ورشة مجانية 21–22.11ورشة مجانية لمدة يومين في Vibecoding يومي 21–22 نوفمبر الساعة 16:00 بتوقيت موسكو · الدفعة 3 تبدأ 23.11سجّل مجاناً ←الدفعة 3 (23.11)
إصدارتحليل · على الرادارLanceDB Blog→ المصدر

LanceDB تجمع 57.5 مليون دولار لقاعدة بيانات مخصصة لتدريب النماذج على الفيديو والصور

تدريب النماذج على الفيديو والصور وسجلات الروبوتات عملية مرهقة: فالبيانات موزعة في أماكن متعددة، ويقضي الباحثون أسابيع في جمعها وتنظيفها. تبني شركة LanceDB الناشئة قاعدة «متعددة الوسائط» موحدة، تُخزَّن فيها البيانات ويُبحث فيها وتُجهَّز للتدريب. بلغت جولة B مبلغ 57.5 مليون دولار، وارتفع إجمالي التمويل الذي جمعته الشركة إلى 98.5 مليون دولار. وإذا كنتم تبنون خط معالجة لتدريب النماذج على بيانات غير مهيكلة، فمن المفيد الاطلاع على صيغة Lance المفتوحة.

معالج بواسطة الذكاء الاصطناعي من LanceDB Blog؛ بتحرير Hamidun News
LanceDB تجمع 57.5 مليون دولار لقاعدة بيانات مخصصة لتدريب النماذج على الفيديو والصور
المصدر: LanceDB Blog. كولاج: Hamidun News.
استمع للمقال
بطاقة الحقائق والأرقام
المعيارالتفاصيل
المصدر الأصليLanceDB Blog ↗
رئيس التحرير
حقيقة رئيسية #1قادت الجولة شركتا Bessemer Venture Partners وInnovation Endeavors
حقيقة رئيسية #2نمت الإيرادات أكثر من 10 أضعاف خلال عام، وتجاوز عدد تنزيلات المكتبة 120 مليون تنزيل
حقيقة رئيسية #3تعلن الشركة دعم أكثر من 40 مليار متجه في جدول واحد، وما يصل إلى 8 آلاف وحدة GPU تعمل بالتوازي

عندما يُقاس التقدم في الذكاء الاصطناعي بالأسابيع، لا يستطيع الباحثون تحمّل قضاء أشهر في البحث عن بيانات التدريب وتجهيزها. وتزداد الصعوبة مع الفيديو والصور وتسجيلات المستشعرات والسجلات (logs)، إذ تتوزع كلها على مخازن وصيغ مختلفة. وقد جمعت شركة LanceDB الناشئة 57.5 مليون دولار في جولة B لحل هذه المشكلة عبر منصة موحدة.

من أين جاء المال ومن موّله

قادت الجولةَ شركتا Bessemer Venture Partners وInnovation Endeavors. وشاركت فيها أيضًا Theory Ventures وDimension وSwift Ventures وCRV وY Combinator. وبلغ إجمالي ما جمعته الشركة 98.5 مليون دولار. ومن بين عملائها المذكورين Netflix وMicrosoft AI وRunway وLuma AI وMidjourney.

وتعلن الشركة أن إيراداتها نمت أكثر من 10 أضعاف منذ جولة A، أي خلال عام تقريبًا. وتجاوز عدد مرات تنزيل مكتبتها المفتوحة 120 مليون مرة، أي 6 أضعاف ما كان عليه قبل عام. وهذه الأرقام صادرة عن الشركة نفسها ولم يجرِ التحقق منها بصورة مستقلة.

كيف تعمل المنصة: مثال عملي

تخيّلوا مثال تدريب في Runway. يبدأ بفيديو وطلب نصي. ثم تُضاف إليه التضمينات (embeddings) والدقة والمدة، وكل ما ستحتاج إليه التجربة التالية. وفي «بحيرة البيانات» التقليدية يصعب إجراء هذه الإضافات: فإما إعادة كتابة ملفات ضخمة، وإما إنشاء جداول منفصلة. وبحسب الرئيس التنفيذي للتقنية في Runway كاميل سيندي، اختارت الشركة صيغة Lance في عام 2024 لأنها تجمع بين القدرة على التعامل مع البيانات غير المهيكلة وإضافة أعمدة جديدة والقراءة الموزعة وتنفيذ استعلامات SQL.

تخزّن LanceDB بيانات التدريب وتبحث فيها وتُثريها وتقدّمها ضمن نظام واحد. وفي NVIDIA Cosmos استُخدمت Lance لانتقاء نحو مليون ساعة فيديو من أجل Cosmos 3، وتنتقل الشركة الآن إلى التدريب مباشرة من هذه الصيغة. أما Microsoft AI فتستخدم LanceDB طبقةَ بيانات للتدريب على مليارات الصفوف من الصور والشيفرة البرمجية، وذلك ضمن بيئتها السحابية الخاصة ووفق قواعد الأمان الخاصة بها.

القدرات المعلنة للمنصة:

  • أكثر من 130 ألف استعلام في الثانية بزمن استجابة للشريحة المئوية 95 أقل من 210 مللي ثانية؛
  • مئات البيتابايت في جدول واحد؛
  • أكثر من 40 مليار متجه في جدول واحد؛
  • ما يصل إلى 8 آلاف وحدة GPU تتدرب بالتوازي.

