Η Prevalent AI συγκεντρώνει $22 εκατομμύρια για την κλιμάκωση αξιόπιστου επιχειρησιακού πλαισίου για συστήματα AI

Η Prevalent AI άντλησε 22 εκατ. δολάρια σε κεφάλαια ανάπτυξης από την Integrity Growth Partners (IGP), στην πρώτη εξωτερική επένδυση νέων κεφαλαίων στην εννιάχρονη ιστορία της εταιρείας με έδρα το Λονδίνο. Η χρηματοδότηση έρχεται καθώς οι επιχειρήσεις αντιμετωπίζουν ένα αυξανόμενο πρόβλημα παράλληλα με την ταχεία υιοθέτηση της τεχνητής νοημοσύνης: τα συστήματα AI γίνονται ικανότερα, αλλά οι αποφάσεις τους είναι τόσο αξιόπιστες όσο τα οργανωτικά δεδομένα και οι πληροφορίες πλαισίου που έχουν στη διάθεσή τους.

Η Prevalent AI ιδρύθηκε το 2017 και αναπτύχθηκε με δικούς της πόρους. Σύμφωνα με την εταιρεία, παραμένει κερδοφόρα από τότε που απέκτησε τον πρώτο πελάτη της, ενώ τα ετήσια επαναλαμβανόμενα έσοδα υπερδιπλασιάστηκαν τον τελευταίο χρόνο. Τα νέα κεφάλαια θα χρηματοδοτήσουν την επέκταση της παγκόσμιας εμπορικής οργάνωσης, την επιτάχυνση της παρουσίας στις ΗΠΑ, την ενίσχυση της διοικητικής ομάδας και την επέκταση τεχνολογίας που αρχικά αναπτύχθηκε για την κυβερνοασφάλεια σε ευρύτερες εφαρμογές επιχειρησιακού κινδύνου και AI.

Πρώτα εξωτερικά κεφάλαια ύστερα από εννέα χρόνια

Η χρηματοδότηση ξεχωρίζει εν μέρει επειδή η Prevalent AI ακολούθησε μια σχετικά ασυνήθιστη πορεία στην αγορά κυβερνοασφάλειας. Αντί να στηριχθεί σε διαδοχικούς γύρους επιχειρηματικών κεφαλαίων, αναπτυσσόταν σχεδόν επί μία δεκαετία με έσοδα από μεγάλους εταιρικούς πελάτες, προτού αντλήσει νέα θεσμικά κεφάλαια.

Συνιδρυτές της Prevalent AI είναι ο CEO Paul Stokes και ο COO Arun Raj, με καταβολές στη βρετανική κοινότητα πληροφοριών. Η εταιρεία αναφέρει ότι στην ιδρυτική ομάδα συμμετέχουν πρώην στελέχη της Government Communications Headquarters (GCHQ), μια εμπειρία που συνέβαλε στην εστίασή της στη σύνδεση κατακερματισμένων πληροφοριών σε περιβάλλοντα όπου ελλιπή ή ανακριβή δεδομένα μπορούν να έχουν σημαντικές λειτουργικές συνέπειες.

Η ISTARI, που υποστηρίζεται από την επενδυτική εταιρεία Temasek της Σιγκαπούρης, απέκτησε μειοψηφική συμμετοχή το 2021 μέσω αγοράς υφιστάμενων μετοχών. Ωστόσο, η νέα επένδυση της IGP αποτελεί την πρώτη εισροή νέου κεφαλαίου απευθείας στην εταιρεία.

Μετατροπή κατακερματισμένων επιχειρησιακών δεδομένων σε συνεκτικό πλαίσιο

Το βασικό πρόβλημα που επιχειρεί να λύσει η Prevalent AI δεν είναι η έλλειψη επιχειρησιακών δεδομένων. Είναι ότι οι πληροφορίες που απαιτούνται για μια απόφαση συχνά βρίσκονται σε δεκάδες ή ακόμη και εκατοντάδες συστήματα, τα οποία περιγράφουν διαφορετικά τον ίδιο οργανισμό.

