ML Ops 시장 - 글로벌 산업 규모, 점유율, 추세, 기회 및 예측, 세분화, 배포별(클라우드, 온프레미스 및 하이브리드), 기업 유형별(중소기업 및 대기업), 최종 사용자별(IT 및 통신, 의료, BFSI, 제조, 소매 및 기타), 지역별, 경쟁별, 2019-2029F

시장 개요

글로벌 ML Ops 시장은 2023년에 12억 3천만 달러 규모로 평가되었으며, 예측 기간 동안 CAGR 20.36%로 2029년까지 37억 7천만 달러에 도달할 것으로 예상됩니다. MLOps(Machine Learning Operations) 시장은 프로덕션 환경에서 머신 러닝(ML) 모델의 배포, 관리 및 모니터링을 간소화하고 자동화하도록 설계된 관행, 도구 및 기술 모음을 포함합니다. MLOps는 데이터 과학과 IT 운영 간의 격차를 메우고 머신 러닝 모델이 개발에서 운영화로 원활하게 전환되고 수명 주기 내내 효과적이도록 하는 것을 목표로 합니다. 이 시장에는 ML 모델 버전 관리, 테스트 및 모니터링 솔루션과 데이터 파이프라인 관리, 모델 배포 및 성능 추적이 포함됩니다. ML 워크플로를 더 광범위한 DevOps 프레임워크에 통합함으로써 MLOps는 머신 러닝을 위한 지속적인 통합 및 지속적인 배포(CI/CD)를 용이하게 하여 운영 효율성, 확장성 및 안정성을 촉진합니다. 이 시장은 또한 거버넌스 및 규정 준수 측면을 다루어 ML 모델이 규제 표준 및 윤리 지침을 준수하도록 보장합니다. 조직이 데이터 중심 의사 결정을 추진하고 경쟁 우위를 확보하기 위해 머신 러닝을 점점 더 활용함에 따라 강력한 MLOps 솔루션에 대한 필요성이 커지고 있습니다. 이러한 솔루션은 ML 시스템의 복잡성을 관리하고 모델 드리프트, 데이터 품질 및 확장성과 같은 과제를 해결하며 더 빠르고 안정적인 모델 업데이트를 가능하게 하는 데 도움이 됩니다. MLOps 시장은 AI 및 ML 기술의 확산, 빅데이터의 증가, 비즈니스 운영에서 자동화 및 효율성에 대한 강조가 커짐에 따라 주도되고 있습니다. 이 시장의 주요 참여자로는 ML 모델 관리를 위한 플랫폼과 도구를 제공하는 기술 공급업체, 확장 가능한 인프라를 제공하는 클라우드 서비스 공급업체, MLOps 관행 구현에 대한 전문 지식을 제공하는 컨설팅 회사가 있습니다. 기업이 머신 러닝 이니셔티브를 계속 도입하고 확장함에 따라 MLOps 시장은 기술 발전, AI 기반 통찰력에 대한 수요 증가, 효율적이고 확장 가능하며 규정을 준수하는 ML 운영에 대한 필요성에 따라 확대될 것으로 예상됩니다.

주요 시장 동인

인공 지능 및 머신 러닝 도입 증가

MLOps 시장은 다양한 산업에서 인공 지능(AI) 및 머신 러닝(ML) 도입이 증가함에 따라 크게 촉진되고 있습니다. 조직이 AI와 ML을 비즈니스 프로세스에 점점 더 통합함에 따라 이러한 모델의 수명 주기를 효과적으로 관리할 수 있는 강력한 프레임워크가 필요합니다. 예측 분석 및 고객 통찰력에서 자율 시스템 및 개인화된 추천에 이르기까지 AI 및 ML 애플리케이션이 확산됨에 따라 모델의 효율적인 관리 및 운영화가 필요합니다. MLOps는 ML 모델의 배포, 모니터링 및 유지 관리를 간소화하는 데 필요한 도구와 방법론을 제공하여 최적의 성능을 발휘하고 정확한 결과를 제공하도록 합니다. AI와 ML에 대한 이러한 증가하는 의존성으로 인해 조직은 모델 버전 관리, 확장성 및 협업과 관련된 과제를 해결하기 위해 MLOps 솔루션에 투자하고 있습니다. MLOps는 ML 워크플로를 자동화하고 최적화하여 기업이 출시 시간을 단축하고 모델 정확도를 개선하며 규정 준수를 유지하는 데 도움이 됩니다. 결과적으로 금융, 의료, 소매 및 제조와 같은 부문에서 AI 및 ML 기술의 사용이 확대되는 것은 MLOps 시장의 주요 원동력입니다.

