groundcover erhält 100 Millionen Dollar in Series-C-Finanzierung, um AI- Observability-Plattform zu skalieren

Das Cloud-Observability-Unternehmen groundcover hat 100 Millionen Dollar in Series-C-Finanzierung aufgenommen, um eine Plattform zu erweitern, die es Entwicklungsteams und AI-Agents ermöglicht, zunehmend komplexe Produktionsumgebungen zu verstehen.

Die Finanzierungsrunde wurde von One Peak angeführt, mit Beteiligung von Morgan Stanley Expansion Capital (MS ) und bestehenden Investoren Zeev Ventures, Angular Ventures, Heavybit und Jibe. Dies bringt die Gesamtfinanzierung von groundcover auf 160 Millionen Dollar.

Die Finanzierung erfolgt nach einem Jahr, in dem das Unternehmen angibt, den jährlichen wiederkehrenden Umsatz verdreifacht, die globale Belegschaft verdoppelt und über 250 zahlende Kunden überschritten zu haben. Die Kundenbasis reicht nun von Start-ups in der Frühphase bis hin zu Fortune-5-Unternehmen, während das Unternehmen auch die Unterzeichnung mehrerer siebenstelliger Verträge in den letzten 12 Monaten meldet.

Observability steht vor einem AI-getriebenen Datenproblem

Observability-Plattformen sammeln und analysieren Signale wie Protokolle, Metriken und Spuren, um Entwicklungsteams zu helfen, zu verstehen, wie Anwendungen und Infrastrukturen in der Produktion funktionieren.

Diese Aufgabe wird durch die Expansion von Cloud-nativen Systemen und die Einführung von großen Sprachmodellen, autonomen Agenten und zunehmend vernetzten Anwendungsstapeln schwieriger. AI-Anwendungen können Telemetrie über Prompts, Modellantworten, Toolaufrufe, Datenbanken, APIs und die Infrastruktur generieren, die jede Interaktion unterstützt.

Eine größere Sichtbarkeit kann Ingenieuren helfen, Halluzinationen, Leistungsverschlechterungen, fehlgeschlagene Toolaufrufe und Sicherheitsrisiken zu identifizieren. Die Erfassung dieses Kontexts kann jedoch auch das Volumen und die Sensibilität der Daten, die in Observability-Systeme fließen, erheblich erhöhen.

Traditionelle Plattformen verwalten diese Kosten oft durch Sampling oder Filtern von Telemetrie. Dies kann die zugrunde liegenden Daten mehr handhabbar machen, entfernt jedoch möglicherweise auch die präzisen Informationen, die benötigt werden, um ein Incident zu rekonstruieren. Diese Einschränkung wird besonders wichtig, wenn AI-Agents erwartet wird, Probleme zu untersuchen oder Änderungen vorzuschlagen, ohne kontinuierliche menschliche Anleitung.

groundcover positioniert seine Architektur als Alternative zu diesem Modell, indem es eine Kombination aus Kernel-Ebene-Datenerfassung und Speicherung innerhalb der Cloud-Umgebung des Kunden anbietet.

Wie die BYOC-Architektur von groundcover funktioniert

Im Zentrum der Plattform steht eine Bring-Your-Own-Cloud- (BYOC-) Architektur. Anstatt alle Observability-Daten in eine von einem Anbieter betriebene Software-as-a-Service-Umgebung zu übertragen, setzt groundcover seine DatenEbene innerhalb eines isolierten Kontos in der Cloud des Kunden ein.

Protokolle, Infrastrukturmetriken, benutzerdefinierte Metriken, Spuren und Kubernetes-Ereignisse können daher innerhalb der Infrastruktur des Kunden bleiben. Eine separate Steuerungsebene verwaltet die Plattform, ist jedoch von Produktionsworkloads und Telemetrie auf Netzwerkebene isoliert, wie in der architektonischen Dokumentation von groundcover beschrieben.

Diese Anordnung soll den Kunden eine verwaltete Software-Erfahrung bieten, während sie gleichzeitig eine größere Kontrolle über Datenresidenz, Datenschutz und Sicherheit bewahrt. Dies kann insbesondere für AI-Workloads relevant sein, bei denen Observability-Aufzeichnungen Prompts, Modellausgaben, Toolargumente, Benutzerinformationen oder Elemente des Denkprozesses eines Agents enthalten können.

Das Unternehmen unterstützt auch On-Premises- und Air-Gapped-Deployments für Organisationen mit strengeren Isolierungsanforderungen.

Kombination von eBPF und OpenTelemetry

groundcover erfasst einen Großteil seiner Telemetrie durch die erweiterte Berkeley Packet Filter-Technologie, allgemein als eBPF bekannt. Diese Technologie ermöglicht es Programmen, die Aktivität innerhalb des Linux-Kernels zu beobachten, und gibt Überwachungssystemen Einblick in Netzwerkkommunikation, Anwendungsprozesse und Ressourcennutzung, ohne dass Entwickler jeden Dienst manuell instrumentieren müssen.

Das Unternehmen sagt, dass sein adaptiver eBPF-Sensor ohne Codeänderungen bereitgestellt und verwendet werden kann, um Anwendungs- und Infrastrukturtelemetrie in Kubernetes-Umgebungen zu erfassen.

Dies bedeutet jedoch nicht, dass groundcover etablierte Instrumentierungsstandards ersetzt. Die Plattform integriert sich auch mit OpenTelemetry, einem Open-Source-Framework, das gemeinsame APIs, Software-Development-Kits und Tools für die Generierung, Verarbeitung und Exportierung von Telemetrie bietet.