Μια ομάδα ασφάλειας, για παράδειγμα, μπορεί να εξαρτάται από σαρωτές ευπαθειών, πλατφόρμες τερματικών συσκευών, συστήματα ταυτοτήτων, υποδομές cloud, βάσεις διαχείρισης διαμορφώσεων, λογισμικό αιτημάτων και λειτουργικά εργαλεία. Κάθε σύστημα περιέχει μέρος της εικόνας, με διπλές εγγραφές, αντικρουόμενα αναγνωριστικά και ελλιπείς συσχετίσεις μεταξύ πόρων.

Το Security Data Fabric της Prevalent AI έχει σχεδιαστεί για να εισάγει πληροφορίες από αυτά τα συστήματα, να τις κανονικοποιεί, να επιλύει ασυνέπειες και να χαρτογραφεί σχέσεις μεταξύ πόρων, ταυτοτήτων, ευπαθειών, εφαρμογών, ελέγχων και άλλων λειτουργικών πληροφοριών. Τα δεδομένα διατηρούνται σε έναν γράφο γνώσης που ενημερώνεται συνεχώς, αντί να αποτελούν άλλη μία απομονωμένη βάση ασφάλειας.

Η διάκριση αυτή γίνεται σημαντικότερη όταν προστίθενται πράκτορες AI. Οι άνθρωποι μπορούν ορισμένες φορές να αναγνωρίσουν ότι δύο ελαφρώς διαφορετικές εγγραφές αναφέρονται στον ίδιο διακομιστή, εργαζόμενο ή εφαρμογή. Ένας αυτοματοποιημένος πράκτορας που αποφασίζει με ταχύτητα μηχανής χρειάζεται αυτές οι σχέσεις να έχουν προσδιοριστεί πιο αξιόπιστα εκ των προτέρων.

Πώς λειτουργεί η τεχνολογία της Prevalent AI

Στο επίπεδο διασύνδεσης, η Prevalent AI χρησιμοποιεί το DataBridge για να συνδέει συστήματα cloud, λογισμικού ως υπηρεσίας (SaaS), τοπικών εγκαταστάσεων και επιχειρησιακών λειτουργιών. Στη συνέχεια εφαρμόζει αντιστοίχιση οντοτήτων, συμφιλιώνοντας τις εγγραφές και δημιουργώντας μια ενιαία αναπαράσταση του επιχειρησιακού περιβάλλοντος.

Ο γράφος γνώσης προσθέτει ένα ακόμη επίπεδο, συνδέοντας τις οντότητες μέσω των σχέσεών τους. Αντί, για παράδειγμα, να αντιμετωπίζει μια ευπάθεια ως μεμονωμένο εύρημα, το σύστημα μπορεί να τη συνδέσει με τον επηρεαζόμενο πόρο, την επιχειρηματική του σημασία, τον υπεύθυνό του, τις σχετικές ταυτότητες, τους υφιστάμενους ελέγχους ασφάλειας και τις σχετικές πληροφορίες απειλών.

Τα εργαλεία διαχείρισης έκθεσης της Prevalent χρησιμοποιούν αυτό το πλαίσιο για να εντοπίζουν πού συγκεντρώνεται ο κίνδυνος και να ιεραρχούν τις διορθωτικές ενέργειες. Η πλατφόρμα συσχετίζει επίσης ευρήματα από διαφορετικά εργαλεία, περιορίζει τις διπλές εγγραφές ευπαθειών και παρακολουθεί συνεχώς αλλαγές σε πόρους, ταυτότητες και υποδομές.

Η παραγωγική AI προστίθεται πάνω σε αυτή τη δομημένη βάση, αντί να καλείται να ερμηνεύσει ανεξάρτητα ακατέργαστα επιχειρησιακά δεδομένα. Το Navigator της Prevalent, για παράδειγμα, επιτρέπει στους χρήστες να υποβάλλουν ερωτήματα στις πληροφορίες του γράφου γνώσης μέσω μιας διεπαφής παραγωγικής AI.

