Silicon Valley 2018 : Cap sur la maitrise de la data

L'un des paradoxes du monde actuel axé sur l’exploitation intensive des données est que celles que nous cherchons à obtenir pour un avantage concurrentiel peuvent être à la fois une malédiction et une bénédiction. La multiplication des data lakes dans les entreprises n’a pas été en mesure de simplifier l’accès aux données pertinentes, c’est même bien souvent le contraire qui s’est produit. Pour survivre, les data lakes vont devoir commencer à prouver leur valeur commerciale en réussissant à combiner la découverte de l'information, le machine learning et le management des données pour offrir de nouvelles perspectives à l'entreprise.

C'est justement là où se positionne Alation. La startup fondée en 2012 par des anciens d’Oracle, de Google et d’Apple entend en effet aider les utilisateurs à mieux exploiter les données disponibles dans leur entreprise. « Les déploiements de grands hubs de données au cours des 25 dernières années (datawarehouse, gestion des données de base, lacs de données, Salesforce et ERP) ont donné lieu à un plus grand nombre de silos difficiles à comprendre, lier ou partager » relève Satyen Sangani, CEO et cofondateur de la société. Alation affirme que sa plate-forme homonyme peut simplifier l'accès aux données et permettre aux entreprises d'obtenir plus facilement les informations qu'elles recherchent. Elle offre des services d'analyse collaborative, de recherche et de découverte des données, d'optimisation et de gouvernance efficace. Chaque fois qu’une application mobile ou web est créée, il est nécessaire d’établir un pipeline de données, de proposer un tableau de bord ou développer un capteur, ce qui revient à créer un nouveau conteneur de données. Tous ces conteneurs ajoutent de la complexité et entrainent beaucoup de connaissances implicites. Et cette complexité rend les données moins accessibles, explique Alation.

Créer un catalogue exhaustif des données disponibles

La technologie développée par cette très secrète start-up exploite une combinaison d’apprentissage machine et de perspicacité humaine pour capturer une mine d'informations sur les données de l'entreprise, y compris ce qu'elles décrivent, d'où elles proviennent, qui les utilise et comment elles sont utilisées. Une autre façon de comprendre l'information consiste à examiner l'activité humaine qui l'entoure, a expliqué le CEO. « Comme Google, nous parcourons des centaines ou des milliers de systèmes de données au sein d'une entreprise et regardons non seulement les données, mais aussi les journaux d'utilisation » a complété Aaron Kalb, cofondateur et responsable produit de la start-up. L’adaptation aux différentes langues se fait grâce à l’exploitation du contexte et à l’utilisation des requêtes des utilisateurs qui enrichissent le système grâce au machine learning.

L'évolution du traitement des données : des silos historiques au data management.

Après avoir analysé – sans les déplacer - les données disponibles conservées en local (bases de données traditionnelles ou plateforme Hadoop/Spark) ou sur les clouds d'AWS, Azure ou GCP, Alation génère un catalogue de metadata riche et centralisé pour indiquer aux utilisateurs le moyen le plus rapide de trouver la bonne base de données, de formuler une requête, de soumettre une requête à un expert ou d'identifier une meilleure pratique dans son travail (avec un ranking des réponses aux questions déjà posées). « Si vous voulez répondre à une question, le fait de savoir que quelqu'un d'autre l'a déjà posée et la trouver peut être beaucoup plus efficace que de redécouvrir la réponse à nouveau » a souligné Aaron Kalb. La start-up essaie d’exploiter les connaissances déjà présentes dans ces systèmes pour découvrir des informations cachées et fournir des aperçus prédictifs plus pertinents et plus puissants pour proposer plus rapidement des réponses opérationnelles.

