Η Euno συγκεντρώνει $23M Series A για την κατασκευή ενός στρώματος περιβάλλοντος για επιχειρησιακούς πράκτορες AI

Euno έχει συγκεντρώσει 23 εκατομμύρια δολάρια σε χρηματοδότηση Σειράς Α για να επεκτείνει την πλατφόρμα επιχειρησιακού AI περιβάλλοντος, καθώς οι εταιρείες αντιμετωπίζουν ολοένα και περισσότερο ένα πρόβλημα που τα καλύτερα μοντέλα βάσης μόνο δεν μπορούν να λύσουν: η παροχή στους πράκτορες AI επαρκούς οργανωτικής γνώσης ώστε να εργάζονται αξιόπιστα με σύνθετα επιχειρησιακά δεδομένα.

Η σειρά ηγήθηκε από την N47, με συμμετοχή του υπάρχοντος επενδυτή 10D και μιας ομάδας ιδρυτών και στελεχών τεχνολογίας που περιλαμβάνει τον συν-ιδρυτή της Wiz, Yinon Kostika, τον συν-ιδρυτή και CEO της Cyera, Yotam Segev, τον συν-ιδρυτή και CEO της Eon, Ofir Ehrlich, τον ιδρυτή της Tavily, Rotem Weiss, και τον πρώην CEO και πρόεδρο της Tableau, Mark Nelson. Η χρηματοδότηση φέρνει το συνολικό κεφάλαιο της Euno στα 29 εκατομμύρια δολάρια.

Ιδρυθείσα το 2023 από τη Sarah Levy και τον Eyal Firstenberg, η Euno σχεδιάζει να χρησιμοποιήσει το νέο κεφάλαιο κυρίως για την επέκταση των πωλήσεων και του μάρκετινγκ, ενώ θα αυξήσει τις επενδύσεις στην έρευνα AI. Η εταιρεία, που δραστηριοποιείται στις ΗΠΑ και το Ισραήλ και απασχολεί σχεδόν 30 άτομα, αναμένει να διπλασιάσει περίπου το εργατικό της δυναμικό μέχρι το τέλος του έτους.

Το ΣτενόΔιαμέρισμα του Επιχειρησιακού AI Μετατοπίζεται προς το Πλαίσιο

Η γρήγορη βελτίωση των μεγάλων γλωσσικών μοντέλων έχει καταστήσει όλο και πιο εφικτή την ανάπτυξη πρακτόρων AI ικανοί να ερωτούν βάσεις δεδομένων, να δημιουργούν αναλύσεις, να γράφουν κώδικα και να αυτοματοποιούν επιχειρησιακές διαδικασίες. Ωστόσο, η σύνδεση ενός πράκτορα με επιχειρησιακά συστήματα εισάγει μια ακόμη πρόκληση: η γνώση ποια πληροφορία είναι αυθεντική.

Μια μεγάλη οργάνωση μπορεί να διαθέτει χιλιάδες πίνακες, πίνακες ελέγχου, μετρήσεις, μοντέλα δεδομένων και ανταγωνιστικούς ορισμούς για το ίδιο επιχειρησιακό concept. Ένας πράκτορας AI που του ζητείται να υπολογίσει τα έσοδα, για παράδειγμα, χρειάζεται περισσότερα από πρόσβαση σε μια βάση δεδομένων. Πρέπει να γνωρίζει ποια μέτρηση εσόδων είναι εγκεκριμένη, ποιους πίνακες είναι ενημερωμένοι, πώς υπολογίζεται η μέτρηση, από πού προέρχονται οι εισροές της και αν ο χρήστης που ζητά την πληροφορία έχει δικαίωμα πρόσβασης στα υποκείμενα δεδομένα.

Η Euno προσπαθεί να μετατρέψει αυτή τη θεσμική γνώση σε υποδομή αναγνώσιμη από μηχανές.

Η πλατφόρμα της δημιουργεί συνεχώς ένα ζωντανό γράφημα περιβάλλοντος που ενσωματώνει πληροφορίες όπως η καταγωγή δεδομένων, η χρήση, η ιδιοκτησία, η επιχειρησιακή λογική, τα σήματα υγείας και η κατάσταση διακυβέρνησης. Αντί να παρουσιάζει κάθε διαθέσιμο στοιχείο σε έναν πράκτορα, το σύστημα μπορεί να παραδώσει το πλαίσιο που είναι σχετικό με τον συγκεκριμένο χρήστη, την εργασία και την απόφαση που λαμβάνεται.