Η εταιρεία προσφέρει επίσης το DataForge, που δημιουργεί συγχρονισμένα συνθετικά σύνολα δεδομένων για ανάπτυξη AI, δοκιμές μοντέλων και διασφάλιση ποιότητας, χωρίς να απαιτείται έκθεση ευαίσθητων δεδομένων παραγωγής κατά τον πειραματισμό.

Πέρα από την κυβερνοασφάλεια

Η κυβερνοασφάλεια ήταν ένα φυσικό σημείο εκκίνησης, επειδή οι ελλιπείς πληροφορίες μπορούν να επηρεάσουν αμέσως αποφάσεις για ευπάθειες, ταυτότητες, περιστατικά και ελέγχους. Ωστόσο, η Prevalent AI αντιμετωπίζει όλο και περισσότερο τη βασική τεχνολογία της ως επιχειρησιακή υποδομή και όχι ως προϊόν αποκλειστικά για την ασφάλεια.

Σύμφωνα με την εταιρεία, πελάτες έχουν ήδη επεκτείνει την ίδια βάση δεδομένων σε ανάλυση χρηματοοικονομικού εγκλήματος, επιχειρησιακή πληροφόρηση, συμμόρφωση, αυτοματοποίηση και ροές εργασίας AI, χωρίς να ανακατασκευάσουν την υποκείμενη αρχιτεκτονική.

Αυτή η ευρύτερη ευκαιρία είναι ένας από τους βασικούς λόγους της νέας χρηματοδότησης.

Ειδικά για τους πράκτορες AI, η πρόκληση μετατοπίζεται από το αν ένα μοντέλο είναι αρκετά έξυπνο για μια εργασία στο αν διαθέτει ακριβείς πληροφορίες για τον οργανισμό μέσα στον οποίο λειτουργεί. Ένας πράκτορας μπορεί να εντοπίζει ευπάθειες, να ερευνά λογαριασμούς ή να ενεργοποιεί αυτοματοποιημένες ροές εργασίας. Η χρησιμότητά του όμως μειώνεται γρήγορα αν δεν μπορεί να προσδιορίσει αξιόπιστα ποια συστήματα υπάρχουν, πώς συνδέονται, ποιος είναι υπεύθυνος γι’ αυτά και ποιες πολιτικές διέπουν τις ενέργειές του.

Η Prevalent AI ουσιαστικά στοιχηματίζει ότι το επιχειρησιακό πλαίσιο θα γίνει σημαντικό επίπεδο της υποδομής AI, ιδιαίτερα σε οργανισμούς όπου οι πράκτορες αναμένεται να ενεργούν και όχι απλώς να παράγουν απαντήσεις.

Γιατί η επιχειρησιακή AI αυξάνει το διακύβευμα

Η χρονική συγκυρία της χρηματοδότησης αντανακλά μια ευρύτερη μετατόπιση. Οι οργανισμοί αρχίζουν να περνούν από μεμονωμένους βοηθούς σε πράκτορες ικανούς να αλληλεπιδρούν με υποδομές, εφαρμογές και επιχειρηματικές διαδικασίες.

Αυτή η μετάβαση μεγαλώνει τις συνέπειες των προβληματικών υποκείμενων δεδομένων.

Η Prevalent AI υποστηρίζει ότι η αρχιτεκτονική της, που διατηρεί την κυριαρχία των δεδομένων στον πελάτη, είναι ιδιαίτερα κατάλληλη γι’ αυτά τα περιβάλλοντα. Η πλατφόρμα έχει σχεδιαστεί να λειτουργεί σε υποδομή ελεγχόμενη από τον πελάτη. Έτσι τα επιχειρησιακά δεδομένα παραμένουν υπό τον έλεγχο του οργανισμού, χωρίς ο λειτουργικός γράφος γνώσης να εξαρτάται από κοινόχρηστη υποδομή ή συγκεκριμένο πάροχο μοντέλων.

