groundcover Indsamlings $100 Millioner Serie C Til At Skalere AI-Era Observability Platform

Cloud observability virksomhed groundcover har indsamlet $100 millioner i Serie C-finansiering , da de søger at udvide en platform, der er designet til at hjælpe ingeniørhold og AI-agenter med at forstå stadig mere komplekse produktionsmiljøer.

Runden blev ledet af One Peak, med deltagelse fra Morgan Stanley Expansion Capital (MS ) og eksisterende investorer Zeev Ventures, Angular Ventures, Heavybit og Jibe. Det bringer groundcovers totale finansiering op til $160 millioner.

Finansieringen følger et år, hvor virksomheden siger, at de har tredoblet årlig tilbagevendende omsætning, fordoblet deres globale arbejdsstyrke og overgået 250 betalende kunder. Deres kundebase omfatter nu både tidlige startups og Fortune 5-virksomheder, mens virksomheden også rapporterer at have indgået flere syv-cifrede kontrakter over de seneste 12 måneder.

Observability Står Over For Et AI-Drevet Data Problem

Observability-platforme indsamler og analyserer signaler såsom logfiler, målinger og spor for at hjælpe ingeniørhold med at forstå, hvordan applikationer og infrastruktur opfører sig i produktion.

Dette opgave bliver mere vanskeligt, da cloud-native systemer udvides og virksomheder introducerer store sprogmodeller, autonome agenter og stadig mere sammenkoblede applikationsstakke. AI-applikationer kan generere telemetri over prompts, modelrespons, værktøjskald, databaser, API’er og den infrastruktur, der understøtter hver interaktion.

Større synlighed kan hjælpe ingeniører med at identificere hallucinationer, ydelsesnedgang, fejlede værktøjskald og sikkerhedsrisici. Men at indsamle denne kontekst kan også væsentligt øge mængden og følsomheden af data, der flyder ind i observability-systemer.

Traditionelle platforme håndterer ofte disse omkostninger ved at prøve eller filtrere telemetri. Dette kan gøre den underliggende data mere håndterbar, men det kan også fjerne den præcise information, der er nødvendig for at genskabe et incident. Begrænsningen bliver særligt vigtig, når AI-agenter forventes at undersøge problemer eller anbefale ændringer uden kontinuerlig menneskelig vejledning.

groundcover positionerer sin arkitektur som en alternativ til denne model, ved at kombinere kernel-niveau dataindsamling med lagring inden for kundens eget cloud-miljø.

Hvordan groundcovers BYOC-Arkitektur Fungerer

I centrum af platformen er en bring-your-own-cloud, eller BYOC, arkitektur. I stedet for at overføre alle observability-data til en vendor-opereret Software-as-a-Service-miljø, deployer groundcover sin data-plane inden for en isoleret konto i kundens cloud.

Logfiler, infrastruktur-målinger, brugerdefinerede målinger, spor og Kubernetes-begivenheder kan derfor forblive inden for kundens infrastruktur. En separat kontrolplane administrerer platformen, men er isoleret fra produktionsarbejdsbelastninger og telemetri på netværksniveau, ifølge groundcovers arkitekturdokumentation.

Dette arrangement er designet til at give kunderne en administreret software-oplevelse, mens de bevare en større kontrol over data-residens, privatliv og sikkerhed. Dette kan være særligt relevant for AI-arbejdsbelastninger, hvor observability-optegnelser kan omfatte prompts, model-udgange, værktøjsargumenter, brugerinformation eller elementer af en agents resoneringproces.

Virksomheden understøtter også on-premises og air-gapped installationer for organisationer med strengere isoleringskrav.

Kombinerer eBPF Og OpenTelemetry

groundcover indsamler en stor del af sin telemetri gennem extended Berkeley Packet Filter, almindeligvis kendt som eBPF. Teknologien tillader programmer at observere aktivitet inden for Linux-kernen, hvilket giver overvågnings-systemer synlighed ind i netværkskommunikation, applikationsprocesser og ressourceanvendelse uden at kræve, at udviklere manuelt instrumenterer hver tjeneste.

Virksomheden siger, at dens adaptive eBPF-sensor kan deployes uden kodeændringer og bruges til at fange applikations- og infrastruktur-telemetri på tværs af Kubernetes-miljøer.

Dette betyder ikke, at groundcover erstatter etablerede instrumentation-standarder. Platformen integrerer også med OpenTelemetry, et open-source-rammeværk, der tilbyder fælles API’er, software-udviklingskits og værktøjer til at generere, behandle og eksportere telemetri.

