groundcover Získává 100 Milionů dolarů v rámci série C pro Škálování platformy pro Observability v éře AI

Společnost pro cloudovou observabilitu groundcover získala 100 milionů dolarů v rámci série C jako součást svých plánů na rozšíření platformy, která má pomoci týmům inženýrů a agentům AI pochopit stále složitější produkční prostředí.

Financování bylo vedeno společností One Peak, se zapojením Morgan Stanley Expansion Capital (MS ) a stávajícími investory Zeev Ventures, Angular Ventures, Heavybit a Jibe. To zvýšilo celkové financování groundcover na 160 milionů dolarů.

Financování následuje po roce, během kterého společnost uvedla, že trojnásobně zvýšila roční opakující se výnosy, zdvojnásobila svou globální pracovní sílu a překročila 250 platících zákazníků. Její zákaznická základna nyní sahá od začínajících startupů po podniky z žebříčku Fortune 5, zatímco společnost také uvádí, že uzavřela několik sedmimilionových kontraktů za posledních 12 měsíců.

Observability čelí AI-poháněnému datovému problému

Platformy pro observabilitu shromažďují a analyzují signály, jako jsou logy, metriky a stopy, aby pomohly týmům inženýrů pochopit, jak se chovají aplikace a infrastruktura v produkčním prostředí.

Tato úloha se stává stále složitější, protože se rozšiřují cloudové systémy a společnosti zavádějí velké jazykové modely, autonomní agenty a stále více propojené aplikační stohy. Aplikace AI mohou generovat telemetrická data napříč výzvami, odpověďmi modelů, voláními nástrojů, databázemi, API a infrastrukturou, která podporuje každou interakci.

Větší viditelnost může pomoci inženýrům identifikovat halucinace, degradaci výkonu, selhání volání nástrojů a bezpečnostní rizika. Nicméně shromažďování tohoto kontextu může také podstatně zvýšit objem a citlivost dat, která proudí do systémů pro observabilitu.

Tradiční platformy často spravují tyto náklady pomocí vzorkování nebo filtrování telemetrických dat. To může učinit základní data více zvladatelnými, ale může také odstranit přesné informace potřebné k rekonstrukci incidentu. Omezení se stává özellikle důležité, když se od agentů AI očekává, že budou vyšetřovat problémy nebo doporučovat změny bez nepřetržitého lidského směru.

groundcover prezentuje svou architekturu jako alternativu k tomuto modelu, kombinuje sběr dat na úrovni jádra s úložištěm uvnitř cloudového prostředí zákazníka.

Jak funguje architektura groundcover BYOC

V centru platformy je architektura Bring-Your-Own-Cloud (BYOC). Místo přenosu všech dat pro observabilitu do prostředí Software-as-a-Service provozovaného dodavatelem nasazuje groundcover svou datovou rovinu do izolovaného účtu v cloudovém prostředí zákazníka.

Logy, metriky infrastruktury, vlastní metriky, stopy a události Kubernetes mohou tak zůstat uvnitř infrastruktury zákazníka. Řídicí rovinou, která spravuje platformu, je izolována od produkčních zátěží a telemetrických dat na síťové úrovni, podle architektonické dokumentace groundcover.

Tato úprava má za cíl poskytnout zákazníkům spravované softwarové prostředí, zatímco zachovává větší kontrolu nad rezidencí dat, ochranou soukromí a zabezpečením. To může být zvláště relevantní pro úlohy AI, kde záznamy o observabilitě mohou zahrnovat výzvy, výstupy modelů, argumenty nástrojů, informace o uživatelích nebo prvky procesu uvažování agenta.

Společnost také podporuje nasazení v místním prostředí a vzduchovém prostoru pro organizace se přísnějšími požadavky na izolaci.

Kombinace eBPF a OpenTelemetry

groundcover shromažďuje většinu svých telemetrických dat prostřednictvím rozšířeného Berkeley Packet Filteru, běžně známého jako eBPF. Tato technologie umožňuje programům sledovat činnost uvnitř jádra Linuxu, poskytujícím tak monitorovacím systémům viditelnost do komunikace sítě, procesů aplikací a využití zdrojů bez nutnosti, aby vývojáři ručně instrumentovali každou službu.

Společnost uvádí, že její adaptabilní senzor eBPF lze nasadit bez změn kódu a použít k zachycení telemetrických dat aplikací a infrastruktury napříč prostředími Kubernetes.