간소화되고 확장 가능한 ML 운영의 필요성

간소화되고 확장 가능한 ML 운영에 대한 수요는 MLOps 시장의 중요한 원동력입니다. 조직이 더 복잡한 ML 모델을 배포하고 AI 이니셔티브를 확장함에 따라 이러한 모델을 효율적으로 관리하고 유지하는 것과 관련된 과제에 직면하게 됩니다. ML 모델을 배포하고 관리하는 기존 방법은 번거롭고 시간이 많이 걸리며 오류가 발생하기 쉽습니다. 특히 모델과 데이터 소스의 수가 증가함에 따라 더욱 그렇습니다. MLOps는 데이터 준비 및 모델 학습에서 배포 및 모니터링에 이르기까지 종단 간 ML 라이프사이클을 자동화하고 조율하는 체계적인 접근 방식을 제공하여 이러한 과제를 해결합니다. 이 간소화된 접근 방식을 통해 조직은 더 많은 양의 데이터를 처리하고 다양한 환경에 모델을 배포하며 결과의 일관성과 재현성을 보장할 수 있습니다. MLOps 도구와 관행이 제공하는 확장성을 통해 기업은 진화하는 요구 사항에 적응하고 새로운 기술을 통합하며 시장 변화에 신속하게 대응할 수 있습니다. 조직이 운영 효율성을 높이고 ML 투자를 효과적으로 활용하려고 하면서 확장 가능하고 간소화된 ML 운영에 대한 필요성이 MLOps 솔루션 도입을 촉진합니다.

모델 거버넌스 및 규정 준수에 대한 집중도 증가

모델 거버넌스 및 규정 준수에 대한 집중도가 증가하는 것은 MLOps 시장의 중요한 원동력입니다. 조직이 AI 및 ML 모델을 배포함에 따라 규제 요구 사항, 윤리적 고려 사항 및 산업 표준의 복잡한 환경을 탐색해야 합니다. ML 모델이 투명하고 공정하며 규정을 준수하도록 하는 것은 위험을 완화하고 이해 관계자의 신뢰를 유지하는 데 필수적입니다. MLOps 솔루션은 모델 성능 추적, 모델 변경 감사 및 규제 요구 사항 준수를 포함하여 모델 거버넌스를 위한 포괄적인 기능을 제공합니다. 강력한 거버넌스 관행을 구현함으로써 조직은 책임을 입증하고 편견을 해결하며 AI 및 ML 애플리케이션의 윤리적 의미를 관리할 수 있습니다. 또한 효과적인 모델 거버넌스는 모델 동작 및 성능에 대한 통찰력을 제공하여 더 나은 의사 결정을 지원합니다. 규제 준수, 데이터 개인 정보 보호 및 윤리적 AI 관행에 대한 강조가 커짐에 따라 조직은 이러한 과제를 효과적으로 관리하는 데 필요한 도구와 프레임워크를 제공하는 MLOps 솔루션에 투자하게 됩니다. 결과적으로 강력한 모델 거버넌스와 규정 준수에 대한 필요성은 MLOps 시장을 이끄는 핵심 요인입니다.

