groundcover lève 100 millions de dollars en série C pour développer sa plateforme d’observabilité pour l’ère de l’IA

L’entreprise de cloud observability groundcover a levé 100 millions de dollars en série C pour développer une plateforme conçue pour aider les équipes d’ingénieurs et les agents IA à comprendre les environnements de production de plus en plus complexes.

Le tour de financement a été mené par One Peak, avec la participation de Morgan Stanley Expansion Capital (MS ) et des investisseurs existants Zeev Ventures, Angular Ventures, Heavybit et Jibe. Cela porte le financement total de groundcover à 160 millions de dollars.

Le financement suit une année au cours de laquelle l’entreprise affirme avoir triplé son chiffre d’affaires annuel récurrent, doublé sa main-d’œuvre mondiale et dépassé les 250 clients payants. Sa base de clients va maintenant des startups en démarrage aux entreprises du Fortune 5, tandis que l’entreprise signe également plusieurs contrats à sept chiffres au cours des 12 derniers mois.

L’observabilité à un problème de données piloté par l’IA

Les plateformes d’observabilité collectent et analysent des signaux tels que les journaux, les métriques et les traces pour aider les équipes d’ingénieurs à comprendre comment les applications et les infrastructures se comportent en production.

Cette tâche devient de plus en plus difficile à mesure que les systèmes cloud-native s’étendent et que les entreprises introduisent de grands modèles de langage, des agents autonomes et des piles d’applications de plus en plus interconnectées. Les applications IA peuvent générer des télémétries sur les invites, les réponses de modèle, les appels d’outils, les bases de données, les API et les infrastructures qui les soutiennent.

Une meilleure visibilité peut aider les ingénieurs à identifier les hallucinations, la dégradation des performances, les appels d’outils échoués et les risques de sécurité. Cependant, la collecte de ce contexte peut également augmenter considérablement le volume et la sensibilité des données qui entrent dans les systèmes d’observabilité.

Les plates-formes traditionnelles gèrent souvent ces coûts en échantillonnant ou en filtrant la télémétrie. Cela peut rendre les données sous-jacentes plus gérables, mais cela peut également supprimer les informations précises nécessaires pour reconstruire un incident. La limitation devient particulièrement importante lorsque les agents IA sont censés enquêter sur des problèmes ou recommander des modifications sans direction humaine continue.

groundcover positionne son architecture comme une alternative à ce modèle, combinant la collecte de données au niveau du noyau avec un stockage dans l’environnement cloud du client.

Comment fonctionne l’architecture BYOC de groundcover

Au centre de la plateforme se trouve une architecture de type “apportez votre propre cloud” (BYOC). Au lieu de transférer toutes les données d’observabilité dans un environnement de service géré par un fournisseur, groundcover déploie son plan de données dans un compte isolé dans le cloud du client.

Les journaux, les métriques d’infrastructure, les métriques personnalisées, les traces et les événements Kubernetes peuvent donc rester dans l’infrastructure du client. Un plan de contrôle distinct gère la plateforme mais est isolé des charges de travail de production et de la télémétrie au niveau du réseau, selon la documentation architecturale de groundcover.

Cette disposition est conçue pour donner aux clients une expérience de logiciel géré tout en préservant un contrôle plus grand sur la résidence des données, la confidentialité et la sécurité. Cela peut être particulièrement pertinent pour les charges de travail IA, où les enregistrements d’observabilité peuvent inclure des invites, des sorties de modèle, des arguments d’outils, des informations utilisateur ou des éléments du processus de raisonnement d’un agent.

L’entreprise prend également en charge les déploiements sur site et les déploiements en mode déconnecté pour les organisations ayant des exigences d’isolement plus strictes.

Combinaison d’eBPF et d’OpenTelemetry

groundcover collecte une grande partie de sa télémétrie grâce à l’eBPF (extended Berkeley Packet Filter). La technologie permet aux programmes d’observer l’activité au sein du noyau Linux, donnant aux systèmes de surveillance une visibilité sur la communication réseau, les processus d’application et l’utilisation des ressources sans que les développeurs aient besoin d’instrumenter manuellement chaque service.

L’entreprise affirme que son capteur eBPF adaptatif peut être déployé sans modification de code et utilisé pour capturer la télémétrie d’application et d’infrastructure dans les environnements Kubernetes.

Cela ne signifie pas que groundcover remplace les normes d’instrumentation établies. La plateforme intègre également OpenTelemetry, un cadre open source qui fournit des API, des kits de développement logiciel et des outils communs pour générer, traiter et exporter la télémétrie.

