per mostrare lo stato generale di un database di serie temporali e rileva problemi come deriva della varianza, correlazioni interrotte, dati obsoleti, valori mancanti e anomalie.
“Le aziende (utilizzando questa soluzione) possono monitorare i propri dati in modo proattivo nel tempo e vedere se la qualità soddisfa specifici SLA”, ha detto Baeck a Venturebeat. Ha sottolineato che la piattaforma rileva le anomalie in tempo reale e offre anche la capacità di ottimizzare la qualità dei dati imputando valori mancanti, filtrando artefatti indesiderati e gestendo il volume complessivo di informazioni, tra le altre cose.
Al momento, ci sono più aziende nello spazio di osservabilità dei dati, inclusi giganti rinomati come Monte Carlo, BigEye e Soda.io. Tuttavia, Timeseer afferma che tutti questi giocatori si concentrano principalmente su dati relazionali più ampi (che consentono l’ordinamento e l’esecuzione di query in base a più colonne, chiavi e indici diversi) e non su dati di serie temporali più specifici.
L’unica altra azienda che sta esaminando questo spazio è Aperio Data, con sede in Israele, ha aggiunto Baeck.
“È un tipo di dati difficile da gestire e la causalità gioca un ruolo qui. Molte espressioni di qualità dei dati (metriche) sono create appositamente per serie temporali e non sono rilevanti per i dati relazionali. Inoltre, i fornitori nello spazio della qualità dei dati hanno sviluppato strumenti che non sono adatti allo scopo di inquadrare dati di serie temporali (che contengono artefatti che non esistono altrove)”, ha affermato in un post sul blog di Medium.
Riduci di dieci volte gli incidenti sui dati
Con questa soluzione, Timeseer afferma di ridurre fino a dieci volte il numero di incidenti sulla qualità dei dati delle serie temporali che colpiscono le operazioni. L’azienda ha già coinvolto più di una dozzina di aziende Fortune 5000 che si occupano di dati operativi provenienti da sensori, inclusi attori nel settore manifatturiero, chimico, F&B e spazio di servizio.
“Un produttore di materie plastiche in Europa ha 300.000 sensori in 25 siti di produzione… A causa di un errore umano, un sensore è stato calibrato in modo errato. Ciò ha portato il sensore a inviare valori che deviavano dalla verità, portando il processo a funzionare in modo non ottimale per mesi fino a quando i problemi non venivano rilevati. Timeseer.AI ha dimostrato che avrebbe potuto rilevare questi problemi in modo proattivo, risparmiando in modo significativo sia in termini monetari (prodotto fuori specifica e utilizzo di energia) sia in risorse (analisi delle cause alla radice non necessarie)”, ha affermato Baeck.
Strada da percorrere
Andando avanti, il cofondatore si aspetta che più aziende utilizzino la sua piattaforma e stabiliscano Timeseer come leader di pensiero nello spazio dell’affidabilità dei dati delle serie temporali. Ha inoltre in programma di far progredire la piattaforma, rendendola disponibile in altri verticali in cui vengono generati dati di serie temporali.
“Abbiamo iniziato con la produzione industriale perché abbiamo la rete tramite la nostra precedente azienda Trendminer . Il mercato delle serie temporali è enorme e i database delle serie temporali sono il segmento in più rapida crescita nel segmento dei database”, ha affermato.
Il mercato dell’IoT, che è il motore principale dei dati delle serie temporali, dovrebbe toccare i 520 miliardi di dollari entro il 2022. Secondo Accenture, l’IoT industriale da solo potrebbe contribuire con 14,2 trilioni di dollari alla produzione mondiale entro il 2030. La domanda di soluzioni di osservabilità per rilevare i dati si prevede che i problemi aumenteranno man mano che le aziende continuano a raddoppiare i progetti di intelligenza artificiale.