ما الجديد في نسخة Enterprise

أضافت الشركة ثلاثة أمور. الأول مسار كتابة سريع وموثوق للبيانات الواردة في الزمن الحقيقي. والثاني بناء الفهارس بصورة موزعة على مجموعات بيانات ضخمة. والثالث «ضغط» مُدار للجداول: إذ ينظّم النظام التخزين في الخلفية. ويتيح ذلك العمل مع جداول تصل إلى 100 مليار صف متعدد الوسائط، في حين يقرأ عدة باحثين الجدول نفسه ويكتبون فيه ويستعلمون منه في آن واحد.

الخطوة التالية هي هندسة الميزات (feature engineering). يكتب الفريق التحويل مرة واحدة، فتطبّقه LanceDB على مجموعة البيانات كلها، وتملأ الصفوف القديمة، وتعالج الصفوف الجديدة فور وصولها. وتريد الشركة لاحقًا تولّي قدر أكبر من تجهيز البيانات قبل التدريب، وتحسين التحميل والتخزين المؤقت أثناء عمليات التشغيل نفسها. وتتحدث أيضًا عن سيناريو يشغّل فيه الباحثون ووكلاؤهم تجارب متوازية كثيرة دون إفساد مجموعات البيانات المشتركة.

ماذا يعني هذا للممارسين

يتجه السوق من النماذج النصية إلى الفيديو ونماذج العالم والذكاء الاصطناعي الفيزيائي، ولم تعد شيفرة التدريب هي عنق الزجاجة، بل البيانات. وإذا كان فريقكم يتعامل مع بيتابايتات من الفيديو أو سجلات الروبوتات، فمن المفيد الاطلاع على صيغة Lance المفتوحة ومقارنتها ببحيرات البيانات الكلاسيكية القائمة على Parquet وIceberg.

وثمة تحفظات. فمعظم الأرقام مأخوذة من مدونة الشركة نفسها، واقتباسات العملاء اختيرت لتناسب البيان الصحفي. وينبغي التحقق من الأحجام المعلنة على بياناتكم الخاصة. كما أن المنصة مصممة لأحمال ضخمة جدًا، وغالبًا ما يكفي فريقًا صغيرًا يملك بضعة تيرابايتات حلٌّ أبسط.

القصة

أسئلة وأجوبة حول الخبر

ما أبرز التفاصيل حول من أين جاء المال ومن موّله؟

قادت الجولةَ شركتا Bessemer Venture Partners وInnovation Endeavors. وشاركت فيها أيضًا Theory Ventures وDimension وSwift Ventures وCRV وY Combinator. وبلغ إجمالي ما جمعته الشركة 98.5 مليون دولار. ومن بين عملائها المذكورين Netflix وMicrosoft AI وRunway وLuma AI وMidjourney. وتعلن الشركة أن إيراداتها نمت أكثر من 10 أضعاف منذ جولة A، أي خلال عام تقريبًا. وتجاوز عدد مرات تنزيل مكتبتها المفتوحة 120 مليون مرة، أي 6 أضعاف ما كان عليه قبل عام. وهذه الأرقام صادرة عن الشركة نفسها ولم يجرِ التحقق منها بصورة مستقلة.

ما أبرز التفاصيل حول كيف تعمل المنصة: مثال عملي؟

تخيّلوا مثال تدريب في Runway. يبدأ بفيديو وطلب نصي. ثم تُضاف إليه التضمينات (embeddings) والدقة والمدة، وكل ما ستحتاج إليه التجربة التالية. وفي «بحيرة البيانات» التقليدية يصعب إجراء هذه الإضافات: فإما إعادة كتابة ملفات ضخمة، وإما إنشاء جداول منفصلة. وبحسب الرئيس التنفيذي للتقنية في Runway كاميل سيندي، اختارت الشركة صيغة Lance في عام 2024 لأنها تجمع بين القدرة على التعامل مع البيانات غير المهيكلة وإضافة أعمدة جديدة والقراءة الموزعة وتنفيذ استعلامات SQL.

ما أبرز التفاصيل حول ما الجديد في نسخة Enterprise؟

أضافت الشركة ثلاثة أمور. الأول مسار كتابة سريع وموثوق للبيانات الواردة في الزمن الحقيقي. والثاني بناء الفهارس بصورة موزعة على مجموعات بيانات ضخمة. والثالث «ضغط» مُدار للجداول: إذ ينظّم النظام التخزين في الخلفية. ويتيح ذلك العمل مع جداول تصل إلى 100 مليار صف متعدد الوسائط، في حين يقرأ عدة باحثين الجدول نفسه ويكتبون فيه ويستعلمون منه في آن واحد. الخطوة التالية هي هندسة الميزات (feature engineering).

ZK
جمال حميدون — مدير المنتجات في Alpina Digital ومدير منتج AlpinaGPT. يبني منتجات الذكاء الاصطناعي منذ 2019. بدأ Hamidun News كمشروع شخصي ثم أصبح مُجمِّعًا إنتاجيًا بأكثر من 6000 قارئ.
✦ Unified AI Workspace · Nomad

Test Frontier LLMs & Autonomous Agents in One Workspace

Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.

Try Nomad AI →Launch Nomad Agent
ما رأيك؟
جارٍ تحميل التعليقات…