InsightFinder hæver 15 millioner dollars i serie B-finansiering ledet af Yu Galaxy for at tackle AI-pålidelighed i produktion

InsightFinder har hævet 15 millioner dollars i serie B-finansiering ledet af Yu Galaxy, hvilket bringer virksomhedens samlede finansiering op på 35 millioner dollars. Finansieringsrunden kommer, da virksomheden rapporterer om accelererende virksomhedsaktivitet, herunder milliondollarsaftaler med Fortune 50-virksomheder, og afspejler den voksende efterspørgsel efter infrastruktur, der kan gøre AI-systemer pålidelige, når de er deployet i virkelige miljøer.

Skiftet fra AI-ydelse til AI-pålidelighed

Da virksomheder flytter AI-systemer ud af kontrollerede miljøer og ind i produktion, opstår der en konsistent mønster: Systemer, der fungerer godt under test, bryder ofte sammen under virkelige betingelser. Problemet er ikke modelkapacitet, men kontekst. De fleste AI-systemer mangler en dyb forståelse af de specifikke forretningsmiljøer, de opererer i.

InsightFinder fokuserer på at lukke denne kap. Deres platform er bygget op omkring idéen om, at pålidelighed i AI ikke kun handler om at overvåge målinger som latency eller fejlrate, men om at forstå, hvad “normalt” ser ud inden for en specifik forretningsworkflow. Dette inkluderer alt fra betalingssystemer og logistikpipelines til kundesupportoperationer.

Udvidelse af overvågelighed til AI-systemer

Oprindeligt bygget til at håndtere komplekse IT-operationer, er InsightFinders kerne-teknologi centreret omkring at opdage anomalier, identificere rodårsager og forudsige fejl på tværs af distribuerede systemer. Den samme underliggende tilgang anvendes nu på AI-systemer, især de, der involverer store sprogmodeller og agent-baserede workflows.

I modsætning til traditionelle overvågningsværktøjer, der fokuserer på infrastruktur, analyserer InsightFinders platform multi-kilde, multi-modal data for at diagnosticere, hvorfor AI-systemer opfører sig uventet. Dette inkluderer identificering af modeldrift, sporing af fejl på tværs af agent-workflows og fremhævelse af problemer, der ikke udløser åbenlyse alarmsignaler.

Opbygning af en lukket feedback-løkke for AI-systemer

Et centralt tema i InsightFinders tilgang er behovet for at tilknytte, hvad der sker i produktion, tilbage til udvikling. Mange AI-værktøjer fokuserer på evaluering under test eller overvågning i produktion, men få forbinder de to i en kontinuerlig løkke.

InsightFinders platform introducerer funktioner, der er designet til at lukke denne løkke:

• Redskaber til sammenligning af ydeevne, der evaluerer ydeevne på tværs af datasæt, modeller og omkostningsmålinger
• Domæne-specifikke Small Language Models (SLMs), der bruges som evalueringer, der forstår forretnings-specifikke kvalitetsstandarder
• Automatiserede finjusteringspipelines, der bruger produktionsfejl til at forbedre modelydeevne
• Multi-agent-sporing, der genskaber kørebaner på tværs af komplekse workflows

Sammen har disse funktioner til formål at omdanne produktionsdata til handlebare indsigt, der kontinuerligt forbedrer AI-systemer.

Hvorfor generisk AI kommer til kort i virksomheds-miljøer

En af de centrale udfordringer, InsightFinder adresserer, er misforholdet mellem generiske AI-modeller og domæne-specifikke krav. Grundlæggende modeller er trænet på brede datasæt og excellerer i mønster-genkendelse, men de mangler en forståelse af branch-specifikke nuancer.

Dette skaber et lag af risiko, der ofte bliver underskattet. I sektorer som sundhedsvesen, finans og logistik kan små afvigelser have store konsekvenser. InsightFinders tilgang er at indbygge domæne-bevidsthed i evaluering- og overvågningsprocesser, så systemer kan bedømmes ud fra forretnings-specifikke kriterier i stedet for generiske benchmark.

En service-model bygget op omkring implementering, ikke kun software

En anden karakteristisk aspekt af InsightFinder er, hvordan virksomheden leverer sin platform. I stedet for en traditionel SaaS-model, hvor kunderne er blevet ladet til at konfigurere værktøjer uafhængigt, arbejder virksomheden tæt sammen med organisationer for at tilpasse systemer til deres miljøer.

Dette inkluderer at tilpasse platformen til interne workflows, definere evaluering-kriterier og integrere domæne-specifikke logik. Målet er at sikre, at indsigt genereret af systemet er handlebar inden for konteksten af hver organisations operationer.

Den nye finansiering vil blive brugt til at udvide denne kunde-orienterede kapacitet, især på tværs af virksomheds-salg og kunde-succes-funktioner.

Det større billede: AI som kritisk infrastruktur

Tidspunktet for InsightFinders finansiering understreger en bredere skift i, hvordan AI opfattes. Da AI-systemer bliver integreret i kritisk infrastruktur som hospitaler, finansielle systemer og forsyningskæder, bliver pålidelighed mindre en teknisk bekymring og mere en samfunds-bekymring.

Begrebet, der opstår her, er, at AI-systemer kræver noget, der ligner et “immunsystem”, der kan detektere, diagnosticere og reagere på fejl i realtid. Dette er laget, InsightFinder positionerer sig til at bygge.

I stedet for at fokusere på at gøre modeller mere kraftfulde, retter virksomheden sig mod et andet problem: At gøre dem pålidelige. Da AI-adoptionshastighed accelererer, er denne forskel sandsynligvis blevet stadig mere vigtig .