Déjà des clients en Europe

Alation est utilisée par des entreprises telles que BMW, eBay, EXpedia, GE, Square, Sony Entertainment et Allegro. La grande majorité des clients d'Alation utilisent aujourd'hui la plateforme pour traiter des données en local mais Expedia est par exemple en mode cloud. Signalons aussi que la start-up travaille avec des partenaires comme Cloudera, Hortonworks, Tableau ou Trifacta pour faciliter l'intégration de sa solution. La start-up a levé 32 millions de dollars (tours A et B) pour financer son activité. Elle possède déjà des bureaux en Allemagne et très bientôt au Royaume-Uni pour répondre aux besoins du marché européen à la veille de l’entrée en service de la directive GDPR.

Presque tous les pays dans le monde ont commencé à adopter des régulations pour la gestion et la conservation des données personnelles clients et, en Europe, GDPR s'appliquera en mai prochain. Comme d’autres éditeurs spécialisés dans le data management, Waterline Data s’est mis à l’heure de GDPR pour accompagner ses clients sur le vieux continent. Nous avions déjà rencontré l’année dernière cette start-up fondée et dirigée par Alex Gorelik.

L’ambition de Waterline est toujours d’apporter les bonnes informations aux bonnes personnes grâce à un catalogage exhaustif des documents disponibles dans l’entreprise avec sa plateforme Smart Data Catalog. La fonction découverte automatique propose par exemple de tagger les données en relation avec l’activité d’un utilisateur afin de l’aider à mieux naviguer dans la masse d’informations recueillies ou générées par son entreprise. La recherche intuitive permet à l’utilisateur de se familiariser avec les outils de recherche et de navigation proposés par la start-up. Différents domaines peuvent également être créés en fonction des services disponibles dans l’entreprise : marketing, RH, commercial…

L’intégration de Waterline Data avec les principales plateformes du marché, que ce soit dans le domaine analytique (Qlik, Tableau…) ou du stockage (Hadoop), est toujours à l’ordre du jour.

Un module spécifique pour GDPR

Pour accompagner la mise en service de GDPR, Waterline Data a développé un tableau de bord spécifique et assure désormais la génération de rapports de conformité pour s'assurer que les nouvelles obligations légales sont respectées par les différents services de l’entreprise. Le catalogage tient donc compte du challenge imposé par le RGPD, nous a confié le CEO de Waterline Data. « C’est une bonne chose de prendre en compte ces aspects [...] Aux États-Unis, nous avons aussi une réglementation comparable à GDPR (US Privacy Model) mais certaines entreprises préfèrent parfois simplement payer une amende plutôt que de se mettre en conformité ». Nous avons désormais une équipe en EMEA avec des ressources marketing et des partenaires distributeurs pour mieux répondre aux besoins, a complété le dirigeant. Avec son module GDPR, Waterline Data propose trois fonctions principales : taxonomie (identification et classement des données sensibles) et reporting, réponse aux demandes de modification et de suppression des données personnelles, et enfin, dans un avenir proche, assurer le consentement des directions concernées.

Waterline Data propose un module complémentaire à sa solutionSmart Data Catalog pour assurer la conformité GDPR.

GlaxoSmithKline en ordre de marche pour GDPR

Mark Ramsey, CDO pour les données R&D chez GlaxoSmithKline a témoigné lors d’un entretien téléphonique de l’impact de GDPR sur l’entreprise. « Une des choses que nous avons fait différemment est de conduire les projets en prenant en compte toutes les données disponibles, y compris celles stockées dans le data lake avec des données structurées et non structurées », a indiqué le responsable du laboratoire pharmaceutique britannique. « Nous voulions être sûr que nous pourrions obtenir plus de valeur que ce qui avait été fait auparavant. J’ai sélectionné Waterline pour mieux organiser et comprendre les metadata liées à notre data lake ». Pour une réglementation comme GDPR, c’est un point important et l'un des grands enjeux est d'assurer un inventaire exhaustif des données pour savoir si elles sont bien sécurisées. « La technologie est importante pour assurer la conformité et sécuriser les données. Nous avons rationalisé la gestion de nos données avec Waterline Data pour permettre à nos chercheurs de travailler en respectant les réglementations en vigueur ». Les commerciaux peuvent également accéder à certaines données pour comprendre comment et quand vendre nos produits. La gestion et le partage des données avec les partenaires sont également des questions pointées par GDPR.

