Prevalent AI keräsi $22M laajentaakseen luotettavaa yrityskontekstia AI-järjestelmissä

Prevalent AI on kerännyt $22 miljoonaa kasvupääomaa Integrity Growth Partners (IGP)ilta, mikä merkitsee ensimmäistä ensisijaista ulkopuolista sijoitusta Lontoossa toimivan yrityksen yhdeksän vuoden historiassa. Rahoitus tulee, kun organisaatiot kohtaavat kasvavan ongelman tekoälyn nopean omaksumisen rinnalla: AI-järjestelmät saattavat tulla yhä kykenevämmiksi, mutta niiden päätökset ovat yhtä luotettavia kuin organisaation data ja konteksti, jotka niillä on käytettävissään.

Vuonna 2017 perustettu Prevalent AI on pysynyt omarahoitteisena ja, yrityksen mukaan, on ollut kannattava sen ensimmäisen asiakkaan hankkimisen jälkeen. Yritys kertoo, että vuosittainen toistuva liikevaihto on yli kaksinkertaistunut viimeisen vuoden aikana. Uusi pääoma ohjataan globaalin kaupallisen organisaation laajentamiseen, läpimurron nopeuttamiseen Yhdysvalloissa, johtoryhmän vahvistamiseen sekä teknologian laajentamiseen, joka alun perin kehitettiin kyberturvallisuutta varten, laajempiin yritysriski- ja AI-sovelluksiin.

Ensimmäinen ulkopuolinen pääoma yhdeksän vuoden jälkeen

Rahoitus on merkittävää osittain siksi, että Prevalent AI otti melko epätavallisen reitin kyberturvallisuusmarkkinoilla. Sen sijaan, että se olisi turvautunut toistuviin riskipääomakierroksiin kasvun rahoittamiseksi, yritys rakensi lähes vuosikymmenen ajan tulonsa suurten yritysasiakkaiden tuottamasta liikevaihdosta ennen kuin se keräsi ensisijaista institutionaalista pääomaa.

Prevalent AI:n perustivat toimitusjohtaja Paul Stokes ja operatiivinen johtaja Arun Raj, joilla on juuria Yhdistyneen kuningaskunnan tiedusteluyhteisössä. Yritys kertoo, että sen perustajatiimiin kuuluu Government Communications Headquarters (GCHQ) -alumni, mikä on auttanut muovaamaan sen keskittymistä hajautetun tiedon yhdistämiseen ympäristöissä, joissa puutteellinen tai virheellinen data voi aiheuttaa merkittäviä operatiivisia seurauksia.

ISTARI, jonka takana on Singaporen sijoitusyhtiö Temasek, tuli vähemmistöosakkeenomistajaksi vuonna 2021 toissijaisessa transaktiossa, mutta uusi IGP‑sijoitus edustaa ensimmäistä ensisijaista pääomaa, joka menee suoraan yritykseen.

Hajautetun yritystiedon muuttaminen kontekstiksi

Prevalent AI:n pyrkimyksen keskeinen ongelma ei ole yritystiedon puute, vaan se, että päätöksenteossa tarvittava data on usein hajautettu kymmenien tai jopa satojen järjestelmien välillä, jotka kuvaavat samaa organisaatiota eri tavoin.

Esimerkiksi tietoturvatiimi voi tukeutua haavoittuvuusskannereihin, päätelaitteiden alustoihin, identiteettijärjestelmiin, pilvi-infrastruktuuriin, konfiguraationhallintatietokantoihin, tukipyyntöohjelmistoihin ja operatiivisiin työkaluihin. Jokainen järjestelmä sisältää osan kokonaiskuvasta, mutta niissä on päällekkäisiä tietueita, ristiriitaisia tunnisteita ja puutteellisia suhteita resurssien välillä.

Prevalent AI:n Security Data Fabric on suunniteltu keräämään tietoa näistä eri järjestelmistä, normalisoimaan sen, ratkaisemaan epäjohdonmukaisuudet ja kartoittamaan suhteet resurssien, identiteettien, haavoittuvuuksien, sovellusten, kontrollien ja muun operatiivisen tiedon välillä. Tuloksena oleva data ylläpidetään jatkuvasti päivittyvänä tietämyskarttana sen sijaan, että se olisi erillinen turvallisuustietokanta.

