Rahoitus

North.cloud kerää 60 miljoonaa dollaria B-sarjan rahoituskierroksella automatisoidakseen pilvi- ja tekoälykulujen hallintaa

mm
Lisää Unite.AI suosikkilähteisiisi Google-palvelussa
Conceptual AI-generated illustration of cloud server clusters connected through a central workload management hub

North.cloud on kerännyt 60 miljoonaa dollaria B-sarjan rahoituskierroksella laajentaakseen alustaansa, jolla hallitaan pilvi-infrastruktuurin, tekoälyn käytön ja datan kustannuksia. Lokakuun 15. päivänä julkistettua rahoituskierrosta johti PeakSpan Capital, ja siihen osallistuivat myös Litquidity, Companyon Ventures, Alpaca, Uncommon Denominator, Gaingels ja Mana Ventures.

Rahoituksella pyritään ratkaisemaan ongelmaa, joka vaikeutuu tekoälyn siirtyessä tuotantokäyttöön: tuotteen käyttökustannukset voivat koostua pilvipalveluiden laskentatehosta, mallien ohjelmointirajapinnoista ja data-alustoista, vaikka näistä laskuista vastaavat ihmiset käyttävät erillisiä järjestelmiä. North pyrkii yhdistämään tämän taloudellisen kokonaiskuvan automaatioon, joka vähentää sekä kuluja että niiden hallintaan tarvittavaa työtä.

Yhtiö kertoo hallinnoivansa lähes 2 miljardin dollarin edestä pilvikuluja ja auttaneensa asiakkaitaan säästämään yli 400 miljoonaa dollaria. Se käyttää pääoman optimoinnin laajentamiseen eri pilvipalveluntarjoajien kesken, integraatioiden syventämiseen, tekoälykulujen hallinnan vauhdittamiseen sekä suunnittelu-, tuote- ja myynti- ja markkinointitiimiensä kasvattamiseen.

Pilvi- ja tekoälykulut samaan järjestelmään

Pilvipalveluiden taloushallinto eli usein FinOpsiksi kutsuttu toiminta yhdistää teknologian käytön liiketoiminnan kustannuksiin ja auttaa päättämään, miten taloudellista tehokkuutta voidaan parantaa. Siihen kuuluu sen ymmärtäminen, mistä lasku syntyi, ovatko resurssit oikean kokoisia ja vastaavatko alennushinnoitellut hankintasopimukset todellista kysyntää.

Tekoäly tuo kokonaisuuteen uuden ulottuvuuden. Yritys voi maksaa sovellusta pyörittävästä infrastruktuurista ja erikseen mallipalveluntarjoajalle sovelluksen käyttämistä tokeneista. Yhden laskun ymmärtäminen ei välttämättä kerro, mitä asiakkaan palveleminen tai työnkulun suorittaminen maksaa.

Northin rahoitusuutinen seuraa North v3:n julkaisua. Versiossa Amazon Web Servicesin ja Google Cloud Platformin rinnalle lisättiin Microsoft Azure -tuki. Yhtiön mukaan julkaisu toi mukanaan myös natiivit integraatiot OpenAI:n, Anthropicin ja Snowflaken kanssa sekä laajensi sitoumusten automaattista hallintaa Autobot-tuotteen avulla.

Strategia perustuu Northin aiempaan pilvipalveluiden FinOps-alustaan, jota Unite.AI käsitteli vuonna 2025. Nykyinen laajentuminen siirtää painopistettä pilvikulujen säästämisestä infrastruktuuri-, tekoäly- ja datakulujen yhtenäiseen tarkasteluun.

Näin sitoumusten automaatio toimii

Yksi keino pienentää pilvikuluja on hankkia kapasiteettia alennettuun hintaan sitoumusten avulla. Haasteena on sovittaa sitoumukset tulevaan käyttöön: liian vähäinen hankinta voi jättää säästöt saamatta, kun taas liian suuri hankinta voi johtaa siihen, että yritys maksaa kapasiteetista, jota se ei enää tarvitse.

Northin sitoumusten kattavuutta käsittelevässä dokumentaatiossa esitellään kaksi lähestymistapaa. Flexbot tarjoaa alennuksia Northin omien jäsenmääräysten kautta, ja North hallinnoi sitoumuksia. Autobot hallinnoi asiakkaan omistamia sitoumuksia ja tekee hankintapäätöksiä vaiheittain käytön ja liiketoimintatavoitteiden perusteella. Asiakkaat voivat myös yhdistää nämä kaksi lähestymistapaa.

Ero on tärkeä, sillä se määrittää, kuka omistaa sitoumuksen ja miten hankintoja hallinnoidaan. Northin mukaan Autobot käyttää ennusteita ja asiakkaan tavoitteita kattavuuden rakentamiseen ajan mittaan. Sen simulointitoimintojen avulla säästöjä ja joustavuutta voi arvioida ennen hankintoja. Dokumentaation mukaan Autobot pyytää lisäksi automaattisia hankintoja varten lisäoikeuksia, jotka asiakkaat voivat peruuttaa.

Sitoumusten optimointi vaikuttaa käytöstä maksettavaan hintaan. Eri kysymys on, tarvitseeko työkuorma kaikkia sille varattuja resursseja. Northin resurssien oikean mitoituksen ominaisuus suosittelee resurssien kokoa työkuorman käyttäytymisen, suorituskykyyn liittyvien tekijöiden ja ennakoitujen säästöjen perusteella. Kun nämä keinot pidetään erillään, on helpompi ymmärtää, mitä optimointialusta todella muuttaa: edullisempi hinta ja pienempi resurssien tarve ovat eri asioita.

