Prevalent AI získává $22 M na rozšíření důvěryhodného podnikového kontextu pro AI systémy

Prevalent AI získala $22 milionů růstového kapitálu od Integrity Growth Partners (IGP), což představuje první primární externí investici v devítileté historii londýnské společnosti. Financování přichází v době, kdy podniky čelí rostoucímu problému souvisejícímu s rychlým přijetím umělé inteligence: AI systémy mohou být schopnější, ale jejich rozhodnutí jsou spolehlivá jen tolik, kolik je k dispozici organizacních dat a kontextu.

Společnost byla založena v roce 2017, zůstala bootstrapped a podle vlastních slov je zisková od získání svého prvního zákazníka. Firma uvádí, že roční opakující se příjmy se za poslední rok více než zdvojnásobily. Nový kapitál bude nasměrován na rozšíření globální komerční organizace, urychlení expanze do USA, posílení vedení a rozšíření technologie původně vyvinuté pro kybernetickou bezpečnost do širší oblasti podnikového rizika a AI aplikací.

První externí kapitál po devíti letech

Financování je pozoruhodné částečně proto, že Prevalent AI zvolila relativně neobvyklou cestu přes trh kybernetické bezpečnosti. Místo opakovaného získávání rizikových kol financování růstu společnost téměř deset let budovala na příjmech od velkých podnikových zákazníků, než získala primární institucionální kapitál.

Prevalent AI byla spoluzakladána generálním ředitelem Paulem Stokesem a provozním ředitelem Arunum Rajem, s kořeny v britské zpravodajské komunitě. Firma uvádí, že její zakladatelský tým zahrnuje absolventy Government Communications Headquarters (GCHQ), což pomohlo formovat zaměření na propojení roztříštěných informací v prostředích, kde neúplná nebo nepřesná data mohou mít významné provozní důsledky.

ISTARI, podporovaná singapurskou investiční společností Temasek, se v roce 2021 stala menšinovým akcionářem prostřednictvím sekundární transakce, ale nová investice IGP představuje první primární kapitál, který jde přímo do společnosti.

Přeměna roztříštěných podnikových dat na kontext

Ústřední problém, který se Prevalent AI snaží řešit, není nedostatek podnikových dat. Problém je, že data potřebná k rozhodnutí často existují v desítkách či stovkách systémů, které popisují stejnou organizaci různými způsoby.

Bezpečnostní tým například může spoléhat na skenery zranitelností, platformy koncových bodů, identitní systémy, cloudovou infrastrukturu, databáze správy konfigurací, ticketovací software a provozní nástroje. Každý systém obsahuje část obrazu, s duplicitními záznamy, konfliktními identifikátory a neúplnými vztahy mezi aktivy.

Prevalent AI’s Security Data Fabric je navržen tak, aby ingestoval informace z těchto různých systémů, normalizoval je, řešil nesrovnalosti a mapoval vztahy mezi aktivy, identitami, zranitelnostmi, aplikacemi, kontrolami a dalšími provozními informacemi. Výsledná data jsou udržována jako kontinuálně aktualizovaný znalostní graf místo další izolované bezpečnostní databáze.

Rozlišení se stává čím dál důležitějším, když do rovnice vstupují AI agenti. Lidé dokážou někdy rozpoznat, že dva mírně odlišné záznamy odkazují na stejný server, zaměstnance či aplikaci. Automatizovaný agent, který rozhoduje rychlostí stroje, potřebuje tyto vztahy předem spolehlivě nastavené.

Jak funguje technologie Prevalent AI

Na integrační vrstvě Prevalent AI používá DataBridge k propojení cloudových, SaaS, on-premise a provozních systémů. Platforma následně aplikuje rozpoznávání entit k vyřešení záznamů a vytvoření jednotné reprezentace podnikového prostředí.

Znalostní graf přidává další vrstvu tím, že spojuje tyto entity skrze jejich vztahy. Místo toho, aby se zranitelnost považovala za izolovaný nález, může systém propojit ji s postiženým aktivem, obchodní důležitostí aktiva, jeho vlastníkem, souvisejícími identitami, existujícími bezpečnostními kontrolami a relevantními hrozbami.

Nástroje pro správu expozic používají tento kontext k identifikaci, kde je riziko soustředěno, a upřednostňují nápravu. Platforma také dokáže korelovat nálezy napříč nástroji, čímž snižuje duplicitní záznamy zranitelností a kontinuálně monitoruje změny aktiv, identit a infrastruktury.

Generativní AI je přidávána na tuto strukturovanou základnu místo toho, aby byla požádána o samostatnou interpretaci surových podnikových dat. Prevalentův nástroj Navigator například umožňuje uživatelům dotazovat se na informace uložené v znalostním grafu prostřednictvím rozhraní generativní AI.

