Intensif Gratuit 21–22/11Intensif gratuit de 2 jours en Vibecoding (21–22 nov, 16h00 MSK) · Cohorte 3 le 23/11S'inscrire gratuitement →Cohorte 3 (23/11)
SortieAnalyse · Sur le radarLanceDB Blog→ original

LanceDB lève 57,5 M$ pour sa base de données d'entraînement de modèles sur vidéos et images

Entraîner des modèles sur des vidéos, des images et des journaux de robots reste compliqué : les données sont dispersées, et les chercheurs passent des semaines à les collecter et à les nettoyer. La start-up LanceDB propose une base « multimodale » unique, où tout est stocké, interrogé et préparé pour l'entraînement. Le tour B s'élève à 57,5 M$, pour un total levé de 98,5 M$. Si vous construisez un pipeline d'entraînement sur des données non structurées, le format ouvert Lance mérite votre attention.

Traité par IA depuis LanceDB Blog ; édité par Hamidun News
LanceDB lève 57,5 M$ pour sa base de données d'entraînement de modèles sur vidéos et images
Source : LanceDB Blog. Collage: Hamidun News.
Écouter l'article
Fiche synthèse et chiffres clés
ParamètreDonnées
Source primaireLanceDB Blog ↗
Rédacteur en chef
Chiffre clé #1Le tour est mené par Bessemer Venture Partners et Innovation Endeavors
Chiffre clé #2Le chiffre d'affaires a été multiplié par plus de 10 en un an, et la bibliothèque a dépassé 120 millions de téléchargements
Chiffre clé #3Une seule table peut contenir plus de 40 milliards de vecteurs, avec jusqu'à 8 000 GPU en parallèle selon l'entreprise

Lorsque les progrès de l'IA se mesurent en semaines, les chercheurs ne peuvent pas se permettre de passer des mois à chercher et à préparer leurs données d'entraînement. La situation est particulièrement difficile pour les vidéos, les images, les enregistrements de capteurs et les journaux : tout cela se trouve dans des entrepôts et des formats différents. La start-up LanceDB a levé 57,5 M$ dans le cadre d'un tour B afin de résoudre ce problème grâce à une plateforme unique.

Quel financement, et qui l'a apporté ?

Le tour est mené par Bessemer Venture Partners et Innovation Endeavors. Theory Ventures, Dimension, Swift Ventures, CRV et Y Combinator y participent également. Au total, l'entreprise a levé 98,5 M$. Parmi ses clients figurent Netflix, Microsoft AI, Runway, Luma AI et Midjourney.

L'entreprise affirme que son chiffre d'affaires a été multiplié par plus de 10 depuis le tour A, soit environ un an. La bibliothèque open source a été téléchargée plus de 120 millions de fois, soit six fois plus qu'il y a un an. Ces chiffres sont communiqués par l'entreprise elle-même et n'ont pas été vérifiés de manière indépendante.

Comment cela fonctionne, à travers un exemple

Imaginons un exemple d'entraînement chez Runway. Il s'agit d'abord d'une vidéo et d'une requête textuelle. Viennent ensuite s'ajouter des embeddings, la résolution, la durée et tout ce dont aura besoin l'expérience suivante. Dans un « data lake » classique, ces ajouts sont pénibles : il faut réécrire d'énormes fichiers ou créer des tables séparées. Selon Camil Sindi, CTO de Runway, l'équipe a choisi le format Lance en 2024, car il savait à la fois traiter des données non structurées, ajouter des colonnes, lire les données de manière distribuée et exécuter des requêtes SQL.

LanceDB stocke, indexe, enrichit et fournit les données d'entraînement dans un seul système. Avec Lance, NVIDIA a sélectionné environ un million d'heures de vidéo pour Cosmos 3 et passe désormais à l'entraînement directement depuis ce format. Microsoft AI utilise LanceDB comme couche de données pour l'entraînement sur des milliards de lignes d'images et de code, dans son propre environnement cloud et selon ses propres règles de sécurité.

