InsightFinder تجمع 15 مليون دولار في جولة التمويل البالغة بدرجة B بقيادة Yu Galaxy لمواجهة مشكلة موثوقية الذكاء الاصطناعي في الإنتاج

InsightFinder جمعت 15 مليون دولار في جولة التمويل البالغة بدرجة B بقيادة Yu Galaxy، مما رفع إجمالي تمويلها إلى 35 مليون دولار. جاءت هذه الجولة في وقت تعلن فيه الشركة عن تسارع زخمها في الشركات الكبيرة، بما في ذلك صفقات تبلغ قيمتها مليون دولار مع منظمات في قائمة فورتشن 50، ويعكس ذلك الطلب المتزايد على البنية التحتية التي يمكنها جعل أنظمة الذكاء الاصطناعي موثوقة عند نشرها في بيئات العالم الحقيقي.

التحول من أداء الذكاء الاصطناعي إلى موثوقية الذكاء الاصطناعي

随着 انتقال الشركات لأنظمة الذكاء الاصطناعي من البيئات المراقبة إلى الإنتاج، ي出现 نمط متسق: الأنظمة التي تعمل جيدًا في الاختبار غالبًا ما تفشل في ظروف العالم الحقيقي. المشكلة ليست في قدرة النموذج، ولكن في السياق. معظم أنظمة الذكاء الاصطناعي تفتقر إلى فهم عميق للبيئات التجارية المحددة التي تعمل فيها.

تُركز InsightFinder على سد هذه الفجوة. منصة الشركة مبنية حول فكرة أن الموثوقية في الذكاء الاصطناعي لا تتعلق فقط بمراقبة معايير مثل التأخير أو معدلات الأخطاء، ولكن بفهم ما يشبه “الوضع الطبيعي” داخل تدفق عمل تجاري معين. هذا يشمل كل شيء من أنظمة الدفع وخطوط تجميع اللوجستية إلى عمليات دعم العملاء.

توسيع مراقبة الذكاء الاصطناعي إلى أنظمة الذكاء الاصطناعي

تم بناء تقنية InsightFinder الأصلية لمعالجة عمليات تشغيل复杂ة، وتتركز حول الكشف عن الشذوذ وتحديد الأسباب الجذرية وتوقعات الفشل عبر الأنظمة الموزعة. يتم تطبيق نفس النهج الآن على أنظمة الذكاء الاصطناعي، خاصة تلك التي تتضمن نماذج لغة كبيرة وعمليات عمل مبنية على الوكلاء.

على عكس أدوات المراقبة التقليدية التي تركز على البنية التحتية، تقوم منصة InsightFinder بتحليل البيانات متعددة المصادر ومتعددة الأنماط لتشخيص سبب سلوك أنظمة الذكاء الاصطناعي بشكل غير متوقع. هذا يشمل تحديد انحراف النموذج، وتحديد مسارات الفشل عبر عمليات العمل للوكلاء، ورفع القضايا التي لا تؤدي إلى تنبيهات واضحة.

بناء حلقة مفتوحة للمتابعة لأنظمة الذكاء الاصطناعي

الموضوع الرئيسي لنهج InsightFinder هو الحاجة إلى ربط ما يحدث في الإنتاج بالتطوير. تركز العديد من أدوات الذكاء الاصطناعي على التقييم أثناء الاختبار أو المراقبة في الإنتاج، ولكن القليل منها يربط بينهما في حلقة مستمرة.

تُقدم منصة InsightFinder ميزات مصممة لإغلاق هذه الحلقة:

• أدوات مقارنة البرومبت التي تقيم الأداء عبر مجموعات البيانات والنمذجة وتكلفة الأرقام
• نماذج لغة صغيرة محددة بال 领域 (SLMs) تستخدم كمقييمات تفهم معايير الجودة المحددة بال 领域
• خطوط تحسين 자동ية تستخدم فشل الإنتاج لتحسين أداء النموذج
• تعقب متعدد الوكلاء يعيد بناء مسارات التنفيذ عبر عمليات العمل المعقدة

تتمثل هذه الميزات معًا في تحويل بيانات الإنتاج إلى رؤى قابلة للتنفيذ تُحسن باستمرار أنظمة الذكاء الاصطناعي.

لماذا يفتقر الذكاء الاصطناعي العام إلى القدرة على العمل في بيئات الشركات

تتمثل واحدة من التحديات الأساسية التي يعالجها InsightFinder في عدم تطابق بين نماذج الذكاء الاصطناعي العامة ومتطلبات 领域 المحددة. يتم تدريب النماذج الأساسية على مجموعات بيانات واسعة وتتخصص في التعرف على الأنماط، ولكنها تفتقر إلى فهم دقيق لل细يات الخاصة بالصناعة.

يخلق هذا طبقة من المخاطر التي غالبًا ما تُقلل من شأنها. في قطاعات مثل الرعاية الصحية والتمويل واللوجستيات، يمكن أن يكون للانحرافات الصغيرة عواقب كبيرة. يُقدم نهج InsightFinder دمج الوعي بال 领域 بشكل صريح في عمليات التقييم والمراقبة، مما يسمح لأنظمة الذكاء الاصطناعي بالحكم عليها وفقًا لمعايير محددة بال 领域 بدلاً من المعايير العامة.

نموذج خدمة مبني حول التنفيذ، وليس البرمجيات فقط

الجانب المتميز الآخر لشركة InsightFinder هو طريقة تقديمها لمنصتها. بدلاً من نموذج الخدمة السحابية التقليدي حيث يُترك العملاء لتهيئة الأدوات بشكل مستقل، تعمل الشركة بشكل وثيق مع المنظمات لتكييف الأنظمة مع بيئاتها.

يشمل ذلك محاذاة المنصة مع تدفقات العمل الداخلية، وتحديد معايير التقييم، وتكامل المنطق المحدد بال 领域. الهدف هو ضمان أن تكون الإشارات التي تولدها المنصة قابلة للتنفيذ في سياق عمليات كل منظمة.

سيُستخدم التمويل الجديد جزئيًا لتوسيع هذه القدرة المواجهة للعملاء، خاصة عبر مبيعات الشركات ووظائف نجاح العملاء.

الصورة الأكبر: الذكاء الاصطناعي كبنية تحتية حيوية

توقيت تمويل InsightFinder يسلط الضوء على تحول أوسع في كيفية تصور الذكاء الاصطناعي.随着 اندماج أنظمة الذكاء الاصطناعي في البنية التحتية الحيوية مثل المستشفيات والأنظمة المالية وال سلسلة التوريد، تصبح الموثوقية أقل قلقًا تقنيًا وأكثر قلقًا اجتماعيًا.

المفهوم الناشئ هنا هو أن أنظمة الذكاء الاصطناعي تحتاج إلى شيء يشبه “المناعة” التي يمكنها الكشف عن الفشل وتشخيصه والاستجابة في الوقت الفعلي.

بدلاً من التركيز على جعل النماذج أكثر قوة، تُستهدف الشركة مشكلة مختلفة: جعلها موثوقة.随着 اتخاذ الشركات خطوات أكبر في تبني الذكاء الاصطناعي، من المرجح أن يصبح هذا التمييز أكثر أهمية.