« Nous nous sommes concentrés sur l’analyse des données avec Waterline Data pour comprendre où sont localisées les données et qui y accèdent ». C’est un élément important pour les données concernant les patients qui participent aux tests de nouveaux médicaments. « Avec Waterline, nous utilisons les méta data pour suivre tous ces mouvements ». GlaxoSmithKline n’utilise toutefois pas le module GDPR spécifique de Waterline Data mais a mis en place ses propres pratiques en utilisant la solution Smart Data Catalog de la start-up (découverte et catalogage automatique). « L’automatisation est un élément clef quand vous voulez gérer plus efficacement les données ; nous gérons plus de 10 millions de documents (attributs) et cataloguer ces données à l’ancienne est tout simplement devenu impossible », assure le CDO. « Et à l’avenir, l’idée est de comprendre comment utiliser des outils comme Trifacta pour mieux intégrer les données et également proposer des tableaux de bord aux utilisateurs (scientifiques et chercheurs) pour qu’ils puissent trouver plus facilement les informations qui les intéressent », explique le CDO. « Aujourd’hui, nous sommes davantage dans un mode préservice. Nous avons une initiative très forte pour GDPR et nous serons près en mai 2018 ».

Longtemps chasse gardée de quelques éditeurs très bien implantés dans les entreprises, le marché des bases de données connaît une vive émulation grâce aux initiatives d’acteurs comme MariaDB, MongoDB ou PostgreSQL. SAP a aussi relancé la concurrence avec sa base de données in-memory HANA, disponible on-premise ou dans le cloud. Oracle s’est également mis à l’in-memory, et ce, bien après Aerospike, une start-up fondée en 2009 (anciennement CitrusLeaf) que nous avons rencontrée lors de notre dernier IT Press Tour à San Francisco.

Aerospike est une base de données NoSQL open source, in-memory, qui est fondamentalement un Key-Value store haute performance. Elle porte le nom d'un moteur de fusée dont le principal avantage est qu'il consomme moins de carburant à basse altitude qu'un moteur conventionnel. De type NoSQL, Aerospike Server a été conçue comme une base de données persistante ou un cache de données, capable d’assurer une faible latence dans les requêtes et un débit extrêmement élevé grâce à l’utilisation combinée de la RAM et de SSD. Afin de mieux appréhender l’augmentation des charges de travail dans les entreprises, elle supporte également la mise en clusters pour répondre aux besoins des applications distribuées. « Nous voulons apporter les technologies des géants de l’Internet à toutes les entreprises pour leurs applications de type real time big data », nous a expliqué Brian Bulkowski, le CTO et cofondateur de la société à Mountain View le mois dernier. « Nous devons encore éduquer sur l’utilisation de cette architecture, database in-memory et sans cache afin de casser les silos analytiques/transactionnels ». L’idée est d’apporter le plus de données possible au traitement analytique en cassant ces deux silos.

Données chaudes en mémoire, froides sur SSD

Les données stockées dans Aerospike peuvent être organisées en plusieurs conteneurs hiérarchiques. Certains systèmes NoSQL sont orientés document, ce qui signifie que les données sont encapsulées dans une sorte d'objet, typiquement JSON. Avec Aerospike, les conteneurs sont à peu près comme des documents, mais avec des fonctions et des comportements spécifiques à Aerospike. Chaque type de conteneur permet de définir des propriétés comportementales différentes sur les données qu'il contient. Par exemple, le niveau le plus haut des conteneurs, les espaces de noms, détermine si les données sont stockées sur SSD, en RAM, ou sur les deux ; si les données sont répliquées dans le cluster ou entre les clusters ; et quand ou comment les données expirées sont expulsées. Grâce aux espaces de noms, Aerospike permet aux développeurs de garder en mémoire les données les plus fréquemment consultées pour une réponse la plus rapide possible.