Die Kombination gibt Organisationen zwei komplementäre Informationsquellen. eBPF kann automatisch Aktivitäten auf Infrastruktur- und Netzwerkebene erfassen, während OpenTelemetry anwendungsspezifischen Kontext liefern kann, der von Entwicklern absichtlich hinzugefügt wird.

groundcover konsolidiert Spuren, Metriken, Protokolle und Kubernetes-Ereignisse in einer einheitlichen Oberfläche. Das Produktportfolio des Unternehmens umfasst auch Application Performance Monitoring, Infrastrukturüberwachung, Protokollverwaltung, Real-User-Monitoring und Observability für große Sprachmodell-Anwendungen.

Erweiterung der Observability für AI-Agents

Die Ambitionen des Unternehmens reichen über die Bereitstellung von Dashboards für menschliche Bediener hinaus. Der Agent-Modus ist darauf ausgelegt, Ingenieuren zu helfen, Incidenten zu untersuchen, eine Ursachenanalyse durchzuführen und mögliche Korrekturmaßnahmen zu identifizieren, indem die innerhalb der Plattform verfügbare Telemetrie verwendet wird.

Anstatt einen allgemeinen Chatbot über eine Sammlung von Protokollen zu platzieren, sagt groundcover, dass es seine internen APIs um eine einheitliche Abfragesprache namens GCQL neu aufgebaut hat. Aktionen, die von dem Agent durchgeführt werden, können inspiziert werden, und Ergebnisse können in native groundcover-Assets umgewandelt werden, die Ingenieure unabhängig verwenden können.

Das Unternehmen hat auch Unterstützung für das Model Context Protocol eingeführt, das es Entwicklern ermöglicht, Produktions-Telemetrie in kompatible AI-Agents und Entwicklungsumgebungen zu bringen. Die AI-Observability-Tools sind darauf ausgelegt, den breiteren Ausführungskontext von Modellanfragen zu erfassen, einschließlich Prompts, Antworten, Toolnutzung und Sitzungsgeschichte.

Dies kann Teams helfen, zu bestimmen, ob ein Problem vom Modell selbst, einer externen API, einem Abrufsystem, einer Infrastruktur-Engpass oder der Sequenz von Aktionen, die von einem Agent durchgeführt werden, stammt. groundcover sagt, dass sein eBPF-basiertes Ansatz auch API-Anforderungs- und Antwortinhalte untersuchen kann, um Teams dabei zu helfen, Anomalien oder sensible Informationen zu erkennen, die an externe Modellanbieter übertragen werden.

„Wir sind die einzige Plattform, die das Potenzial von eBPF mit der unendlichen Kraft von BYOC für Observability nutzt“, sagte Shahar Azulay, CEO und Mitgründer von groundcover. „Auf dieser einzigartigen Architektur hat groundcover den Agent-Modus aufgebaut, unsere agentenbasierte Erfahrung, die Ingenieuren hilft, Probleme in der Produktion zu identifizieren, zu debuggen und zu beheben.“

Azulay sagte, dass das neue Kapital die Bemühungen des Unternehmens unterstützen wird, die Art und Weise zu ändern, wie Ingenieure und Agenten in Produktionsoperationen zusammenarbeiten.

Zukünftige Auswirkungen

Das Wachstum von AI-Agents kann die Erwartungen ändern, die Organisationen an Observability-Plattformen stellen. Überwachungstools haben traditionell Ingenieuren geholfen, Incidenten nach einem Fehler zu untersuchen, aber autonome Systeme können kontinuierlichen Zugriff auf detaillierte Produktionsdaten erfordern, um Probleme zu identifizieren, Abhängigkeiten zu verfolgen und Korrekturmaßnahmen in Echtzeit vorzuschlagen.

Dies schafft eine Spannung zwischen Sichtbarkeit, Kosten und Kontrolle. AI-Anwendungen können große Mengen an Protokollen, Spuren und Metriken generieren, während ihre Telemetrie auch sensible Prompts, Modellausgaben und Kundeninformationen enthalten kann. Architekturen, die Daten innerhalb der Cloud-Umgebung eines Unternehmens halten, können daher attraktiver werden, insbesondere in regulierten Branchen oder Organisationen mit strengen Anforderungen an die Datenresidenz.

Die breitere Frage ist, ob AI-Agents vertrauenswürdig genug sind, um auf Observability-Daten zu reagieren, anstatt sie nur zusammenzufassen. Unvollständige Telemetrie, irreführende Korrelationen oder schlecht definierte Berechtigungen können dazu führen, dass ein automatisiertes System ein Incident falsch diagnostiziert oder eine unnötige Änderung vornimmt. Menschliche Aufsicht, Audit-Verfolgung und klare Grenzen für autonome Aktionen werden wichtig bleiben, wenn diese Fähigkeiten ausgereift sind.

groundcovers Finanzierung spiegelt das wachsende Interesse an der Infrastruktur wider, die benötigt wird, um AI-Systeme im großen Maßstab zu betreiben. Die langfristige Bedeutung wird weniger davon abhängen, ob Observability-Plattformen konversationale Schnittstellen hinzufügen können, und mehr davon, ob sie ausreichend vollständige, sichere und zuverlässige Daten für Menschen und automatisierte Agenten bereitstellen können, um in Produktionsumgebungen fundierte Entscheidungen zu treffen.