La combinaison donne aux organisations deux sources d’information complémentaires. L’eBPF peut capturer automatiquement l’activité aux couches d’infrastructure et de réseau, tandis que l’OpenTelemetry peut fournir un contexte d’application spécifique intentionnellement ajouté par les développeurs.

groundcover consolide les traces, les métriques, les journaux et les événements Kubernetes dans une interface unifiée. Son portefeuille de produits couvre également la surveillance des performances des applications, la surveillance des infrastructures, la gestion des journaux, la surveillance des utilisateurs réels et l’observabilité des applications de modèles de langage.

Élargir l’observabilité pour les agents IA

Les ambitions de l’entreprise vont au-delà de la fourniture de tableaux de bord pour les opérateurs humains. Son mode Agent est conçu pour aider les ingénieurs à enquêter sur les incidents, à effectuer des analyses de cause racine et à identifier les étapes de remédiation possibles en utilisant la télémétrie disponible dans la plateforme.

Au lieu de placer un chatbot général sur une collection de journaux, groundcover affirme avoir reconstruit ses API internes autour d’un langage de requête unifié appelé GCQL. Les actions prises par l’agent peuvent être inspectées et les résultats peuvent être convertis en actifs groundcover natifs pour que les ingénieurs les utilisent de manière autonome.

L’entreprise a également introduit la prise en charge du protocole de contexte de modèle, permettant aux développeurs d’apporter des télémétries de production dans des agents et des environnements de développement compatibles. Ses outils d’observabilité IA sont conçus pour capturer le contexte d’exécution plus large des requêtes de modèle, y compris les invites, les réponses, l’utilisation des outils et l’historique de session.

Cela peut aider les équipes à déterminer si un problème provient du modèle lui-même, d’une API externe, d’un système de récupération, d’un goulet d’étranglement d’infrastructure ou de la séquence d’actions prises par un agent. groundcover affirme que son approche basée sur l’eBPF peut également inspecter le contenu de la demande et de la réponse API, aidant les équipes à détecter les anomalies ou les informations sensibles transmises à des fournisseurs de modèles externes.

« Nous sommes la seule plateforme à exploiter le potentiel de l’eBPF avec la puissance infinie du BYOC pour l’observabilité », a déclaré Shahar Azulay, PDG et co-fondateur de groundcover. « En plus de cette architecture unique, groundcover a construit le mode Agent, notre expérience agente qui aide les ingénieurs à faire surface, à dépanner et à remédier aux problèmes en production. »

Azulay a déclaré que les nouveaux capitaux soutiendront les efforts de l’entreprise pour changer la façon dont les ingénieurs et les agents collaborent dans les opérations de production.

Voici une section de remplacement plus neutre :

Implications futures

La croissance des agents IA pourrait changer ce que les organisations attendent des plates-formes d’observabilité. Les outils de surveillance ont traditionnellement aidé les ingénieurs à enquêter sur les incidents après qu’il se soit produit quelque chose de mal, mais les systèmes autonomes peuvent nécessiter un accès continu à des données de production détaillées pour qu’ils puissent identifier les problèmes, tracer les dépendances et recommander des actions correctives en temps réel.

Cela crée une tension entre visibilité, coût et contrôle. Les applications IA peuvent générer de grands volumes de journaux, de traces et de métriques, tandis que leur télémétrie peut également contenir des invites sensibles, des sorties de modèle et des informations client. Les architectures qui conservent les données dans l’environnement cloud d’une entreprise pourraient donc devenir plus attrayantes, en particulier dans les industries réglementées ou les organisations ayant des exigences de résidence des données strictes.

La question plus large est de savoir si les agents IA peuvent être considérés comme fiables pour agir sur les données d’observabilité plutôt que de simplement les résumer. Des télémétries incomplètes, des corrélations trompeuses ou des autorisations mal définies pourraient amener un système automatisé à mal diagnostiquer un incident ou à apporter des modifications inutiles. La surveillance humaine, les traces d’audit et les limites claires des actions autonomes resteront importantes à mesure que ces capacités mûrissent.

Le financement de groundcover reflète l’intérêt croissant pour les infrastructures nécessaires pour exploiter les systèmes IA à grande échelle. L’importance à long terme dépendra moins de la capacité des plates-formes d’observabilité à ajouter des interfaces conversationnelles et plus de leur capacité à fournir des données suffisamment complètes, sécurisées et fiables pour que les humains et les agents automatisés puissent prendre des décisions judicieuses dans les environnements de production.