Aerospike travaille avec les principales plateformes du marché pour accélérer les requêtes.

Aerospike peut également stocker des données de type complexes - listes de valeurs, collections de paires de valeurs clés appelées cartes et données géospatiales au format GeoJSON. La base peut effectuer un traitement natif sur des données géospatiales - par exemple pour déterminer quels emplacements stockés dans la base de données sont les plus proches l'un de l'autre en effectuant simplement une requête - ce qui en fait une option attrayante pour les développeurs d'applications qui utilisent les emplacements géographiques.

Une liste des SSD recommandés

La base peut conserver ses données sur presque n'importe quel système de fichiers, mais elle a été écrite spécifiquement pour tirer parti des SSD en accédant directement aux blocs. Tous les SSD ne sont pas recommandés par l’éditeur qui tient une liste des dispositifs approuvés. Brian Bulkowski nous a même indiqué qu’ils avaient développé un outil baptisé ACT pour évaluer la performance des SSD avec les charges de travail d'Aerospike. Comme la plupart des systèmes NoSQL, Aerospike utilise une architecture sans partage (shared-nothing) pour la réplication et le clustering. La base n'a pas de nœuds maîtres et pas de répartition manuelle. Chaque nœud est identique. Les données sont réparties de manière aléatoire sur les nœuds et sont automatiquement rééquilibrées pour éviter la formation de goulets d'étranglement. Il est toutefois possible de définir des règles de rééquilibrage agressif des données et même de configurer plusieurs clusters, s'exécutant dans différents segments de réseau ou même dans différents datacenters, pour qu'ils se synchronisent les uns avec les autres. Le plus grand cluster Aerospike rassemble aujourd’hui vingt noeuds avec 400 serveurs.

Le TCO est un des arguments mis en avant par Aerospike pour faire la différence.

Aerospike est disponible en édition communautaire gratuite et en édition entreprise payante. Le coût de l'édition entreprise dépend de la quantité de données stockées. La principale différence entre les deux éditions - autre que l'édition communautaire est sans support client 24-7 - est la réplication entre datacenters disponible dans l'édition entreprise, un processus qui s'exécute en parallèle avec le moteur Aerospike pour répliquer les données entre les clusters. La technologie hybride de la start-up est déjà utilisée chez Google, Facebook et AWS, nous a indiqué le CTO.

A l’origine de la base de données open source Ignite (SQL et ACID), pilotée par la fondation Apache depuis 2014, GridGain surfe aujourd’hui sur la vague de la transformation numérique dans les entreprises qui plébiscitent les performances et la réactivité des plateformes in-memory. « Toute l’informatique se porte vers l’in-memory et SAP HANA est aujourd’hui le leader devant Oracle. Si ce sont eux [SAP] qui ont le plus d’applications, nous avons plus de fonctionnalités », nous a assuré le CEO de GridGain, Abe Kleinfeld. « Mais Hana reste devant nous car ils poussent toutes leurs applications sur Hana » poursuit le dirigeant. « Les entreprises qui construisent quelque chose de nouveau, regardent vers l’open source […] GridGain est comme un Hana open source à la différence que SAP Hana ne sera pas adoptée par les start-ups ou par les entreprises qui n'ont pas déjà investi dans la technologie SAP, parce qu'elle est propriétaire, haut de gamme et coûteuse », assène le dirigeant.

Selon le cabinet Gartner, le marché de l'in-memory connait une croissance continue.

« Une plateforme data in-memory n’est plus une option, mais une nécessité » vient compléter Noel Yuhanna, analyste principal chez Forrester, appelé en renfort dans un slide lors de la présentation d’Abe Kleinfeld. Comme le soutient Nikita Ivanov, fondateur et CTO de GridGain, l’heure est au fast data grâce à l’utilisation des technologies in-memory (RAM, flash et algorithmes de compression et de gestion des données les plus utilisées).