Společnost také nabízí DataForge, který generuje synchronizované syntetické datové sady pro vývoj AI, testování modelů a zajištění kvality, aniž by bylo nutné během experimentování vystavovat citlivá produkční data.

Přesahování kybernetické bezpečnosti

Kybernetická bezpečnost byla přirozeným výchozím bodem, protože neúplné informace mohou okamžitě ovlivnit rozhodnutí ohledně zranitelností, identit, incidentů a kontrol. Prevalent AI však čím dál více vidí svou základní technologii jako podnikovou infrastrukturu, nikoli jako produkt zaměřený výhradně na bezpečnost.

Společnost uvádí, že zákazníci již rozšířili stejný datový základ do oblastí zahrnujících analýzu finančních podvodů, provozní inteligenci, shodu, automatizaci a AI‑řízené pracovní postupy, aniž by museli přestavovat podkladovou architekturu.

Tato širší příležitost je jedním z hlavních důvodů nového financování.

Pro AI agenty je výzva stále častěji posunuta od otázky, zda je model dostatečně inteligentní k vykonání úkolu, k otázce, zda má přístup k přesným informacím o organizaci, ve které operuje. Agent může být schopen identifikovat bezpečnostní zranitelnost, prošetřit účet nebo spustit automatizovaný pracovní postup, ale jeho užitečnost rychle klesá, pokud nemůže spolehlivě určit, které systémy existují, jak jsou propojeny, kdo je vlastní a jaké zásady řídí jeho činnost.

Prevalent AI sází na to, že podnikový kontext se stane důležitou vrstvou AI stacku, zejména pro organizace, kde se od agentů očekává, že budou provádět akce, nikoli jen generovat odpovědi.

Proč podniková AI zvyšuje sázky

Časování financování odráží širší posun v podnikovém AI. Organizace začínají přecházet od samostatných copilotů k agentům, kteří jsou schopni interagovat s infrastrukturou, aplikacemi a obchodními procesy.

Tento přechod zvyšuje důsledky špatných podkladových dat.

Prevalent AI tvrdí, že její suverénní architektura je v těchto prostředích obzvláště relevantní. Platforma je navržena tak, aby fungovala v infrastruktuře řízené zákazníkem, udržujíc podniková data pod kontrolou organizace, místo aby vyžadovala, aby provozní znalostní graf závisel na sdílené infrastruktuře nebo konkrétním poskytovateli modelu.

Pro vysoce regulované sektory by to mohlo představovat důležitý faktor, když společnosti experimentují s tím, že AI systémy získají větší přístup k citlivým interním informacím a větší pravomoc k provádění akcí.

Proč by důvěryhodný kontext mohl být pro podnikové AI kritický

Jak AI systémy přecházejí od generování doporučení k vykonávání akcí uvnitř firem, kvalita dat obklopujících tyto systémy se stane čím dál důležitější. Agent pověřený vyšetřováním bezpečnostního incidentu, schvalováním pracovního postupu nebo reakcí na provozní problém potřebuje více než přístup k jednotlivým databázím. Potřebuje přesný obraz toho, jak spolu souvisejí aktiva, identity, aplikace, zásady a obchodní procesy.

Toto vytváří rostoucí infrastrukturní výzvu pro podniky. Mnoho organizací nashromáždilo roky nespojených softwarových platforem, duplicitních záznamů a nekonzistentních pojmenovacích konvencí. Velké jazykové modely mohou tuto informaci usnadnit při dotazování, ale automaticky nevyřeší rozpory ani neurčí, který zdroj je důvěryhodný. Bez spolehlivé kontextové vrstvy by autonomnější AI mohla jen umožnit, aby existující problémy s daty ovlivňovaly rozhodnutí rychleji a ve větším měřítku.

Znalostní grafy a datové tkaniny by tak mohly stát důležitou součástí vznikající architektury podnikového AI. Místo toho, aby nahrazovaly databáze nebo AI modely, mohou tyto systémy ležet mezi nimi, kontinuálně sladit informace a udržovat vztahy, které agenti mohou využít při rozhodování o tom, jaké akce podniknout.

Důsledky sahají také daleko za hranice kybernetické bezpečnosti. Podobné problémy existují v detekci podvodů, regulatorní shodě, řízení dodavatelských řetězců, IT operacích a dalších oblastech, kde rozhodnutí závisí na informacích rozptýlených napříč mnoha systémy. Jak společnosti nasazují agenty napříč těmito funkcemi, udržování konzistentní reprezentace organizace se může stát stále nutnějším.

Toto by také mohlo změnit způsob, jak podniky hodnotí AI infrastrukturu. Výkon modelu zůstane důležitý, ale organizace mohou klást větší důraz na původ, čerstvost a vztahy dat, která tato modely napájejí. V takovém prostředí nemusí konkurenční výhoda spočívat jen v tom, že má výkonnější AI model, ale v tom, že tomuto modelu poskytne přesnější pochopení podniku, ve kterém operuje.