Tämä eroavaisuus korostuu yhä enemmän, kun AI‑agentit tulevat mukaan. Ihmiset voivat joskus tunnistaa, että kaksi hieman erilaista tietuetta viittaavat samaan palvelimeen, työntekijään tai sovellukseen. Automaattinen, koneen nopeudella toimiva agentti tarvitsee nämä suhteet luotettavasti määriteltyinä etukäteen.

Miten Prevalent AI:n teknologia toimii

Integraatiokerroksessa Prevalent AI käyttää DataBridge-ratkaisua yhdistääkseen pilvi-, SaaS-, paikalliset ja operatiiviset järjestelmät. Alusta soveltaa sitten entiteettitunnistusta tietueiden yhtenäistämiseksi ja luodakseen yhtenäisen kuvan yritysympäristöstä.

Tietämyskartta lisää toisen kerroksen yhdistämällä nämä entiteetit niiden välisiin suhteisiin. Esimerkiksi haavoittuvuutta ei käsitellä erillisenä löydöksenä, vaan järjestelmä voi yhdistää sen vaikuttavaan resurssiin, resurssin liiketoiminnalliseen merkitykseen, omistajaan, siihen liittyviin identiteetteihin, olemassa oleviin turvallisuuskontrolleihin ja asiaankuuluviin uhkatietoihin.

Prevalentin altistuksenhallintatyökalut hyödyntävät tätä kontekstia tunnistaakseen, missä riskit keskittyvät, ja priorisoidakseen korjaustoimenpiteet. Alusta voi myös korreloida löydöksiä eri työkalujen välillä vähentääkseen päällekkäisiä haavoittuvuusrekistereitä ja valvoakseen jatkuvasti resurssien, identiteettien ja infrastruktuurin muutoksia.

Generatiivista AI:ta lisätään tämän rakenteellisen perustan päälle sen sijaan, että sitä pyydettäisiin tulkitsemaan raakaa yritystietoa itsenäisesti. Prevalentin Navigator-työkalu esimerkiksi antaa käyttäjien tehdä kyselyitä tietämyskartassa generatiivisen AI‑käyttöliittymän kautta.

Yritys tarjoaa myös DataForge‑ratkaisua, joka luo synkronoituja synteettisiä tietoaineistoja AI‑kehitykseen, mallien testaukseen ja laadunvarmistukseen ilman, että arkaluontoista tuotantodataa täytyy paljastaa kokeiluvaiheessa.

Kyberturvallisuuden ulkopuolelle siirtyminen

Kyberturvallisuus oli luonnollinen lähtökohta, koska puutteellinen tieto voi heti vaikuttaa päätöksiin haavoittuvuuksista, identiteeteistä, tapahtumista ja kontrollista. Prevalent AI näkee kuitenkin yhä enemmän teknologiansa yritysinfrastruktuurina eikä pelkästään turvallisuustuotteena.

Yritys kertoo, että asiakkaat ovat jo laajentaneet samaa dataperustaa alueille kuten rahanpesun torjunta, operatiivinen älykkyys, vaatimustenmukaisuus, automaatio ja AI‑ohjatut työnkulut ilman, että perustavanlaatuista arkkitehtuuria täytyy rakentaa uudelleen.

Tämä laajempi mahdollisuus on yksi tärkeimmistä syistä uuteen rahoitukseen.

AI‑agenteille haaste siirtyy yhä enemmän siitä, onko malli tarpeeksi älykäs suorittamaan tehtävä, siihen, onko sillä pääsy tarkkaan organisaatiotietoon, jossa se toimii. Agentti saattaa pystyä tunnistamaan turvallisuushaavoittuvuuden, tutkimaan tiliä tai käynnistämään automatisoidun työnkulun, mutta sen hyödyllisyys heikkenee nopeasti, jos se ei luotettavasti pysty määrittämään, mitkä järjestelmät ovat olemassa, miten ne on kytketty, kuka omistaa ne ja mitkä politiikat ohjaavat sen toimia.