Un chiffre d'affaires en hausse

Reste ensuite à retenir la base de donnée in-memory la plus adaptée à ses besoins car la concurrence s’est étoffée ces dernières années avec Aerospike, que nous avons aussi rencontré en février dernier à Mountain View et le réveil d’Oracle et Microsoft. Aujourd’hui, GridGain qui ne se présente plus comme une start-up – l’entreprise a été fondée en 2007 et Ignite lancée en 2010 – annonce un chiffre d’affaire de 31 millions de dollars pour l’année précédente. Depuis notre dernière rencontre en juin 2017, les revenus ont donc doublé et le nombre d'employés est passé de 75 à 125 personnes. Les sanctions contre la Russie ont toutefois entrainé quelques difficultés comme nous a indiqué Nikita Ivanov. « Nous avons été obligés de bouger des employés ici, car il est de plus en plus difficile de faire des affaires en Russie ».

L'adoption d'une bases de données in-memory peut avoir un impact transformationnel sur l'entreprise.

L’éditeur se focalise sur deux marchés les services financiers et l’industrie. Parmi les clients de GridGain on peut toutefois citer la Société Générale, Barclays, ING dans le secteur bancaire mais également Apple (pour la partie distribution), Cognizant, Huawei (base en OEM dans le cloud OpenStack), Workday (avec Walmart près de 2 millions de clients) et même Microsoft (cloud security project). Mais le plus gros client reste la Sberbank avec un cluster fort de 2 000 nœuds (56 000 cœurs CPU, 1536 To de mémoire et une puissance de calcul de 2150 Tflops). Cette banque russe a construit l'un des plus grands clusters de bases de données in-memory au monde, comparable à AWS ou Alibaba. GridGain peut également compter sur le support de la communauté open source puisque le projet Ignite arrive dans le top 5 des solutions les plus téléchargées chez Apache - derrière Hadoop, Ambari, Lucene-Solr et Camel, avec 1 million de téléchargements par an.

La base de donnée Ignite vient épauler les processus métiers dans de nombreux secteurs d'activité.

Apache Ignite 2.4 passe au machine learning

Signalons enfin que GridGain vient d’annoncer Professional Edition 2.4, reposant sur Apache Ignite 2.4. Cette mouture inclut un ensemble d’outils machine learning, qui inclut un réseau neuronal multicouche perceptron (MLP) permettant aux entreprises d'utiliser des algorithmes d'apprentissage machine avec leurs données opérationnelles (jusqu’au pétaoctet en temps réel). GridGain Professional Edition 2.4 améliore également les performances d'Apache Spark en introduisant une API pour Apache Spark DataFrames, qui s'ajoute à la prise en charge existante des RDD Spark.

Si les cartes graphiques étaient hier réservées aux joueurs et aux stations de travail, leur arrivée sur le segment des supercalculateurs a dopé la recherche scientifique et un très grand nombre d’applications grâce à leurs capacités éprouvées pour le traitement parallèle. Aujourd’hui, les bases de données et l’analytique sont le nouveau terrain de jeu des GPU grâce à des start-ups comme MapD, fondée en 2013 par Todd Mostak.

A la fois base de données SQL in-memory (RAM pour les données chaudes et flash pour les froides) et outil de visualisation, alimentée par une batterie de GPU, la plateforme de la start-up MapD (Massively Parallel Data) a été conçue pour l'exploration rapide et immersive de données en réduisant le recours à des data analystes. En apportant la puissance des GPU – comme sur les supercalculateurs - à l'analyse de données, MapD propose d’interroger et de visualiser des milliards d'enregistrements en quelques millisecondes. La base de données MapD Core tire parti du parallélisme des GPU avec un moteur de compilation de requêtes pointu capable d’accélérer les requêtes analytiques SQL, afin de réduire la latence pour l'exploration des grands ensembles de données.

Dédiée à la dataviz, MapD Core repose sur un moteur open source disponible sous licence Apache.

