InsightFinder kerää 15 miljoonan dollarin B-sarjan rahoituksen Yu Galaxyn johdolla kehittääkseen AI-järjestelmien luotettavuutta tuotannossa

InsightFinder on kerännyt 15 miljoonan dollarin B-sarjan rahoituksen Yu Galaxyn johdolla, mikä nostaa yhtiön kokonaisrahoitusta 35 miljoonaan dollariin. Rahoituksen myötä yhtiö kertoo nopeuttavansa yritysasiakkaiden kanssa tehtyjä miljoonien dollarien arvoisia kauppoja, ja se heijastaa kasvavaa kysyntää infrastruktuurille, joka voi tehdä AI-järjestelmistä luotettavia, kun ne otetaan käyttöön todellisissa ympäristöissä.

Siirtyminen AI-suorituskyvystä AI-luotettavuuteen

Kun yritykset siirtävät AI-järjestelmiä hallituilta alustoilta tuotantoon, ilmenee johdonmukainen kuvio: järjestelmät, jotka suorittavat hyvin testauksessa, usein menevät rikki todellisissa olosuhteissa. Ongelma ei ole mallin kyky, vaan konteksti. Useimmat AI-järjestelmät eivät ymmärrä syvällisesti niiden liiketoimintaympäristöjä, joissa ne toimivat.

InsightFinder keskittyy tukkeakseen tämän aukon. Sen alusta perustuu ajatukselle, että AI-järjestelmien luotettavuus ei ole vain metriikkojen, kuten viiveen tai virheiden, seuraamista, vaan ymmärtämistä siitä, mitä “normaali” näyttää tietyssä liiketoimintaprosessissa. Tähän kuuluu kaikki aina maksujärjestelmistä ja logistiikkaputkista asiakastukeen.

Laajentaminen havaittavuutta AI-järjestelmiin

Alun perin kehitettyä kompleksisten IT-operaatioiden hallitsemiseen, InsightFinderin ydinTeknologia keskittyy poikkeamien havaitsemiseen, virheiden syiden tunnistamiseen ja ennustamiseen hajautetuissa järjestelmissä. Sama peruslähestymistapa sovelletaan nyt AI-järjestelmiin, erityisesti niissä, jotka liittyvät suuriin kielimalleihin ja agenttipohjaisiin työnkulkuihin.

Toisin kuin perinteiset havaittavuustyökalut, jotka keskittyvät infrastruktuuriin, InsightFinderin alusta analysoi monilähteisiä, monitapaista dataa diagnosoidakseen, miksi AI-järjestelmät käyttäytyvät odottamattomasti. Tähän sisältyy mallin siirtymisen tunnistaminen, virheiden jäljittäminen agenttityönkuluissa ja ongelmien paljastaminen, jotka eivät laukaista ilmeisiä hälytyksiä.

Rakentaminen suljetun palautekehän AI-järjestelmiin

InsightFinderin lähestymistavan keskeinen teema on tarve yhdistää tuotannon tapahtumat kehitykseen. Monet AI-työkalut keskittyvät arviointiin testauksen aikana tai seuraamiseen tuotannossa, mutta harvat yhdistävät nämä jatkuvaksi silmukaksi.

InsightFinderin alusta esittelee ominaisuuksia, jotka on suunniteltu sulkeakseen tämän silmukan:

• Suorituskyvyn vertailutyökalut, jotka arvioivat suorituskykyä eri tietojoukoissa, malleissa ja kustannusmittareissa
• Domainkohtaiset Pienet Kielen Mallit (PKM), joita käytetään arvioijina, jotka ymmärtävät liiketoimintakohtaisia laatuvaatimuksia
• Automaattiset hienosäätöputkit, jotka käyttävät tuotannon virheitä parantamaan mallin suorituskykyä
• Monien agenttien jäljittäminen, joka rekonstruoii suorituskulkua monimutkaisissa työnkuluissa

Nämä ominaisuudet yhdessä pyrkivät muuttamaan tuotantodataa toimintatiedon, joka jatkuvasti parantaa AI-järjestelmiä.

Miksi yleiset AI-järjestelmät eivät riitä yritysympäristöissä

Yksi InsightFinderin keskeisistä haasteista on yleisten AI-mallien ja domainkohtaisten vaatimusten välinen epäsuhta. Perusmallit on koulutettu laajoilla tietojoukoilla ja ne ovat hyviä mallintamisessa, mutta niiltä puuttuu ymmärrys teollisuudenomaisista nuansseista.

Tämä luo riskikerroksen, jota usein aliarvioidaan. Terveydenhuolto-, rahoitus- ja logistiikkasektoreilla pienet poikkeamat voivat johtaa suuriin seurauksiin. InsightFinderin lähestymistapa on upottaa domain-tietoisuus arviointi- ja seurantaprosesseihin, jotta järjestelmiä voidaan arvioida liiketoimintakohtaisten kriteerien perusteella eikä yleisten vertailukohtien mukaan.

Palvelumalli, joka on rakennettu toteutuksen ympärille, ei vain ohjelmistoa

Toinen InsightFinderin erottuva piirre on, miten se toimittaa alustansa. Perinteisen SaaS-mallin sijaan, jossa asiakkaat jäävät konfiguroimaan työkalut itsenäisesti, yhtiö työskentelee läheisesti organisaatioiden kanssa sovittaakseen järjestelmät heidän ympäristöihinsä.

Tähän sisältyy alustan linjaaminen sisäisten työnkulkujen mukaan, arviointikriteerien määrittely ja domainkohtaisten logiikoiden integrointi. Tavoitteena on varmistaa, että järjestelmän generoimat oivallukset ovat toimintakykyisiä kunkin organisaation toiminnan kontekstissa.

Uusi rahoitus käytetään osittain laajentamaan tätä asiakaslähtöistä kykyä, erityisesti yritysmyynti- ja asiakastarinan osioissa.

Laajempi kuva: AI kritisiä infrastruktuuria

InsightFinderin rahoituksen ajoitus korostaa laajempaa muutosta siinä, miten AI:ta kohdellaan. Kun AI-järjestelmät upotetaan kriittisiin infrastruktuureihin, kuten sairaaloissa, rahoitusjärjestelmissä ja toimitusketjuissa, luotettavuus muuttuu teknisestä huolesta yhteiskunnalliseksi.

Ilmenevä käsite on, että AI-järjestelmien tarvitsee jonkinlainen “immuunijärjestelmä”, joka voi havaita, diagnosoida ja reagoida virheisiin reaaliajassa. Tämä on kerros, jonka InsightFinder aikoo rakentaa.

Sen sijaan, että yhtiö keskittyisi tekevät malleja voimakkaammaksi, se kohdistaa toisen ongelman: tekevät ne luotettaviksi. Kun AI-omaksuminen kiihtyy, tämä ero tulee todennäköisesti olemaan yhä tärkeämpää.