Prevalent AI uskoo, että yrityskonteksti nousee tärkeäksi kerrokseksi AI‑pinossa, erityisesti organisaatioissa, joissa agenteilta odotetaan toimia eikä pelkästään antaa vastauksia.

Miksi yritys‑AI nostaa panoksia

Rahoituksen ajoitus heijastaa laajempaa muutosta yritys‑AI:ssa. Organisaatiot alkavat siirtyä itsenäisistä avustajista kohti agenteja, jotka pystyvät toimimaan infrastruktuurin, sovellusten ja liiketoimintaprosessien kanssa.

Tämä siirtymä lisää huonon taustatiedon seurauksia.

Prevalent AI väittää, että sen suvereeninen arkkitehtuuri on erityisen merkityksellinen näissä ympäristöissä. Alusta on suunniteltu toimimaan asiakkaan hallinnoimassa infrastruktuurissa, pitäen yritystiedon organisaation hallinnassa sen sijaan, että operatiivinen tietämyskartta riippuisi jaetusta infrastruktuurista tai tietystä mallin tarjoajasta.

Sääntelyn tiukasti valvotuilla aloilla tämä voi muodostua tärkeäksi tekijäksi, kun yritykset kokeilevat antaa AI‑järjestelmille enemmän pääsyä arkaluontoiseen sisäiseen tietoon ja suurempaa valtuutta toimia.

Miksi luotettava konteksti voi olla ratkaisevaa yritys‑AI:lle

Kun AI‑järjestelmät siirtyvät suositusten antamisesta toimien toteuttamiseen yrityksissä, näiden järjestelmien ympärillä olevan datan laatu nousee yhä tärkeämpään rooliin. Agentti, jonka tehtävänä on tutkia turvallisuustapaus, hyväksyä työnkulku tai vastata operatiiviseen ongelmaan, tarvitsee muutakin kuin pääsyn yksittäisiin tietokantoihin. Se tarvitsee tarkan kuvan siitä, miten resurssit, identiteetit, sovellukset, politiikat ja liiketoimintaprosessit liittyvät toisiinsa.

Tämä luo kasvavan infrastruktuurihaasteen yrityksille. Monet organisaatiot ovat keränneet vuosien aikana erillisiä ohjelmistoympäristöjä, päällekkäisiä tietueita ja epäyhtenäisiä nimeämiskäytäntöjä. Suuret kielimallit voivat helpottaa tiedon hakemista, mutta ne eivät automaattisesti ratkaise ristiriitoja tai määrittele, mikä lähde on luotettavin. Ilman luotettavaa kontekstikerrosta autonomisempi AI voi vain antaa olemassa olevien dataproblemien vaikuttaa päätöksiin nopeammin ja laajemmassa mittakaavassa.

Tietämyskartat ja data‑kankaat voivat siksi nousta tärkeäksi osaksi nousevaa yritys‑AI‑arkkitehtuuria. Ne eivät korvaa tietokantoja tai AI‑malleja, vaan sijoittuvat niiden väliin, jatkuvasti sovittaen tietoa ja ylläpitäen suhteita, joita agentit voivat hyödyntää päätöksenteossaan.

Vaikutukset ulottuvat myös kyberturvallisuuden ulkopuolelle. Samankaltaisia ongelmia esiintyy petosten tunnistuksessa, säädösten noudattamisessa, toimitusketjun hallinnassa, IT‑toiminnoissa ja muilla alueilla, joilla päätökset perustuvat useiden järjestelmien jakamaan tietoon. Kun yritykset ottavat agenteja käyttöön näissä toiminnoissa, organisaation johdonmukainen esitys sen rakenteesta voi muuttua yhä välttämättömämmäksi.

Tämä voi myös muuttaa tapaa, jolla yritykset arvioivat AI‑infrastruktuuria. Mallin suorituskyky pysyy tärkeänä, mutta organisaatiot voivat alkaa painottaa enemmän datan alkuperää, ajantasaisuutta ja suhteita, jotka syötetään malleihin. Tällaisessa ympäristössä kilpailuetu ei välttämättä tule pelkästään kykenevämmästä AI‑mallista, vaan siitä, että mallille annetaan tarkempi ymmärrys siitä yrityksestä, jossa se toimii.