InsightFinder lève 15 millions de dollars en série B menée par Yu Galaxy pour relever le défi de la fiabilité de l’IA en production

InsightFinder a levé 15 millions de dollars en financement de série B menée par Yu Galaxy, portant son financement total à 35 millions de dollars. Cette augmentation de capital intervient alors que l’entreprise rapporte une traction accrue dans l’entreprise, notamment des accords d’un million de dollars avec des organisations du Fortune 50, et reflète une demande croissante d’infrastructures capables de rendre les systèmes d’IA fiables une fois déployés dans des environnements réels.

Le passage de la performance de l’IA à la fiabilité de l’IA

Alors que les entreprises déplacent les systèmes d’IA des environnements contrôlés vers la production, un modèle constant émerge : les systèmes qui fonctionnent bien lors des tests échouent souvent dans des conditions réelles. Le problème ne réside pas dans la capacité du modèle, mais dans le contexte. La plupart des systèmes d’IA manquent d’une compréhension approfondie des environnements commerciaux spécifiques dans lesquels ils opèrent.

InsightFinder se concentre sur la fermeture de cette lacune. Sa plateforme est construite autour de l’idée que la fiabilité de l’IA ne consiste pas seulement à surveiller des métriques comme la latence ou les taux d’erreur, mais à comprendre ce que « normal » signifie dans un flux de travail commercial spécifique. Cela inclut tout, des systèmes de paiement et des pipelines logistiques aux opérations de support client.

Étendre l’observabilité aux systèmes d’IA

À l’origine conçue pour gérer des opérations IT complexes, la technologie principale d’InsightFinder repose sur la détection d’anomalies, l’identification des causes profondes et la prédiction des défaillances dans les systèmes distribués. La même approche sous-jacente est maintenant appliquée aux systèmes d’IA, en particulier ceux qui impliquent de grands modèles de langage et des flux de travail basés sur des agents.

Contrairement aux outils d’observabilité traditionnels qui se concentrent sur l’infrastructure, la plateforme d’InsightFinder analyse des données multi-sources et multi-modales pour diagnostiquer pourquoi les systèmes d’IA se comportent de manière inattendue. Cela inclut l’identification du décalage des modèles, le suivi des défaillances dans les flux de travail des agents et la mise en évidence des problèmes qui ne déclenchent pas d’alertes évidentes.

Créer une boucle de rétroaction fermée pour les systèmes d’IA

Un thème central de l’approche d’InsightFinder est la nécessité de relier ce qui se passe en production à la phase de développement. De nombreux outils d’IA se concentrent sur l’évaluation pendant les tests ou la surveillance en production, mais peu relient les deux en une boucle continue.

La plateforme d’InsightFinder introduit des fonctionnalités conçues pour fermer cette boucle :

• Des outils de comparaison de requêtes qui évaluent les performances sur différents jeux de données, modèles et coûts
• Des modèles de langage petits et spécifiques au domaine (SLM) utilisés comme évaluateurs qui comprennent les normes de qualité propres à l’entreprise
• Des pipelines de réglage automatique qui utilisent les défaillances en production pour améliorer les performances des modèles
• Un suivi multi-agents qui reconstitue les chemins d’exécution dans des flux de travail complexes

Ensemble, ces fonctionnalités visent à transformer les données de production en insights actionnables qui améliorent continuellement les systèmes d’IA.

Pourquoi l’IA générique ne répond pas aux besoins des environnements d’entreprise

L’un des défis fondamentaux que relève InsightFinder est le décalage entre les modèles d’IA génériques et les exigences spécifiques au domaine. Les modèles fondamentaux sont formés sur des ensembles de données larges et excellent dans la reconnaissance de modèles, mais ils manquent de compréhension des nuances propres à l’industrie.

Cela crée un niveau de risque qui est souvent sous-estimé. Dans des secteurs tels que les soins de santé, la finance et la logistique, de petites déviations peuvent avoir des conséquences importantes. L’approche d’InsightFinder consiste à intégrer la conscience du domaine dans les processus d’évaluation et de surveillance, permettant ainsi aux systèmes d’être jugés selon des critères spécifiques à l’entreprise plutôt que des références génériques.

Un modèle de service axé sur la mise en œuvre, et non seulement sur le logiciel

Un autre aspect distinctif d’InsightFinder est la manière dont il livre sa plateforme. Au lieu d’un modèle SaaS traditionnel où les clients sont laissés à configurer les outils de manière indépendante, l’entreprise travaille en étroite collaboration avec les organisations pour adapter les systèmes à leurs environnements.

Cela inclut l’alignement de la plateforme sur les flux de travail internes, la définition des critères d’évaluation et l’intégration de la logique spécifique au domaine. L’objectif est de garantir que les insights générés par le système soient actionnables dans le contexte des opérations de chaque organisation.

Le nouveau financement sera utilisé en partie pour étendre cette capacité orientée client, en particulier dans les ventes et les fonctions de réussite client d’entreprise.

L’image plus large : l’IA en tant qu’infrastructure critique

Le moment du financement d’InsightFinder met en évidence un changement plus large dans la perception de l’IA. Alors que les systèmes d’IA sont intégrés dans des infrastructures critiques telles que les hôpitaux, les systèmes financiers et les chaînes d’approvisionnement, la fiabilité devient moins une préoccupation technique et plus une préoccupation sociétale.

Le concept qui émerge ici est que les systèmes d’IA nécessitent quelque chose de similaire à un « système immunitaire » qui puisse détecter, diagnostiquer et répondre aux défaillances en temps réel. C’est la couche que InsightFinder se positionne pour construire.

Plutôt que de se concentrer sur le renforcement des modèles, l’entreprise cible un problème différent : les rendre fiables. Alors que l’adoption de l’IA s’accélère, cette distinction est susceptible de devenir de plus en plus importante.