Η διάκριση αυτή μπορεί να γίνει όλο και πιο σημαντική καθώς οι εταιρείες μεταβαίνουν από συστήματα AI που απαντούν σε ερωτήσεις προς αυτόνομους πράκτορες ικανούς να εκτελούν ενέργειες σε πολλαπλά επιχειρησιακά συστήματα.

«Τα μοντέλα γίνονται όλο και καλύτερα και φθηνότερα, αλλά το μακροπρόθεσμο AI «άμμος» για τις επιχειρήσεις θα προέρχεται όλο και περισσότερο από το συσσωρευμένο αρχείο του πώς γίνεται η εργασία», είπε η συν-ιδρύτρια και CEO της Euno Sarah Levy.

Μετατρέποντας τα Μεταδεδομένα σε Υποδομή για Πράκτορες AI

Η τεχνολογία της Euno βασίζεται στα μεταδεδομένα, τις πληροφορίες που περιγράφουν από πού προέρχονται τα δεδομένα, πώς μετασχηματίζονται, ποιος τα χρησιμοποιεί και πώς σχετίζονται μεταξύ τους τα διάφορα στοιχεία.

Η πλατφόρμα χαρτογραφεί τη γραμμή καταγωγής σε επίπεδο στήλης μεταξύ αποθηκών, συστημάτων αναλυτικής, πινάκων ελέγχου και μετρήσεων, και στη συνέχεια συνδυάζει αυτές τις πληροφορίες με σήματα χρήσης και διακυβέρνησης. Το αυτοματοποιημένο σύστημα ετικετοθέτησης μπορεί δυναμικά να ταξινομεί τα στοιχεία ως ιδιότητες όπως «έτοιμο για AI», «χωρίς PII», «υγιές» ή «πιστοποιημένο» βάσει κανόνων που ορίζει η οργάνωση. Αυτές οι ταξινομήσεις ενημερώνονται καθώς το υποκείμενο περιβάλλον δεδομένων αλλάζει.

Η Euno παρέχει επίσης ροές εργασίας που μπορούν να αντιδράσουν όταν αυτές οι συνθήκες αλλάζουν. Οι οργανισμοί μπορούν, για παράδειγμα, να εντοπίζουν μη πιστοποιημένους πίνακες ελέγχου που ξαφνικά γίνονται έντονα χρησιμοποιούμενοι, να παρακολουθούν τη διάδοση προσωπικών δεδομένων (PII), να επισημαίνουν ατεκμηριωμένα μοντέλα ή να αναδεικνύουν μετρήσεις που δεν πληρούν πλέον τα εσωτερικά πρότυπα ποιότητας.

Η εταιρεία έχει δημιουργήσει τη δική της Euno Query Language (EQL) για την πλοήγηση των σχέσεων εντός του γραφήματος. Η Euno δηλώνει ότι η αρχιτεκτονική βασισμένη σε γράφημα επιτρέπει στους πράκτορες να ανακτούν διασυνδεδεμένα μεταδεδομένα με λιγότερα ερωτήματα, μειώνοντας ενδεχομένως την ποσότητα του περιεχομένου που πρέπει να περάσει σε ένα μοντέλο.

Σημαντικό είναι ότι η πλατφόρμα έχει σχεδιαστεί να λειτουργεί παράλληλα με την υπάρχουσα υποδομή δεδομένων της επιχείρησης και όχι να την αντικαθιστά. Η Euno υποστηρίζει ενσωματώσεις που καλύπτουν αποθήκες δεδομένων και πλατφόρμες όπως Snowflake και Databricks· εργαλεία μετασχηματισμού όπως dbt· και πλατφόρμες επιχειρησιακής νοημοσύνης όπως Tableau, Looker, Power BI, ThoughtSpot, Sigma και Omni.

Φέρνοντας το Πλαίσιο Απευθείας στα Συστήματα AI

Ένα ακόμη στοιχείο της στρατηγικής της Euno είναι η άμεση προσβασιμότητα αυτού του οργανωτικού πλαισίου σε εξωτερικούς πράκτορες AI.

Η εταιρεία λειτουργεί έναν διακομιστή Model Context Protocol (MCP) μέσω του οποίου εργαλεία όπως Claude, Cursor, Visual Studio Code Copilot και άλλα συμβατά συστήματα μπορούν να ερωτούν το επιχειρησιακό πλαίσιο της Euno. Οι πράκτορες μπορούν να χρησιμοποιούν αυτά τα εργαλεία για να βρίσκουν πόρους, να ελέγχουν την ανάντη καταγωγή, να εκτελούν ανάλυση επιπτώσεων, να αναζητούν τεκμηρίωση ή να δημιουργούν και να εκτελούν ερωτήματα EQL.

