InsightFinder kerää 15 miljoonan dollarin B-sarjan rahoituksen Yu Galaxyn johdolla ratkaistakseen tekoälyn tuotantokäytön luotettavuusongelman

InsightFinder on kerännyt 15 miljoonan dollarin B-sarjan rahoituksen Yu Galaxyn johdolla, mikä nostaa yhtiön kokonaisrahoituksen 35 miljoonaan dollariin. Rahoituskierros osuu hetkeen, jolloin yhtiö kertoo yritysasiakasliiketoimintansa kasvun kiihtyvän ja raportoi muun muassa miljoonaluokan kaupoista Fortune 50 -organisaatioiden kanssa, 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 hallituista ympäristöistä tuotantoon, ilmenee johdonmukainen kuvio: testauksessa hyvin toimivat järjestelmät usein pettävät todellisissa olosuhteissa. Ongelma ei ole mallin kyky, vaan konteksti. Useimmat AI-järjestelmät eivät ymmärrä syvällisesti niiden liiketoimintaympäristöjä, joissa ne toimivat.

InsightFinder keskittyy tämän kuilun kuromiseen umpeen. Sen alusta perustuu ajatukselle, että AI-järjestelmien luotettavuus ei ole vain metriikkojen, kuten viiveen tai virheasteiden, seuraamista, vaan ymmärtämistä siitä, miltä “normaali” toiminta näyttää tietyssä liiketoimintaprosessissa. Tähän kuuluu kaikki aina maksujärjestelmistä ja logistiikkaputkista asiakastukeen.

Havainnoitavuuden laajentaminen tekoälyjärjestelmiin

InsightFinder kehitettiin alun perin monimutkaisten IT-toimintojen hallintaan. Sen ydinteknologia keskittyy poikkeamien havaitsemiseen, juurisyiden tunnistamiseen ja vikojen ennustamiseen hajautetuissa järjestelmissä. Samaa peruslähestymistapaa sovelletaan nyt AI-järjestelmiin, erityisesti sellaisiin, joihin liittyy suuriin kielimalleihin ja agenttipohjaisiin työnkulkuihin.

Toisin kuin perinteiset havainnoitavuustyökalut, jotka keskittyvät infrastruktuuriin, InsightFinderin alusta analysoi useista lähteistä tulevaa multimodaalista dataa diagnosoidakseen, miksi AI-järjestelmät käyttäytyvät odottamattomasti. Tähän sisältyy mallin ajautumisen tunnistaminen, virheiden jäljittäminen agenttityönkuluissa ja ongelmien paljastaminen, jotka eivät laukaise ilmeisiä hälytyksiä.

Suljetun palautesilmukan rakentaminen tekoälyjärjestelmille

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, joiden tarkoituksena on sulkea tämä silmukka:

• Kehotteiden vertailutyökalut, jotka arvioivat suorituskykyä eri tietojoukoissa, malleissa ja kustannusmittareissa
• Toimialakohtaiset pienet kielimallit (SLM), joita käytetään arvioijina, jotka ymmärtävät liiketoimintakohtaisia laatuvaatimuksia
• Automaattiset hienosäätöputket, jotka käyttävät tuotannon virheitä parantamaan mallin suorituskykyä
• Monien agenttien jäljittäminen, joka rekonstruoi suorituspolkuja monimutkaisissa työnkuluissa

Nämä ominaisuudet yhdessä pyrkivät muuttamaan tuotantodatan käyttökelpoisiksi havainnoiksi, jotka parantavat jatkuvasti AI-järjestelmiä.

Miksi yleiset AI-järjestelmät eivät riitä yritysympäristöissä

Yksi InsightFinderin keskeisistä haasteista on yleisten AI-mallien ja toimialakohtaisten vaatimusten välinen epäsuhta. Perusmallit on koulutettu laajoilla tietojoukoilla ja ne ovat hyviä hahmontunnistuksessa, mutta niiltä puuttuu ymmärrys toimialakohtaisista vivahteista.

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

Palvelumallin ytimessä on käyttöönotto, ei pelkkä ohjelmisto

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 toimialakohtaisten logiikoiden integrointi. Tavoitteena on varmistaa, että järjestelmän generoimat oivallukset ovat hyödynnettävissä kunkin organisaation toiminnan kontekstissa.

Uusi rahoitus käytetään osittain laajentamaan tätä asiakaslähtöistä kykyä, erityisesti yritysmyynti- ja asiakkaiden onnistumista tukevissa toiminnoissa.

Laajempi kuva: Tekoäly kriittisenä infrastruktuurina

InsightFinderin rahoituksen ajoitus korostaa laajempaa muutosta siinä, miten AI:ta kohdellaan. Kun AI-järjestelmät sisällytetään kriittiseen infrastruktuuriin, kuten sairaaloihin, rahoitusjärjestelmiin ja toimitusketjuihin, luotettavuus muuttuu teknisestä huolesta yhteiskunnalliseksi.

Ilmenevä käsite on, että AI-järjestelmät tarvitsevat jonkinlaisen “immuunijärjestelmän”, joka voi havaita ja diagnosoida vikoja sekä reagoida niihin reaaliajassa. Tämä on kerros, jonka InsightFinder aikoo rakentaa.

Sen sijaan, että yhtiö keskittyisi tekemään malleista tehokkaampia, se pyrkii ratkaisemaan toisen ongelman: tekemään niistä luotettavia. Kun AI-omaksuminen kiihtyy, tämä ero tulee todennäköisesti olemaan yhä tärkeämpi.