주요 시장 과제

통합 복잡성 및 단편화

MLOps(머신러닝 운영) 시장의 주요 과제 중 하나는 도구와 플랫폼의 통합 복잡성과 단편화입니다. MLOps는 데이터 준비, 모델 개발, 배포 및 모니터링을 포함하여 머신러닝 라이프사이클 전반에 걸쳐 광범위한 도구와 기술을 포함합니다. 이러한 다양한 생태계는 종종 프로세스의 다양한 단계에 서로 다른 도구를 사용하여 단편화된 워크플로를 초래하여 통합 문제로 이어집니다. 조직은 기술적으로 어렵고 리소스 집약적일 수 있는 이질적인 시스템을 연결하는 복잡성을 탐색해야 합니다. 이러한 도구 간의 원활한 상호 운용성을 보장하는 것은 효율적이고 효과적인 MLOps 파이프라인을 유지하는 데 중요합니다. MLOps 도구의 표준화 부족은 모든 사용 사례에 맞는 보편적인 접근 방식이나 프레임워크가 없기 때문에 이러한 과제를 악화시킵니다. 결과적으로 기업은 프로세스를 간소화하고 생산성을 향상시키는 응집력 있는 워크플로를 만드는 데 어려움을 겪을 수 있습니다. 통합 과제는 조직이 다양한 시스템에서 일관성과 정확성을 유지하기 위해 고군분투함에 따라 데이터 거버넌스와 모델 관리에도 영향을 미칩니다. 이러한 복잡성은 MLOps 관행의 확장성을 방해하고 조직이 머신 러닝 투자를 최대한 활용하는 능력을 제한할 수 있습니다. 이러한 문제를 해결하기 위해 회사는 견고한 통합 솔루션에 투자하고 명확한 표준과 프로토콜을 수립하며 엔드투엔드 기능을 제공하는 통합 MLOps 플랫폼 채택을 고려해야 합니다.

기술 부족과 인재 확보

MLOps 시장은 기술 부족과 인재 확보와 관련된 상당한 과제에 직면해 있습니다. MLOps 관행의 구현 및 관리에는 머신 러닝, 데이터 엔지니어링, DevOps 및 클라우드 컴퓨팅에 대한 전문 지식이 필요합니다. 그러나 MLOps 프로세스를 효과적으로 실행하고 감독하는 데 필요한 기술 세트를 갖춘 전문가가 부족합니다. 이러한 인재 격차는 견고한 MLOps 역량을 구축하고 유지하려는 조직에 어려움을 안겨줍니다. 모델 개발 및 배포에서 모니터링 및 최적화에 이르기까지 MLOps 작업의 복잡성은 높은 수준의 기술 능숙도와 경험을 요구합니다. 조직은 종종 이러한 다면적인 책임을 관리하는 데 필요한 기술을 모두 갖춘 자격을 갖춘 후보자를 찾는 데 어려움을 겪습니다. MLOps 전문가를 위한 일자리 시장의 경쟁적 특성은 기업이 제한된 인재 풀을 놓고 경쟁하면서 급여가 올라가고 채용의 어려움이 커짐에 따라 이러한 과제를 더욱 악화시킵니다. 이러한 과제를 극복하기 위해 조직은 기존 인력의 기술을 향상시키고 지속적인 학습 문화를 육성하기 위한 교육 및 개발 프로그램에 투자해야 합니다. 또한 교육 기관과의 파트너십을 활용하고 산업 협업에 참여하면 인재 격차를 메우는 데 도움이 될 수 있습니다. 기술 부족을 해결하고 최고 인재를 유치하는 것은 조직이 MLOps 이니셔티브를 성공적으로 구현하고 확장하여 머신 러닝 투자의 잠재력을 최대한 활용할 수 있도록 하는 데 매우 중요합니다.

주요 시장 동향

클라우드 플랫폼과 MLOps 통합

MLOps에서 자동화 머신 러닝(AutoML)의 부상

자동화 머신 러닝(AutoML)의 부상은 머신 러닝 모델 개발 프로세스를 단순화하고 가속화하여 MLOps 환경을 혁신하고 있습니다. AutoML 도구는 데이터 전처리, 기능 선택, 모델 선택 및 하이퍼파라미터 튜닝을 포함하여 ML 워크플로의 다양한 측면을 자동화하도록 설계되었습니다. 이 자동화는 광범위한 수동 개입의 필요성을 줄이고 데이터 과학자와 엔지니어가 결과 해석 및 모델 전략 개선과 같은 상위 레벨 작업에 집중할 수 있도록 합니다. AutoML은 모델 개발을 간소화하여 생산성을 향상시키고, 머신 러닝 전문 지식이 부족한 개인도 쉽게 사용할 수 있도록 합니다. 결과적으로 조직은 AI 도입을 가속화하고 모델을 더 빠르게 배포할 수 있습니다. 또한 AutoML을 MLOps 플랫폼과 통합하면 모델을 개발에서 프로덕션으로 원활하게 전환할 수 있어 자동화된 프로세스가 운영 요구 사항에 맞게 조정됩니다. 이러한 추세는 광범위한 애플리케이션에 머신 러닝을 활용하려는 조직에 특히 가치가 있으며, 광범위한 사내 전문 지식이 필요하지 않습니다. 알고리즘과 사용자 친화적 인터페이스가 발전하면서 AutoML이 지속적으로 진화함에 따라 머신 러닝 기능에 대한 액세스를 민주화하고 운영 효율성을 최적화함으로써 도입이 더욱 촉진되고 MLOps 시장에 영향을 미칠 것으로 예상됩니다.