Για αυστηρά ρυθμιζόμενους κλάδους, αυτό ενδέχεται να γίνει σημαντικό κριτήριο καθώς οι εταιρείες πειραματίζονται με μεγαλύτερη πρόσβαση των συστημάτων AI σε ευαίσθητες εσωτερικές πληροφορίες και μεγαλύτερη εξουσία ανάληψης ενεργειών.

Γιατί το αξιόπιστο πλαίσιο μπορεί να γίνει κρίσιμο για την επιχειρησιακή AI

Καθώς τα συστήματα AI περνούν από συστάσεις σε ενέργειες μέσα στις επιχειρήσεις, η ποιότητα των δεδομένων που τα περιβάλλουν θα αποκτά όλο και μεγαλύτερη σημασία. Ένας πράκτορας που ερευνά περιστατικά ασφάλειας, εγκρίνει ροές εργασίας ή αντιμετωπίζει λειτουργικά προβλήματα χρειάζεται περισσότερα από πρόσβαση σε μεμονωμένες βάσεις. Χρειάζεται ακριβή εικόνα των σχέσεων μεταξύ πόρων, ταυτοτήτων, εφαρμογών, πολιτικών και επιχειρηματικών διαδικασιών.

Αυτό δημιουργεί μια αυξανόμενη πρόκληση υποδομής. Πολλοί οργανισμοί έχουν συσσωρεύσει επί χρόνια ασύνδετες πλατφόρμες λογισμικού, διπλές εγγραφές και ασυνεπείς συμβάσεις ονοματοδοσίας. Τα μεγάλα γλωσσικά μοντέλα διευκολύνουν την υποβολή ερωτημάτων, αλλά δεν επιλύουν αυτόματα τις αντιφάσεις ούτε αποφασίζουν ποια πηγή είναι αξιόπιστη. Χωρίς αξιόπιστο επίπεδο πλαισίου, η πιο αυτόνομη AI μπορεί απλώς να επιτρέψει στα υπάρχοντα προβλήματα δεδομένων να επηρεάζουν αποφάσεις ταχύτερα και σε μεγαλύτερη κλίμακα.

Επομένως, οι γράφοι γνώσης και οι υποδομές ενοποίησης δεδομένων μπορεί να γίνουν σημαντικά μέρη της αναδυόμενης αρχιτεκτονικής επιχειρησιακής AI. Αντί να αντικαθιστούν βάσεις δεδομένων ή μοντέλα, μπορούν να παρεμβάλλονται μεταξύ τους, συμφιλιώνοντας συνεχώς πληροφορίες και διατηρώντας σχέσεις που οι πράκτορες χρησιμοποιούν όταν αποφασίζουν πώς θα ενεργήσουν.

Οι συνέπειες επεκτείνονται πολύ πέρα από την κυβερνοασφάλεια. Παρόμοια προβλήματα υπάρχουν στην ανίχνευση απάτης, τη ρυθμιστική συμμόρφωση, τη διαχείριση εφοδιαστικών αλυσίδων, τις λειτουργίες πληροφορικής και άλλους τομείς όπου οι αποφάσεις εξαρτώνται από πληροφορίες διάσπαρτες σε πολλά συστήματα. Καθώς οι εταιρείες αναπτύσσουν πράκτορες σε αυτές τις λειτουργίες, η διατήρηση συνεπούς αναπαράστασης του οργανισμού μπορεί να γίνεται ολοένα πιο αναγκαία.

Αυτό μπορεί επίσης να αλλάξει τον τρόπο με τον οποίο οι επιχειρήσεις αξιολογούν την υποδομή AI. Η επίδοση των μοντέλων θα παραμείνει σημαντική, αλλά οι οργανισμοί ενδέχεται να δώσουν μεγαλύτερη έμφαση στην προέλευση, την επικαιρότητα και τις σχέσεις των δεδομένων που τα τροφοδοτούν. Σε αυτό το περιβάλλον, το ανταγωνιστικό πλεονέκτημα μπορεί να μην προέρχεται μόνο από ένα ικανότερο μοντέλο AI, αλλά από την ακριβέστερη κατανόηση της επιχείρησης μέσα στην οποία λειτουργεί.