Plus besoin d'index

La puissance de traitement parallèle des cartes GPU permet au moteur open source MapD Core SQL d'interroger des milliards de lignes en quelques millisecondes à l'aide de commandes SQL standard, nous a expliqué Grant Halloran, CMO de MapD. Le système d'analyse visuelle MapD Immerse exploite le moteur de rendu de MapD Core SQL pour afficher en quelques millisecondes des ensembles de données avec des milliards d'enregistrements, tout en fournissant une analyse interactive rapide jusqu'au niveau des points de données individuels, a souligné Tood Mostak, CEO de la société. Les plus gros gains ne sont pas dans la réponse à chaque requête (qui sont évidemment beaucoup plus rapides) mais dans le travail de préparation, car il n'y a pas besoin de prétraitement. De nombreuses bases de données gagnent du temps en conservant un index, qui est effectivement un résultat pré-calculé de toutes les recherches possibles. Si cet indice est corrompu ou détruit, sa reconstruction peut prendre des heures, voire des jours. Cependant, si les données peuvent entrer dans la mémoire de GPU, il est possible de se passer d’index. Et si les données changent rapidement et que la majeure partie de l'index n'est jamais utilisée, il peut être très efficace d'ignorer ce prétraitement.

L'outil de data visualisation de MapD permet de traiter et d'afficher presque en temps réel la progression géographique des recherches Twitter sur une carte.

MapD se distingue particulièrement pour des applications à grande échelle telles que l’affichage géospatial de points, l'analyse IoT avec des millions de capteurs, la modélisation météo, la traque à la fraude bancaire et l'analyse de logs pour la sécurité. La solution effectue ces opérations en quelques millisecondes. MapD Immerse permet également d'éviter les coûts supplémentaires liés au transfert de jeux de résultats volumineux du serveur vers l’utilisateur, en envoyant uniquement des images PNG compressées. MapD travaille avec les plateformes AWS, Google Cloud Engine et IBM Cloud, et propose d’exécuter un certain nombre de démonstrations pour test en ligne. Plusieurs versions du produit sont disponibles : open source pour tests et édition commerciale avec support. Si MapD est agnostique au niveau du choix des GPU - le modèle est l'open source - Nvidia fait partie des investisseurs de la start-up qui a levé 37 millions de dollars à ce jour.

Lancée en 2012, la start-up Frame pousse un service assez unique sur le marché des serveurs d’applications. La société installée à San Mateo propose en effet aux éditeurs, aux ISV et aux entreprises une plateforme cloud de type PaaS capable d’afficher n’importe quelle application Windows – même exigeante - dans un navigateur web sur Mac, Windows ou Linux. C’est une demande du gouvernement américain qui est à l’origine de l’offre de la start-up, nous a expliqué Carsten Puls, responsable du marketing chez Frame. Les autorités fédérales demandaient quelque chose de plus simple et moins cher que les solutions VDI de Citrix XenDesktop, Microsoft RDS ou VMware View - qui nécessitent des serveurs et des licences onéreuses - pour utiliser des applications Windows sur plusieurs plateformes.

Frame a donc saisi cette opportunité pour développer son service cloud sur AWS et Azure. Celui-ci s’apparente à une forme de Desktop as a Service. « En 2012, AWS n’était pas encore très connu, l’utilisation de GPU dans le cloud pas encore disponible… nous avons donc travaillé avec Adobe Photoshop pour montrer que notre plateforme pouvait embarquer n’importe quelle application Windows avec une simple ligne de code Javascript dans le navigateur », nous a confié Carsten Puls. « C’était un moment extraordinaire pour les utilisateurs et cela nous a mis en orbite. L’application fonctionne sur un serveur cloud et s’affiche sur un navigateur x86. Il n’y a pas de plug-in, pas de Flash… alors que Citrix et tous les autres demandent un plug-in. Nous voulions une solution SaaS facile à utiliser ». Et début 2018, Frame a aussi lancé un PaaS multitenant qui connecte les utilisateurs aux VM de manière transparente.