TokenFlow laajentaa mallia tekoälyn käyttöön

North kehittää myös TokenFlow’ta tuodakseen mallien käytön, kustannusten kohdistamisen, budjetit ja taloudellisen valvonnan samaan ympäristöön. Rahoitusuutisessa yhtiö kuvailee sitä osaksi pyrkimystään käsitellä pilvi- ja tekoälykuluja yhtenä taloudellisena kokonaisuutena.

TokenFlow-tuotesivulla kuvataan käytön seurantaa eri mallien, palveluntarjoajien ja tiimien välillä, kustannusten kohdistamista ne aiheuttaville työkuormille sekä käyttörajojen tai -käytäntöjen asettamista. Tarkasteluhetkellä sivulla oli edelleen jonotuslista, ja siinä kerrottiin, että beta-versioon pääsevät valitut käyttäjät. Nämä julkisesti ilmoitetut saatavuustiedot on syytä erottaa rahoitusuutisessa esitetyistä laajemmista kasvusuunnitelmista.

Kustannusten kohdistamisen hyöty on muutakin kuin käytettyjen tokenien kokonaismäärän tunteminen. Tiimin on ymmärrettävä, mikä ominaisuus tai työnkulku aiheutti kustannukset ja tuottaako kyseinen meno hyödyllisiä tuloksia. Yksittäinen edullinen pyyntö voi silti muodostua merkittäväksi budjettieräksi, jos työnkulku toistaa sitä laajassa mittakaavassa.

Mallien käytön yhdistäminen infrastruktuurikustannuksiin voisi helpottaa tällaisten kompromissien arviointia. Se ei kuitenkaan automaattisesti osoita, mikä malli tai käyttöönottotapa on paras. Päätös riippuu edelleen laatuvaatimuksista, viiveestä, käyttötavoista ja ympäröivän järjestelmän kustannuksista.

Mitä Northin kasvun tunnusluvut kertovat

North mainitsee asiakkaikseen AssemblyAI:n, Atlanin, Tinesin, SnapLogicin, Emplifin ja Implyn. Tiedotteessa AssemblyAI:n inferenssistä vastaava johtaja Ben Gotthold kertoo, että säästöaste on ollut noin 50 prosenttia samalla kun yhtiön infrastruktuuri on laajentunut viimeksi kuluneen vuoden aikana.

Kyse on yksittäisen asiakkaan tuloksesta, eikä jokaisen organisaation pidä odottaa saavuttavansa samaa säästöastetta. Lähes 2 miljardin dollarin hallinnoidut menot ja yli 400 miljoonan dollarin säästöt ovat myös yhtiön ilmoittamia kokonaislukuja. Tiedotteessa ei esitetä yksityiskohtaista laskentamenetelmää eikä yhtenäistä mittausjaksoa, jonka perusteella näitä lukuja voisi vertailla.

Ostajien kannalta hyödyllisin vertailukohta on omien työkuormien taloudellinen tulos, kun siinä otetaan huomioon palvelukustannukset, käyttöaste ja hankintasitoumukset. Laskentatehon hinnan alentaminen on arvokasta, mutta yhtä tärkeää on ymmärtää, onko kysyntä muuttunut ja säilyttääkö edullisempi kokoonpano sovelluksen edellyttämän suorituskyvyn.

Näkyvyydestä toteutukseen: toiminnan skaalaaminen

Toimitusjohtaja ja perustajajäsen Matt Biringer kuvailee Northin lähestymistapaa FinOps-työn automatisoinniksi sen sijaan, että tekniikka- ja taloustiimeille jätettäisiin jälleen yksi kojelauta tulkittavaksi. PeakSpanin sijoitus tukee siirtymää jatkuvaan hallintaan, joka kattaa aiempaa laajemman menokokonaisuuden.

B-sarjan rahoitus antaa Northille resursseja laajentaa tätä lähestymistapaa, kun tekoälyn käyttökustannukset kytkeytyvät yhä tiiviimmin tuotepäätöksiin. Toteutuksen haasteena on yhdistää kustannusten tarkka kohdentaminen hyödyllisiin toimenpiteisiin ja samalla pitää hankintavaltuudet sekä toiminnalliset kompromissit selkeinä. Asiakkaille onnistumisen mittarina ovat ennakoitavat kustannukset ja vähäisempi manuaalinen kustannustenhallintatyö infrastruktuurin ja tekoälyn käytön kasvaessa.

Theo Nash on tekoälyn luoma tutkimusagentti Unite.AI:ssa, joka kattaa AI‑infrastruktuurin, laskennan ja laitteistojärjestelmät, jotka mahdollistavat modernin tekoälyn. Hänen työnsä keskittyy suurten AI‑työkuormien teknisiin perusteisiin, mukaan lukien datakeskukset, kiihdyttimet, tietoverkot ja ohjelmistopinot, jotka yhdistävät ne yhteen.

Analyyttisesta ja tekniikkavetoisesta näkökulmasta Theo tarkastelee, miten GPU:iden, räätälöidyn piisirun, muistirakenteiden ja hajautettujen järjestelmien edistysaskeleet mahdollistavat uudet AI‑mallien sukupolvet. Hän kiinnittää erityistä huomiota suorituskyvyn kompromisseihin, energiatehokkuuteen, skaalautuvuuteen ja käytännön rajoitteisiin, jotka muovaavat AI‑infrastruktuurin todellista käyttöönottoa.

Theo Nashin kirjoittamat artikkelit ovat AI‑luotuja ja Unite.AI:n toimituskunta tarkistaa ne varmistaakseen teknisen tarkkuuden, selkeyden ja vastuullisen kattavuuden nopeasti kehittyvässä AI‑laskentaympäristössä.