Prevalent AI تجمع $22M لتوسيع السياق المؤسسي الموثوق لأنظمة الذكاء الاصطناعي

Prevalent AI جمعت $22 مليون من رأس المال للنمو من Integrity Growth Partners (IGP)، مما يمثل أول استثمار خارجي أساسي في تاريخ الشركة التي تتخذ من لندن مقراً لها والذي يمتد لتسع سنوات. يأتي التمويل في وقت تواجه فيه المؤسسات مشكلة متزايدة إلى جانب الاعتماد المتسارع على الذكاء الاصطناعي: قد تصبح أنظمة الذكاء الاصطناعي أكثر قدرة، لكن قراراتها لا تكون موثوقة إلا بقدر موثوقية البيانات التنظيمية والسياق المتاح لها.

تأسست Prevalent AI في عام 2017، وظلت تمول نفسها ذاتياً، ووفقاً للشركة فهي مربحة منذ الحصول على أول عميل لها. تقول الشركة إن الإيرادات المتكررة السنوية قد تضاعفت بأكثر من الضعف خلال العام الماضي. سيُوجه رأس المال الجديد نحو توسيع منظمتها التجارية العالمية، وتسريع توسعها في الولايات المتحدة، وتعزيز فريق القيادة لديها، وتوسيع التقنية التي طُورت أصلاً للأمن السيبراني لتشمل مخاطر المؤسسة الأوسع وتطبيقات الذكاء الاصطناعي.

أول رأس مال خارجي بعد تسع سنوات

يُعد التمويل ملحوظًا جزئيًا لأن Prevalent AI سلكت مسارًا غير معتاد إلى حد ما عبر سوق الأمن السيبراني. بدلاً من الاعتماد على جولات تمويلية متكررة لتمويل النمو، أمضت الشركة ما يقرب من عقد من الزمن في بناء إيراداتها من عملاء مؤسسات كبار قبل أن تجمع رأس مال مؤسسي أساسي.

تم تأسيس Prevalent AI من قبل الرئيس التنفيذي بول ستوكس والرئيس التنفيذي للعمليات أرون راج، بجذور في مجتمع الاستخبارات البريطاني. تقول الشركة إن فريق التأسيس يضم خريجي Government Communications Headquarters (GCHQ)، وهي تجربة ساعدت في تشكيل تركيزها على ربط المعلومات المجزأة في بيئات حيث يمكن أن تؤدي البيانات غير المكتملة أو غير الدقيقة إلى عواقب تشغيلية كبيرة.

ISTARI، التي تدعمها شركة الاستثمار السنغافورية Temasek، أصبحت مساهمًا أقلية في عام 2021 من خلال عملية ثانوية، لكن استثمار IGP الجديد يمثل أول رأس مال أساسي يُوجه مباشرة إلى الشركة.

تحويل البيانات المؤسسية المجزأة إلى سياق

المشكلة المركزية التي تسعى Prevalent AI لحلها ليست نقصًا في بيانات المؤسسة. بل إن البيانات اللازمة لاتخاذ قرار غالبًا ما تتواجد عبر عشرات أو حتى مئات الأنظمة التي تصف نفس المؤسسة بطرق مختلفة.

فريق الأمن، على سبيل المثال، قد يعتمد على ماسحات الثغرات، ومنصات النقاط الطرفية، وأنظمة الهوية، وبنية السحابة التحتية، وقواعد بيانات إدارة التكوين، وبرمجيات التذاكر، وأدوات التشغيل. كل نظام يحتوي على جزء من الصورة، مع سجلات مكررة، ومعرفات متضاربة، وعلاقات غير مكتملة بين الأصول.

تم تصميم Security Data Fabric من Prevalent AI لالتقاط المعلومات من هذه الأنظمة المختلفة، وتوحيدها، وحل التناقضات، ورسم العلاقات بين الأصول، والهويات، والثغرات، والتطبيقات، والضوابط، وغيرها من المعلومات التشغيلية. تُحافظ البيانات الناتجة كرسمة معرفة محدثة باستمرار بدلاً من قاعدة بيانات أمان معزولة أخرى.