모델 거버넌스 및 규정 준수에 대한 강조

조직이 규제된 환경에서 머신 러닝 모델을 배포하는 복잡성을 탐색함에 따라 모델 거버넌스 및 규정 준수에 대한 강조가 MLOps 시장에 점점 더 큰 영향을 미치고 있습니다. AI 및 머신 러닝 기술의 도입이 증가함에 따라 모델이 규제 표준, 윤리 지침 및 업계 모범 사례를 준수하도록 하는 데 더욱 중점을 두고 있습니다. 모델 거버넌스는 모델 투명성, 해석 가능성, 책임을 포함한 다양한 측면을 포괄하며, 이는 위험을 완화하고 모델이 사전 정의된 경계 내에서 작동하도록 하는 데 중요합니다. GDPR, CCPA 및 기타 데이터 보호법과 같은 규정을 준수하려면 모델 결정 및 데이터 사용을 추적하고 감사하기 위한 강력한 메커니즘이 필요합니다. 조직이 프로덕션에 머신 러닝 모델을 배포할 때 모델 수명 주기를 관리하고, 성능을 모니터링하고, 잠재적인 편견이나 윤리적 문제를 해결하기 위해 엄격한 거버넌스 프레임워크를 구현해야 합니다. 이러한 추세는 모델 감사, 버전 제어 및 문서화를 위한 기능을 제공하는 고급 MLOps 도구 및 플랫폼의 개발을 촉진하고 있습니다. 또한 AI 윤리 및 공정성 이니셔티브의 증가로 인해 조직은 모델이 윤리적 기준에 부합하고 편견이나 차별을 영속시키지 않도록 하는 관행을 채택하게 되었습니다. 모델 거버넌스와 규정 준수에 대한 초점이 커짐에 따라 이러한 고려 사항을 MLOps 파이프라인에 통합하여 머신 러닝 기술이 책임감 있게 그리고 규정 요구 사항에 따라 배포되도록 하는 것이 중요해졌습니다.

