InsightFinder erhält 15 Millionen Dollar Series-B-Finanzierung von Yu Galaxy, um die Zuverlässigkeit von KI in der Produktion zu verbessern

InsightFinder hat 15 Millionen Dollar an Series-B-Finanzierung von Yu Galaxy erhalten, was die Gesamtfinanzierung auf 35 Millionen Dollar bringt. Die Finanzierung erfolgt zu einem Zeitpunkt, an dem das Unternehmen eine beschleunigte Akzeptanz in Unternehmen meldet, einschließlich Millionendeals mit Fortune-50-Organisationen, und spiegelt die wachsende Nachfrage nach Infrastrukturen wider, die KI-Systeme in realen Umgebungen zuverlässig machen können.

Der Wechsel von KI-Leistung zu KI-Zuverlässigkeit

Wenn Unternehmen KI-Systeme aus kontrollierten Umgebungen in die Produktion überführen, zeigt sich ein konsistentes Muster: Systeme, die in Tests gut funktionieren, brechen oft in realen Bedingungen zusammen. Das Problem liegt nicht in der Fähigkeit des Modells, sondern im Kontext. Die meisten KI-Systeme haben kein tiefes Verständnis der spezifischen Geschäftsumgebungen, in denen sie operieren.

InsightFinder konzentriert sich darauf, diese Lücke zu schließen. Seine Plattform basiert auf der Idee, dass Zuverlässigkeit in KI nicht nur darin besteht, Metriken wie Latenz oder Fehlerraten zu überwachen, sondern darin, zu verstehen, was “normal” in einem bestimmten Geschäftsprozess aussieht. Dazu gehören alles, von Zahlungssystemen und Logistikpipelines bis hin zu Kundenunterstützungsoperationen.

Erweiterung der Beobachtbarkeit in KI-Systemen

Ursprünglich für die Verwaltung komplexer IT-Operationen entwickelt, konzentriert sich die Kerntechnologie von InsightFinder auf die Erkennung von Anomalien, die Identifizierung von Ursachen und die Vorhersage von Fehlern in verteilten Systemen. Der gleiche grundlegende Ansatz wird nun auf KI-Systeme angewendet, insbesondere auf solche, die große Sprachmodelle und agentenbasierte Workflows beinhalten.

Im Gegensatz zu herkömmlichen Überwachungstools, die sich auf die Infrastruktur konzentrieren, analysiert die Plattform von InsightFinder Daten aus mehreren Quellen und in mehreren Modus, um zu diagnostizieren, warum KI-Systeme unerwartet verhalten. Dazu gehören die Identifizierung von Modellverschiebungen, die Nachverfolgung von Fehlern in Agent-Workflows und die Aufdeckung von Problemen, die keine offensichtlichen Warnungen auslösen.

Aufbau einer geschlossenen Rückkopplungsschleife für KI-Systeme

Ein zentrales Thema des Ansatzes von InsightFinder ist die Notwendigkeit, das, was in der Produktion passiert, mit der Entwicklung zu verbinden. Viele KI-Tools konzentrieren sich auf die Bewertung während des Testens oder die Überwachung in der Produktion, aber nur wenige verbinden die beiden in einer kontinuierlichen Schleife.

Die Plattform von InsightFinder introduceert Funktionen, die darauf abzielen, diese Schleife zu schließen:

• Werkzeug zum Vergleich von Prompts, die die Leistung über Daten, Modelle und Kostenmetriken hinweg bewerten
• Domänen-spezifische kleine Sprachmodelle (SLMs), die als Bewertungsmodelle verwendet werden und die Qualitätsstandards des Unternehmens verstehen
• Automatisierte Feinabstimmungspipelines, die Produktionsfehler verwenden, um die Modellleistung zu verbessern
• Mehr-Agenten-Verfolgung, die Ausführungspfade in komplexen Workflows rekonstruiert

Zusammen zielen diese Funktionen darauf ab, Produktionsdaten in handhabbare Erkenntnisse umzuwandeln, die KI-Systeme kontinuierlich verbessern.

Warum generische KI in Unternehmensumgebungen versagt

Eine der Kernherausforderungen, die InsightFinder angeht, ist die Diskrepanz zwischen allgemeinen KI-Modellen und domänen-spezifischen Anforderungen. Grundlegende Modelle werden auf breiten Datensätzen trainiert und sind gut darin, Muster zu erkennen, aber sie haben kein Verständnis für branchenspezifische Nuancen.

Dies schafft eine Ebene des Risikos, die oft unterschätzt wird. In Branchen wie Gesundheitswesen, Finanzen und Logistik können kleine Abweichungen verheerende Folgen haben. Der Ansatz von InsightFinder besteht darin, domänen-spezifisches Bewusstsein in Bewertungs- und Überwachungsprozesse einzubetten, sodass Systeme anhand von unternehmens-spezifischen Kriterien und nicht anhand von generischen Benchmarks beurteilt werden können.

Ein Dienstleistungsmodell, das auf Implementierung und nicht nur auf Software basiert

Ein weiteres unterscheidendes Merkmal von InsightFinder ist die Art und Weise, wie es seine Plattform bereitstellt. Anstatt eines traditionellen SaaS-Modells, bei dem Kunden die Tools unabhängig konfigurieren müssen, arbeitet das Unternehmen eng mit Organisationen zusammen, um Systeme an ihre Umgebungen anzupassen.

Dies umfasst die Ausrichtung der Plattform mit internen Workflows, die Definition von Bewertungskriterien und die Integration von domänen-spezifischer Logik. Das Ziel ist es, sicherzustellen, dass die von dem System generierten Erkenntnisse im Kontext der Betriebsabläufe jeder Organisation handhabbar sind.

Die neue Finanzierung wird teilweise verwendet, um diese kundenorientierte Fähigkeit zu erweitern, insbesondere im Bereich des Unternehmensverkaufs und des Kundenerfolgs.

Das größere Bild: KI als kritische Infrastruktur

Die Finanzierung von InsightFinder unterstreicht einen breiteren Wandel in der Wahrnehmung von KI. Wenn KI-Systeme in kritische Infrastrukturen wie Krankenhäuser, Finanzsysteme und Lieferketten integriert werden, wird Zuverlässigkeit zu einem gesellschaftlichen Anliegen und nicht nur zu einem technischen Problem.

Das Konzept, das hier entsteht, ist, dass KI-Systeme etwas Ähnliches wie ein “Immunsystem” benötigen, das in Echtzeit Fehlfunktionen erkennen, diagnostizieren und darauf reagieren kann. Dies ist die Ebene, auf der sich InsightFinder positioniert.

Statt sich darauf zu konzentrieren, Modelle leistungsfähiger zu machen, zielt das Unternehmen auf ein anderes Problem ab: Sie zuverlässig zu machen. Wenn KI-Adoption beschleunigt wird, wird diese Unterscheidung wahrscheinlich immer wichtiger.