تزداد أهمية هذا التمييز عندما تدخل عوامل الذكاء الاصطناعي في المعادلة. قد يتمكن البشر أحيانًا من التعرف على أن سجلين مختلفين قليلًا يشيران إلى نفس الخادم أو الموظف أو التطبيق. يحتاج العامل الآلي الذي يتخذ قرارات بسرعة الآلة إلى أن تُؤسس تلك العلاقات بشكل أكثر موثوقية مسبقًا.

كيف تعمل تقنية Prevalent AI

في طبقة التكامل، تستخدم Prevalent AI DataBridge لربط السحابة، وبرمجيات الخدمة كخدمة (SaaS)، والأنظمة المحلية، والأنظمة التشغيلية. ثم يطبق المنصة حل الكيانات لتسوية السجلات وبناء تمثيل موحد لبيئة المؤسسة.

تضيف رسمة المعرفة طبقة أخرى من خلال ربط تلك الكيانات عبر علاقاتها. على سبيل المثال، بدلاً من اعتبار الثغرة اكتشافًا منعزلًا، يمكن للنظام ربطها بالأصل المتأثر، وأهمية الأصل للأعمال، ومالكه، والهويات المرتبطة، والضوابط الأمنية القائمة، ومعلومات التهديد ذات الصلة.

تستخدم أدوات إدارة التعرض التي تقدمها Prevalent هذا السياق لتحديد أماكن تركّز المخاطر وتحديد أولويات الإصلاح. كما يمكن لمنصة الشركة ربط النتائج عبر الأدوات لتقليل سجلات الثغرات المكررة ومراقبة التغييرات على الأصول والهويات والبنية التحتية باستمرار.

يُضاف الذكاء الاصطناعي التوليدي فوق هذا الأساس المنظم بدلاً من طلبه لتفسير بيانات المؤسسة الخام بشكل مستقل. على سبيل المثال، يتيح أداة Navigator من Prevalent للمستخدمين الاستعلام عن المعلومات المخزنة في رسمة المعرفة عبر واجهة ذكاء اصطناعي توليدي.

كما تقدم الشركة DataForge، التي تُنشئ مجموعات بيانات اصطناعية متزامنة لتطوير الذكاء الاصطناعي، واختبار النماذج، وضمان الجودة دون الحاجة إلى كشف بيانات الإنتاج الحساسة أثناء التجارب.

التجاوز إلى ما بعد الأمن السيبراني

كان الأمن السيبراني نقطة انطلاق طبيعية لأن المعلومات غير المكتملة يمكن أن تؤثر فورًا على القرارات المتعلقة بالثغرات، والهويات، والحوادث، والضوابط. لكن Prevalent AI ترى تقنيتها الأساسية بشكل متزايد كالبنية التحتية للمؤسسة بدلاً من منتج مخصص للأمن.

تقول الشركة إن العملاء قد وسّعوا بالفعل نفس أساس البيانات إلى مجالات تشمل تحليل الجرائم المالية، والاستخبارات التشغيلية، والامتثال، والأتمتة، وسير العمل المدفوع بالذكاء الاصطناعي دون إعادة بناء البنية التحتية الأساسية.

هذه الفرصة الأوسع هي أحد الأسباب الرئيسية وراء التمويل الجديد.

بالنسبة لعوامل الذكاء الاصطناعي على وجه الخصوص، يتحول التحدي بشكل متزايد من سؤال ما إذا كان النموذج ذكيًا بما يكفي لأداء مهمة إلى سؤال ما إذا كان لديه وصول إلى معلومات دقيقة حول المؤسسة التي يعمل فيها. قد يكون العامل قادرًا على تحديد ثغرة أمنية، أو التحقيق في حساب، أو تشغيل سير عمل آلي، لكن فائدته تتراجع بسرعة إذا لم يتمكن من تحديد أي الأنظمة موجودة، وكيفية ارتباطها، ومن يملكها، أو أي سياسات تحكم أفعاله.

تراهن Prevalent AI بفعالية على أن يصبح سياق المؤسسة طبقة مهمة في بنية الذكاء الاصطناعي، خصوصًا للمؤسسات التي يتوقع فيها أن تتخذ العوامل إجراءات بدلاً من مجرد توليد إجابات.