세그먼트별 인사이트

최종 사용자 인사이트

IT 및 통신 부문은 2023년에 가장 큰 시장 점유율을 기록했습니다. IT 및 통신 부문 내 MLOps 시장은 몇 가지 주요 요인에 의해 주도되어 강력한 성장을 경험하고 있으며, 이는 점점 더 중요해지고 있음을 강조합니다. 이 부문의 조직이 머신 러닝(ML) 및 인공 지능(AI) 기술을 점점 더 많이 도입함에 따라 ML 모델의 전체 수명 주기를 관리하기 위한 간소화되고 효율적인 프로세스에 대한 필요성이 커지고 있습니다. 머신 러닝과 DevOps 관행을 결합한 MLOps는 대규모로 ML 모델의 배포, 모니터링 및 관리를 자동화하고 최적화하여 이러한 필요성을 해결합니다. 주요 동인 중 하나는 IT 및 통신 운영에서 생성되는 데이터의 양과 복잡성이 증가하고 있다는 것입니다. 이는 운영 효율성과 고객 경험 향상을 위한 고급 분석 및 AI 기반 통찰력이 필요합니다. 통신 회사와 IT 서비스 제공업체가 예측 유지 관리, 네트워크 최적화 및 개인화된 서비스를 위해 방대한 데이터 세트를 활용함에 따라 MLOps는 이러한 ML 모델이 효과적으로 개발, 통합 및 지속적으로 개선되도록 하는 프레임워크를 제공합니다. 또 다른 중요한 동인은 민첩하고 반복적인 모델 개발 및 배포 프로세스를 요구하는 기술 발전의 빠른 속도입니다. MLOps는 ML 모델에 대한 지속적인 통합 및 지속적인 배포(CI/CD)를 지원하여 업데이트 및 개선 사항이 원활하게 롤아웃되도록 하여 모델 정확성과 관련성을 유지함으로써 이를 용이하게 합니다. 규정 준수 및 데이터 거버넌스에 대한 필요성도 MLOps 시장을 촉진합니다. IT 및 통신 부문에서 데이터 프라이버시 및 보안에 대한 엄격한 규정은 강력한 모니터링 및 제어 메커니즘을 필요로 하며, MLOps는 자동 추적, 감사 및 검증 프로세스를 통해 이를 제공할 수 있습니다. 또한 운영 효율성과 비용 절감을 향한 추진은 MLOps 도입을 촉진하는데, 이는 조직이 ML 워크플로를 간소화하고, 수동 개입을 줄이고, 오류를 최소화하는 데 도움이 되기 때문입니다. 이러한 효율성은 높은 가동 시간과 안정적인 서비스 제공이 가장 중요한 IT 및 통신 부문에서 특히 중요합니다. MLOps와 클라우드 컴퓨팅 플랫폼의 통합이 증가함에 따라 시장 성장의 촉매 역할을 합니다. 클라우드 기반 MLOps 솔루션은 확장성, 유연성 및 비용 효율성을 제공하여 조직이 주문형 리소스와 서비스를 활용하여 ML 운영을 지원할 수 있도록 합니다. 더 많은 IT 및 통신 회사가 클라우드로 마이그레이션함에 따라 클라우드 기반 MLOps 솔루션에 대한 수요가 증가할 것으로 예상됩니다. 또한, 이 부문에서 혁신과 디지털 전환에 대한 강조가 커지면서 고급 ML 및 AI 기술 도입이 촉진됩니다. MLOps는 새로운 모델을 신속하게 배포하고 반복하는 데 필요한 도구와 프레임워크를 제공하여 이를 지원하고, 더 빠른 혁신 주기를 촉진하며, 조직이 역동적인 시장에서 경쟁력을 유지할 수 있도록 돕습니다. 마지막으로, IT 및 통신 부문에서 고객 경험과 개인화된 서비스에 대한 초점이 커지면서 효과적인 MLOps 관행에 대한 필요성이 커졌습니다. ML을 활용하여 고객 데이터를 분석하고 맞춤형 경험을 제공함으로써 회사는 만족도와 충성도를 높일 수 있으며, MLOps는 이러한 모델이 효율적으로 관리되고 지속적으로 최적화되도록 합니다. 전반적으로, 데이터 복잡성, 기술 발전, 규정 준수, 운영 효율성, 클라우드 통합, 혁신, 고객 경험 등의 이러한 요소들이 융합되면서 IT 및 통신 부문에서 MLOps의 채택과 중요성이 커지고 있습니다.

지역별 통찰력

북미 지역은 2023년에 가장 큰 시장 점유율을 기록했습니다. 북미의 MLOps 시장은 몇 가지 핵심 요인에 의해 주도되는 강력한 성장을 경험하고 있습니다. 이 지역의 조직들이 머신 러닝(ML)과 인공 지능(AI)을 운영에 점점 더 통합함에 따라 효율적이고 확장 가능하며 간소화된 ML 라이프사이클 관리에 대한 필요성이 중요해지고 있습니다. ML과 운영을 결합한 MLOps는 ML 모델의 개발, 배포 및 모니터링을 자동화하고 최적화하기 위한 프레임워크를 제공하여 AI 솔루션 확장과 관련된 과제를 해결합니다. 북미 시장은 강력한 기술 인프라와 AI 혁신의 최전선에 있는 기술에 정통한 회사와 스타트업이 밀집되어 있어 특히 활기가 넘칩니다. 이 지역은 고급 데이터 센터, 클라우드 컴퓨팅 기능, 고속 인터넷으로 구성된 풍부한 생태계의 혜택을 누리고 있으며, 이 모든 것이 MLOps의 복잡한 요구 사항을 지원하는 데 필수적입니다. 또한 북미 기업은 AI가 제공하는 경쟁 우위를 잘 알고 있으며, 더 빠른 출시 시간, 더 높은 모델 정확도, 더 큰 운영 효율성을 보장하기 위해 MLOps에 많은 투자를 하고 있습니다. 금융, 의료, 소매, 제조와 같은 부문의 기업에서 생성하는 데이터 양이 증가함에 따라 조직이 이 데이터를 효과적으로 활용하고 AI를 통해 실행 가능한 통찰력을 도출하려고 하기 때문에 MLOps 솔루션에 대한 수요도 증가하고 있습니다. 또한 북미에서 데이터 보안 및 개인 정보 보호와 관련된 규제 및 규정 준수 요구 사항이 증가함에 따라 조직은 모델 거버넌스와 법적 표준 준수를 보장하기 위해 강력한 MLOps 관행을 채택하고 있습니다. 이 지역에는 선도적인 기술 공급업체와 클라우드 플랫폼이 있어 이러한 회사가 다양한 산업 요구 사항을 충족하는 포괄적인 MLOps 도구와 플랫폼을 제공하므로 시장 성장이 더욱 촉진됩니다. 또한 북미가 AI 및 머신 러닝 분야의 혁신과 연구에 중점을 두면서 고급 MLOps 솔루션의 개발이 촉진되어 시장 확장에 기여합니다. ML 모델의 복잡성이 증가하고 지속적인 모니터링과 최적화가 필요해짐에 따라 모델 성능을 관리하고 지속적인 비즈니스 가치를 보장하는 데 있어 MLOps의 중요성이 더욱 부각되고 있습니다. 조직이 빠르게 진화하는 시장에서 경쟁 우위를 유지하기 위해 노력함에 따라 MLOps는 전략적 투자가 되어 ML 이니셔티브를 효과적으로 관리하고 운영화할 수 있게 해줍니다. 전반적으로 북미 MLOps 시장은 강력한 기술 기반, AI에 대한 높은 투자, 정교한 ML 라이프사이클 관리 솔루션에 대한 증가하는 수요로 인해 번창할 것으로 예상됩니다.