Η Euno έχει επίσης τεκμηριώσει ενσωματώσεις με συστήματα όπως το Snowflake Intelligence, δείχνοντας πώς το στρώμα πλαισίου της μπορεί αποτελεσματικά να λειτουργήσει ως ενδιάμεσο μεταξύ γενικών μοντέλων AI και του υποκείμενου δεδομενικού αποθέματος μιας επιχείρησης.

Αυτή η θέση αντανακλά μια ευρύτερη μεταβολή που συμβαίνει στο επιχειρησιακό AI. Καθώς η πρόσβαση σε ικανά μοντέλα γίνεται όλο και πιο εμπορευματοποιημένη, η διαφοροποίηση μπορεί να μετατοπιστεί προς τις ιδιόκτητες πληροφορίες που περιβάλλουν αυτά τα μοντέλα: οργανωτικές διαδικασίες, δικαιώματα πρόσβασης, σχέσεις, ιστορικές αποφάσεις, ορισμούς και ανατροφοδότηση από προηγούμενες δραστηριότητες πρακτόρων.

Το Πλαίσιο Θα Μπορεί να Γίνει Μέρος του “Άμμου” του Επιχειρησιακού AI

Η Euno υποστηρίζει ότι αυτό το συσσωρευμένο πλαίσιο μπορεί να γίνει πιο πολύτιμο με την πάροδο του χρόνου.

Όταν ένας πράκτορας εκτελεί μια εργασία, το σύστημα μπορεί να καταγράψει πληροφορίες σχετικά με το πώς χρησιμοποιήθηκε το πλαίσιο και να επιστρέψει αυτά τα σήματα στο στρώμα επιχειρησιακού πλαισίου. Θεωρητικά, αυτό δημιουργεί έναν βρόχο ανάδρασης όπου μια οργάνωση σταδιακά χτίζει μια πιο πλούσια αναπαράσταση των επιχειρησιακών της λειτουργιών, αναγνώσιμη από μηχανές.

Αυτό επίσης αντιμετωπίζει μία από τις κεντρικές προκλήσεις των υλοποιήσεων AI πρακτόρων: διακυβέρνηση. Η παροχή σε έναν αυτόνομο πράκτορα πρόσβασης σε επιχειρησιακά συστήματα χωρίς κατανόηση του τι πληροφορίες μπορεί να ανακτήσει ή πώς πρέπει να τις ερμηνεύσει δημιουργεί λειτουργικούς και ασφαλιστικούς κινδύνους. Η προσέγγιση της Euno συνδυάζει την ανάκτηση περιεχομένου με διακυβέρνηση που λαμβάνει υπόψη το ρόλο, ώστε ο πράκτορας να λαμβάνει πληροφορίες κατάλληλες για την εργασία και τα δικαιώματά του, αντί για απεριόριστη πρόσβαση σε όλο το περιβάλλον.

Η εταιρεία δηλώνει ότι η πλατφόρμα της διαβάζει τα επιχειρησιακά μεταδεδομένα αντί για τα υποκείμενα επιχειρησιακά δεδομένα, μια αρχιτεκτονική διάκριση που στοχεύει στη μείωση της έκθεσης δεδομένων ενώ εξακολουθεί να επιτρέπει στο σύστημα να χαρτογραφεί σχέσεις και να παρέχει στους πράκτορες το λειτουργικό πλαίσιο.

Η Euno συνεργάζεται ήδη με επιχειρησιακούς πελάτες όπως η AlphaSense και η Zayo Group, ενώ η ιστοσελίδα της τεκμηριώνει επίσης υλοποιήσεις με εταιρείες όπως η Bolt.

Για τη μεγαλύτερη βιομηχανία AI, η σημασία της Σειράς Α της Euno υπερβαίνει ένα ακόμη γύρο χρηματοδότησης επιχειρησιακής υποδομής. Τα μοντέλα βάσης γίνονται γρήγορα πιο ικανά και όλο και πιο εναλλάξιμα για πολλές εργασίες. Εάν αυτή η τάση συνεχιστεί, ένα από τα πιο δύσκολα προβλήματα θα είναι η παροχή σε αυτά τα μοντέλα μιας αξιόπιστης κατανόησης των οργανώσεων στις οποίες λειτουργούν.

Αυτό θα μπορούσε να κάνει την υποδομή πλαισίου, αντί για το υποκείμενο μοντέλο, ένα από τα πιο σημαντικά επίπεδα του αναδυόμενου επιχειρησιακού AI stack.