لماذا يرفع الذكاء الاصطناعي المؤسسي الرهانات

يعكس توقيت التمويل تحولًا أوسع في الذكاء الاصطناعي المؤسسي. تبدأ المؤسسات بالتحول من المساعدين المستقلين إلى عوامل قادرة على التفاعل مع البنية التحتية، والتطبيقات، والعمليات التجارية.

يزيد هذا الانتقال من عواقب البيانات الأساسية السيئة.

تؤكد Prevalent AI أن بنية سيادتها ذات صلة خاصة في هذه البيئات. صُممت منصتها للعمل ضمن بنية تحتية يتحكم فيها العميل، مما يبقي بيانات المؤسسة تحت سيطرة المنظمة بدلاً من الاعتماد على رسمة معرفة تشغيلية تحتاج إلى بنية تحتية مشتركة أو مزود نموذج معين.

في القطاعات الخاضعة لتنظيم شديد، قد يصبح هذا اعتبارًا مهمًا مع تجريب الشركات لإعطاء أنظمة الذكاء الاصطناعي وصولًا أكبر إلى المعلومات الداخلية الحساسة وسلطة أكبر لاتخاذ الإجراءات.

لماذا قد يصبح السياق الموثوق حاسماً للذكاء الاصطناعي المؤسسي

مع انتقال أنظمة الذكاء الاصطناعي من توليد التوصيات إلى اتخاذ إجراءات داخل الأعمال، تصبح جودة البيانات المحيطة بهذه الأنظمة أكثر أهمية. يحتاج العامل المكلف بالتحقيق في حادث أمني، أو الموافقة على سير عمل، أو الاستجابة لمشكلة تشغيلية إلى أكثر من مجرد وصول إلى قواعد بيانات فردية. فهو يحتاج إلى صورة دقيقة لكيفية ارتباط الأصول، والهويات، والتطبيقات، والسياسات، والعمليات التجارية ببعضها البعض.

يخلق ذلك تحديًا بنيويًا متزايدًا للمؤسسات. فقد جمعت العديد من المؤسسات سنوات من المنصات البرمجية غير المتصلة، والسجلات المكررة، ومعايير التسمية غير المتسقة. يمكن للنماذج اللغوية الكبيرة أن تجعل هذه المعلومات أسهل في الاستعلام، لكنها لا تحل التناقضات تلقائيًا ولا تحدد أي مصدر يجب الوثوق به. بدون طبقة سياق موثوقة، قد يسمح الذكاء الاصطناعي الأكثر استقلالية ببساطة لمشكلات البيانات القائمة بالتأثير على القرارات بسرعة ونطاق أكبر.

يمكن أن تصبح رسومات المعرفة وأقمشة البيانات جزءًا مهمًا من بنية الذكاء الاصطناعي المؤسسي الناشئة. بدلاً من استبدال قواعد البيانات أو نماذج الذكاء الاصطناعي، يمكن لهذه الأنظمة أن تتوسط بينها، وتستمر في تسوية المعلومات والحفاظ على العلاقات التي يمكن للعوامل استخدامها عند اتخاذ قرار بشأن الإجراءات.

تمتد التداعيات أيضًا إلى ما هو أبعد من الأمن السيبراني. توجد مشكلات مماثلة في اكتشاف الاحتيال، والامتثال التنظيمي، وإدارة سلاسل الإمداد، وعمليات تكنولوجيا المعلومات، ومجالات أخرى تعتمد فيها القرارات على معلومات موزعة عبر أنظمة متعددة. مع نشر الشركات للعوامل عبر هذه الوظائف، قد يصبح الحفاظ على تمثيل ثابت للمؤسسة أمرًا ضروريًا بشكل متزايد.

قد يغيّر ذلك أيضًا طريقة تقييم المؤسسات للبنية التحتية للذكاء الاصطناعي. سيظل أداء النموذج مهمًا، لكن المؤسسات قد تضع تركيزًا أكبر على أصل البيانات، وحدتها، وعلاقاتها التي تغذي تلك النماذج. في تلك البيئة، قد لا يأتي التفوق التنافسي فقط من امتلاك نموذج ذكاء اصطناعي أكثر قدرة، بل من إعطاء ذلك النموذج فهمًا أكثر دقة للمؤسسة التي يعمل داخلها.