Kombinationen giver organisationer to komplementære kilder af information. eBPF kan automatisk fange aktivitet på infrastruktur- og netværkslag, mens OpenTelemetry kan forsyne applikations-specifik kontekst, der er intentionelt tilføjet af udviklere.

groundcover konsoliderer spor, målinger, logfiler og Kubernetes-begivenheder ind i en samlet grænseflade. Deres produktportefølje dækker også Application Performance Monitoring, infrastruktur-overvågning, log-håndtering, real-bruger-overvågning og observability for store sprogmodel-applikationer.

Udvider Observability For AI-Agenter

Virksomhedens ambitioner strækker sig ud over at levere dashboards til menneskelige operatører. Deres Agent Mode er designet til at hjælpe ingeniører med at undersøge incidenter, udføre rodårsagsanalyse og identificere mulige ændringsforanstaltninger ved hjælp af telemetri, der er tilgængelig inden for platformen.

I stedet for at placere en generel chatbot over en samling af logfiler, siger groundcover, at de har genopbygget deres interne API’er omkring et samlet forespørgselssprog kaldet GCQL. Handlinger, der udføres af agenten, kan inspiceres, og resultaterne kan konverteres til native groundcover-aktiver, som ingeniører kan bruge uafhængigt.

Virksomheden har også introduceret Model Context Protocol-understøttelse, der giver udviklere mulighed for at bringe produktions-telemetri ind i kompatible AI-agenter og udviklingsmiljøer. Deres AI-observability-værktøjer er designet til at fange den bredere eksekveringskontekst af model-anmodninger, herunder prompts, svar, værktøjsanvendelse og sessionshistorik.

Dette kan hjælpe hold med at bestemme, om et problem oprinder fra modellen selv, en ekstern API, en hentningssystem, en infrastruktur-bottleneck eller rækkefølgen af handlinger, der udføres af en agent. groundcover siger, at deres eBPF-baserede tilgang også kan inspicere API-anmodning- og svar-indhold, hvilket hjælper hold med at detectere anomalier eller følsomme oplysninger, der overføres til eksterne model-udbydere.

“Vi er den eneste platform, der udnytter potentialet i eBPF med den uendelige kraft af BYOC til observability,” sagde Shahar Azulay, CEO og medstifter af groundcover. “Oven på denne unikke arkitektur har groundcover bygget Agent Mode, vores agent-oplevelse, der hjælper ingeniører med at fremme, fejlfinde og rette problemer i produktion.”

Azulay sagde, at den nye kapital vil støtte virksomhedens indsats for at ændre, hvordan ingeniører og agenter samarbejder i produktionsoperationer.

Fremtidige Implikationer

Væksten af AI-agenter kan ændre, hvad organisationer forventer af observability-platforme. Overvågningsværktøjer har traditionelt hjulpet ingeniører med at undersøge incidenter efter, at noget er gået galt, men autonome systemer kan kræve kontinuerlig adgang til detaljeret produktionsdata, så de kan identificere problemer, spore afhængigheder og anbefale korrektive handlinger i realtid.

Dette skaber en spænding mellem synlighed, omkostninger og kontrol. AI-applikationer kan generere store mængder logfiler, spor og målinger, mens deres telemetri også kan indeholde følsomme prompts, model-udgange og kundeinformation. Arkitekturer, der holder data inden for en virksomheds eget cloud-miljø, kan derfor blive mere attraktive, især i regulerede industrier eller organisationer med strenge data-residenskrav.

Det bredere spørgsmål er, om AI-agenter kan betroes til at handle på observability-data snarere end blot at opsummere det. Ufuldstændig telemetri, misvisende korrelationer eller dårligt definerede tilladelser kan føre en automatiseret system til at misdiagnosticere en incident eller foretage en unødvendig ændring. Menneskelig oversigt, revisionsstier og klare begrænsninger for autonome handlinger vil forblive vigtige, mens disse funktioner modnes.

groundcovers finansiering afspejler den voksende interesse for den infrastruktur, der er nødvendig til at operere AI-systemer i stor målestok. Den langsigtede betydning vil afhænge mindre af, om observability-platforme kan tilføje konversationsgrænseflader, og mere af, om de kan levere tilstrækkeligt komplet, sikker og pålidelig data for mennesker og automatiserede agenter til at træffe sunde beslutninger i produktionsmiljøer.