Capacités annoncées de la plateforme :

  • plus de 130 000 requêtes par seconde, avec une latence au 95e percentile inférieure à 210 ms ;
  • des centaines de pétaoctets dans une seule table ;
  • plus de 40 milliards de vecteurs dans une seule table ;
  • jusqu'à 8 000 GPU entraînant des modèles en parallèle.

Les nouveautés de la version Enterprise

L'entreprise ajoute trois fonctions. La première est une voie d'écriture rapide et fiable pour les données qui arrivent en temps réel. La deuxième est la construction distribuée d'index sur de très grands jeux de données. La troisième est le « compactage » géré des tables : le système met de l'ordre dans l'entrepôt en arrière-plan. Cela permet de travailler avec des tables pouvant atteindre 100 milliards de lignes multimodales, pendant que plusieurs chercheurs lisent, écrivent et interrogent la même table simultanément.

L'étape suivante concerne l'ingénierie des caractéristiques. L'équipe écrit une transformation une seule fois, et LanceDB l'applique à l'ensemble du jeu de données, complète les anciennes lignes et traite les nouvelles au fil de leur arrivée. L'entreprise veut ensuite prendre en charge davantage de préparation des données avant l'entraînement, et améliorer le chargement et la mise en cache pendant les exécutions. Elle évoque aussi un scénario dans lequel chercheurs et agents lancent de nombreuses expériences en parallèle sans altérer les jeux de données partagés.

Ce que cela signifie pour les praticiens

Le marché se déplace des modèles de texte vers la vidéo, les modèles du monde et l'IA physique, et le goulot d'étranglement n'est plus le code d'entraînement mais les données. Si votre équipe manipule des pétaoctets de vidéos ou de journaux de robots, il est utile d'examiner le format ouvert Lance et de le comparer aux data lakes classiques reposant sur Parquet et Iceberg.

Les réserves restent de mise. La plupart des chiffres proviennent du blog de l'entreprise, et les témoignages clients ont été sélectionnés pour le communiqué de presse. Il convient de vérifier les ordres de grandeur annoncés sur vos propres données. Par ailleurs, la plateforme est conçue pour des charges très importantes : une petite équipe disposant de quelques téraoctets s'en sortira probablement mieux avec des solutions plus simples.

Dossier

Questions clés sur cet article

Quel financement, et qui l'a apporté ?

Le tour est mené par Bessemer Venture Partners et Innovation Endeavors. Theory Ventures, Dimension, Swift Ventures, CRV et Y Combinator y participent également. Au total, l'entreprise a levé 98,5 M$. Parmi ses clients figurent Netflix, Microsoft AI, Runway, Luma AI et Midjourney. L'entreprise affirme que son chiffre d'affaires a été multiplié par plus de 10 depuis le tour A, soit environ un an. La bibliothèque open source a été téléchargée plus de 120 millions de fois, soit six fois plus qu'il y a un an.

Comment cela fonctionne, à travers un exemple?

Imaginons un exemple d'entraînement chez Runway. Il s'agit d'abord d'une vidéo et d'une requête textuelle. Viennent ensuite s'ajouter des embeddings, la résolution, la durée et tout ce dont aura besoin l'expérience suivante. Dans un « data lake » classique, ces ajouts sont pénibles : il faut réécrire d'énormes fichiers ou créer des tables séparées.

Que sait-on sur Les nouveautés de la version Enterprise ?

L'entreprise ajoute trois fonctions. La première est une voie d'écriture rapide et fiable pour les données qui arrivent en temps réel. La deuxième est la construction distribuée d'index sur de très grands jeux de données. La troisième est le « compactage » géré des tables : le système met de l'ordre dans l'entrepôt en arrière-plan.

ZK
Zhemal Khamidun — CPO d'Alpina Digital, product manager d'AlpinaGPT. Conçoit des produits IA depuis 2019. Hamidun News est un projet personnel devenu un agrégateur en production avec plus de 6 000 lecteurs.
✦ 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
Qu'en pensez-vous ?
Chargement des commentaires…