최근 개발

• 2023년 4월, ClearML은 오픈소스 MLOps 플랫폼 내에서 지속적인 머신 러닝을 위한 새로운 기능을 도입하여 증가하는 글로벌 수요에 대응했습니다. 최신 기능 중 하나는 ClearML 엔터프라이즈 사용자가 개발 환경에서 직접 애플리케이션을 배포하여 배포 프로세스를 간소화하고 운영 효율성을 개선할 수 있는 Sneak Peek 애플리케이션입니다.
• 2023년 11월, Philips는 Amazon SageMaker에 구축된 MLOps 플랫폼을 활용하여 AI 기반 솔루션의 구현을 가속화했습니다. 이 회사는 진단, 영상, 개인 건강, 치료 및 연결된 케어를 포함한 다양한 분야에서 인공 지능을 활용하여 혁신과 운영 효율성을 개선합니다.
• 2023년 10월, ZenML은 독일에서 머신 러닝 운영을 개선하기 위해 730만 달러의 자금을 모금했습니다. 이번 투자는 머신 러닝 모델을 구축, 배포, 관리하는 프로세스를 간소화하도록 설계된 ZenML의 오픈소스 MLOps 플랫폼에 대한 지원과 추진력이 커지고 있음을 보여줍니다.
• 2023년 11월DataRobot은 Cisco와 새로운 파트너십을 맺고 Evolutio와 협업하여 개발한 Cisco Full-Stack Observability(FSO) 플랫폼을 위한 MLOps 솔루션을 공개했습니다. 이 솔루션은 생성 AI 및 예측 AI 애플리케이션에 대한 엔터프라이즈급 관찰성을 제공하고, 배포의 최적화 및 확장을 지원하며, 고객에게 제공되는 전반적인 비즈니스 가치를 향상시킵니다.
• 2023년 4월MLflow는 오픈소스 머신 러닝 플랫폼의 업그레이드 버전인 MLflow 2.3을 출시했으며, 이제 향상된 기능과 LLMOps 지원이 특징입니다. 이 업데이트는 대규모 언어 모델(LLM)을 배포 및 관리하고 LLM을 기존 머신 러닝 운영에 원활하게 통합하는 플랫폼의 기능을 향상시키는 혁신적인 기능을 도입합니다.

주요 시장 참여자

• IBM Corporation
• Alphabet Inc.
• Microsoft Corporation
• Hewlett Packard Enterprise 회사
• Amazon Web Services, Inc.
• DataRobot, Inc.
• NeptuneLabs GmbH
• Alteryx
• Dataiku Inc,
• GAVS Technologies Private Limited,
• Cloudera, Inc.
• Databricks, Inc.