Présentation
Keewano, société israélienne connue sous le nom légal Sandstorm Ltd., a annoncé le lancement de KeewanoDB, une base de données événementielle conçue pour fournir aux agents d'intelligence artificielle un contexte en temps réel. L'opération s'accompagne d'une levée de fonds de 12 millions de dollars menée par Hetz Ventures, a16z Speedrun et d'autres investisseurs.
Architecture et fonctionnement
KeewanoDB regroupe les événements autour d'entités (client, dispositif, transaction) et les conserve dans l'ordre d'apparition. Chaque événement occupe environ quatre octets et est stocké sur des SSD, ce qui minimise la latence d'accès. Le système repose sur un design distribué à plusieurs shards, déployé dans des conteneurs Docker orchestrés par Kubernetes. Au lieu d'utiliser des GPU, il exploite des instructions vectorisées sur des CPU classiques, ce qui réduit les exigences matérielles.
Le moteur accepte les formats Parquet et Apache Iceberg et peut ingérer des flux d'événements via Apache Kafka. Les agents peuvent ainsi envoyer les mêmes événements à KeewanoDB et à des entrepôts traditionnels comme Snowflake, sans perturber les pipelines ETL existants.
Performances et limites
Keewano affirme pouvoir interroger 250 millions d'événements en moins de 0,5 seconde, bien que ces chiffres n'aient pas été vérifiés de façon indépendante. Le modèle de facturation repose sur le nombre d'entités actives plutôt que sur le volume d'événements, ce qui, selon les retours de clients utilisant Snowflake ou BigQuery, engendre une réduction d'environ 84 % du nombre de tokens nécessaires aux requêtes.
Un moteur d'accélération intégré exécute des scripts Lua transmis par les agents via le Model Context Protocol. Lua, langage léger embarqué dans du code C/C++, permet de filtrer et de transformer les données directement au sein de la base, limitant ainsi la quantité de contexte renvoyée aux modèles d'IA. Cette approche réduit la charge de traitement côté modèle, mais la base ne différencie pas automatiquement causalité et corrélation ; la responsabilité revient aux développeurs d'agents.
Perspectives d’intégration
Keewano propose deux produits : KeewanoDB, destiné à l'analyse et au raisonnement des agents, et une couche analytique supplémentaire, baptisée Signal, qui applique des méthodes de machine learning et de statistiques pour tester des hypothèses et présenter des séquences d'événements comme preuves. La société indique que le moteur sémantique construit automatiquement une couche métier à partir des flux entrants, tout en permettant des enrichissements manuels.
En se positionnant comme une extension de l'agent plutôt que comme un simple entrepôt, KeewanoDB vise à simplifier l'accès aux historiques d'événements sans recourir à des pipelines ETL ou à des lacs de données. La dépendance aux SSD et aux instructions vectorielles sur CPU rend la solution potentiellement déployable sur des infrastructures cloud standards, mais la performance réelle dépendra de la configuration du cluster Kubernetes et du degré de sharding appliqué.