To však neznamená, že groundcover nahrazuje zavedené standardy instrumentace. Platforma také integruje OpenTelemetry, open-source framework, který poskytuje společné API, software development kit a nástroje pro generování, zpracování a export telemetrických dat.

Kombinace poskytuje organizacím dva komplementární zdroje informací. eBPF může automaticky zachytit aktivitu na úrovni infrastruktury a sítě, zatímco OpenTelemetry může poskytnout kontext specifický pro aplikaci, který je úmyslně přidán vývojáři.

groundcover konsoliduje stopy, metriky, logy a události Kubernetes do jednotného rozhraní. Jejich produktový portfóliu také pokrývá Application Performance Monitoring, monitoring infrastruktury, správu logů, monitoring reálných uživatelů a observabilitu pro aplikace velkých jazykových modelů.

Rozšiřování observability pro agenty AI

Ambice společnosti sahají za poskytování dashboardů pro lidské operátory. Jejich Režim agenta je navržen tak, aby pomohl inženýrům vyšetřovat incidenty, provádět analýzu kořenové příčiny a identifikovat možné kroky pro nápravu pomocí telemetrických dat dostupných uvnitř platformy.

Místo umístění obecného chatbota nad kolekcí logů groundcover uvádí, že přestavěla své interní API kolem jednotného dotazovacího jazyka nazvaného GCQL. Akce provedené agentem lze prohlédnout a výsledky lze převést na rodící aktiva groundcover pro nezávislé použití inženýry.

Společnost také představila podporu Model Context Protocol, umožňující developerům přinést produkční telemetrická data do kompatibilních agentů AI a vývojových prostředí. Jejich nástroje pro observabilitu AI jsou určeny k zachycení širšího kontextu provádění modelových požadavků, včetně výzev, odpovědí, použití nástrojů a historie relace.

To může pomoci týmům určit, zda problém vznikl u modelu samotného, externího API, systému načítání, infrastrukturního úzkého místa nebo sekvence akcí provedených agentem. groundcover uvádí, že jejich přístup založený na eBPF může také prohlédnout obsah požadavků a odpovědí API, pomáhající týmům detekovat anomálie nebo citlivé informace přenášené externím poskytovatelům modelů.

„Jsme jedinou platformou, která využívá potenciál eBPF s nekonečnou silou BYOC pro observabilitu,” řekl Shahar Azulay, generální ředitel a spoluzakladatel groundcover. „Na základě této jedinečné architektury groundcover postavila Režim agenta, náš agentní zážitek, který pomáhá inženýrům identifikovat, řešit a nápravovat problémy v produkčním prostředí.”

Azulay uvedl, že nové kapitálové financování podpoří úsilí společnosti o změnu způsobu, jakým inženýři a agenti spolupracují v produkčních operacích.

Budoucí implikace

Růst agentů AI může změnit to, co organizace očekávají od platforem pro observabilitu. Nástroje pro monitorování tradičně pomáhaly inženýrům vyšetřovat incidenty po tom, co něco šlo špatně, ale autonomní systémy mohou vyžadovat nepřetržitý přístup k podrobným produkčním datům, aby mohli identifikovat problémy, sledovat závislosti a doporučovat nápravná opatření v reálném čase.

To vytváří napětí mezi viditelností, náklady a kontrolou. Aplikace AI mohou generovat velké objemy logů, stop a metrik, zatímco jejich telemetrická data mohou také obsahovat citlivé výzvy, výstupy modelů a informace o zákaznících. Architektury, které udržují data uvnitř cloudového prostředí společnosti, mohou se stát atraktivnějšími, zejména v regulovaných odvětvích nebo organizacích se přísnými požadavky na rezidenci dat.

Širší otázka je, zda lze agentům AI důvěřovat, aby jednali na základě dat z observability, místo aby je pouze zkracovali. Neúplná telemetrická data, matoucí korelace nebo špatně definovaná oprávnění by mohly vést automatizovaný systém k falešné diagnóze incidentu nebo zbytečné změně. Lidský dohled, auditní stopy a jasné limity autonomních akcí zůstanou důležité, jakmile se tyto schopnosti dozrají.

groundcover financování odráží rostoucí zájem o infrastrukturu potřebnou k provozu systémů AI v měřítku. Dlouhodobý význam bude záviset méně na tom, zda platformy pro observabilitu mohou přidat konverzační rozhraní, a více na tom, zda mohou poskytnout dostatečně kompletní, zabezpečená a spolehlivá data pro lidi a automatizované agenty, aby mohli učinit správná rozhodnutí v produkčních prostředích.