Grâce aux API fournies par Frame, il est possible de démarrer et arrêter des sessions, ajuster la capacité et obtenir des analyses en temps réel.

Créée en octobre dernier par Jyoti Bansal, l’ancien cofondateur d’AppDynamics (revendue avec profit à Cisco juste avant son IPO), Harness a longtemps travaillé secrètement avant de dévoiler sa solution destinée à simplifier et optimiser le déploiement d’applications conçues en mode DevOps. Si Jyoti Bansal, qui a également lancé son propre incubateur baptisé Big Labs avec un fond initial de 50 millions de dollars, ne pouvait juridiquement pas marcher dans les pas d’AppDynamics, il reste dans le monde du DevOps avec cette plateforme censée faciliter le travail des développeurs.

Pour lancer sa start-up, Jyoti Bansal a déniché un très bon connaisseur du continuous delivery, Rishi Singh, qui a passé plus de cinq ans en tant qu'architecte plate-forme chez Apple. Désormais CTO et cofondateur d’Harness, ce dernier a mis profit son expérience passée pour piloter le développement de la solution d’Harness qui ambitionne de construire un pipeline applicatif en quelques minutes en réduisant de 90% le scripting nécessaire. « Il est nécessaire de comprendre les performances d’une application pour suivre ensuite son fonctionnement », nous a indiqué Steve Burton, VP en charge du marketing d'Harness, lors de sa présentation de la solution à San Francisco. « Les propositions concurrentes nécessitent encore un scripting manuel pour configurer le provisioning et l’équilibrage de charge », nous a assuré le dirigeant. « Notre proposition est nouvelle et unique sur le marché pour l’instant ».

Pour simplifier le travail des développeurs, Harness propose d'automatiser la chaine de maintenance DevOps.

Alléger la charge des codeurs

Tout le monde parle de DevOps et de l'automatisation, mais toutes les équipes DevOps écrivent des scripts similaires pour vérifier, déployer ou supprimer quelque chose. Les développeurs consacrent un temps fou à élaborer des scripts pour automatiser les différentes étapes nécessaires à la construction, au test, au déploiement et à l'amélioration des logiciels. Harness entend bien changer tout ça avec sa plateforme. Quatre fonctions de base sont assurées par la solution pour aider les entreprises à réduire le temps passé à écrire ces scripts destinés à éliminer le travail manuel et à réduire les erreurs : le CD as a Service avec le déploiement de pipeline automatique et la vérification des paquets à l’aide du machine learning ; le support des applications traditionnelles (Java, Node.js, PHP, Tomcat, Ruby, Glassfish et bientôt .Net) et cloud native (sur Docker, Kubernetes, Lambada Serverless et ECS); un fonctionnement multi-cloud (bare-metal, AWS, GCP, Azure et à venir Pivotal) ; et enfin l’intégration avec les écosystèmes Jenkins, Travis CI, Bamboo ou encore Jfrog. Des templates sont proposés pour aider les développeurs à démarrer plus vite et des connecteurs sont également disponibles pour activer l’autodécouverte et la maintenance des applications existantes dans le cloud et dans des containers.

Cette problématique DevOps représente une belle opportunité pour la start-up qui a démarré très vite. 37 employés ont déjà été recrutés et 20 millions de dollars apportés par Menlo Ventures et Big Labs. La commercialisation de la solution reprend le modèle Freemium déjà initié avec AppDynamics et les prix s’établissent ensuite par instance de service (25$ par instance et par mois avec un abonnement d’un an). 500 instances donnent au final un tarif de 150K$ par an. Des partenariats ont déjà été initiés au Royaume-Uni et en Turquie pour attaquer les marchés européens et moyen-orientaux. L’ouverture d’un premier bureau britannique est déjà actée par les dirigeants qui comptent ensuite rapidement s’étendre en Europe. Parmi les premiers clients payants, on peut déjà citer Build.com ; Jobvite, Beachbody, Chegg et Vuclip.