Prevalent AI ने AI सिस्टमों के लिए भरोसेमंद एंटरप्राइज़ कॉन्टेक्स्ट को स्केल करने हेतु $22M जुटाए

Prevalent AI ने $22 million in growth capital को Integrity Growth Partners (IGP) से जुटाया, जो लंदन स्थित कंपनी के नौ साल के इतिहास में पहला प्राथमिक बाहरी निवेश है। यह फंडिंग तब आती है जब कंपनियों को कृत्रिम बुद्धिमत्ता के तेज़ अपनाने के साथ एक बढ़ती समस्या का सामना करना पड़ रहा है: AI सिस्टम अधिक सक्षम होते जा रहे हैं, लेकिन उनके निर्णय केवल उसी संगठनात्मक डेटा और संदर्भ की विश्वसनीयता पर निर्भर करते हैं जो उनके पास उपलब्ध है।

नौ साल के बाद पहला बाहरी पूंजी

यह फंडिंग उल्लेखनीय है क्योंकि Prevalent AI ने साइबर सुरक्षा बाजार में एक अपेक्षाकृत असामान्य मार्ग अपनाया। वृद्धि के लिए बार‑बार वेंचर राउंड पर निर्भर रहने के बजाय, कंपनी ने प्रमुख संस्थागत पूंजी जुटाने से पहले लगभग एक दशक बड़े एंटरप्राइज़ ग्राहकों से राजस्व के आसपास निर्माण किया।

Prevalent AI की सह‑स्थापना CEO Paul Stokes और COO Arun Raj ने की थी, जिनकी जड़ें यूके इंटेलिजेंस समुदाय में हैं। कंपनी के अनुसार, इसकी संस्थापक टीम में Government Communications Headquarters (GCHQ) के पूर्व छात्र शामिल हैं, जिसका अनुभव ऐसे वातावरण में टुकड़े‑टुकड़े जानकारी को जोड़ने पर उनके फोकस को आकार देने में मदद करता है जहाँ अपूर्ण या गलत डेटा के महत्वपूर्ण परिचालन परिणाम हो सकते हैं।

ISTARI, जो सिंगापुर की निवेश कंपनी Temasek द्वारा समर्थित है, 2021 में एक द्वितीयक लेन‑देन के माध्यम से अल्पसंख्यक शेयरधारक बना, लेकिन नया IGP निवेश कंपनी में सीधे जाने वाला पहला प्राथमिक पूंजी दर्शाता है।

टुकड़े‑टुकड़े एंटरप्राइज़ डेटा को संदर्भ में बदलना

Prevalent AI जिस मुख्य समस्या को हल करने का प्रयास कर रहा है वह एंटरप्राइज़ डेटा की कमी नहीं है। बल्कि, वह है कि निर्णय लेने के लिए आवश्यक डेटा अक्सर दर्जनों या यहाँ तक कि सैकड़ों सिस्टमों में बिखरा होता है जो एक ही संगठन को अलग‑अलग रूप में वर्णित करते हैं।

उदाहरण के तौर पर, एक सुरक्षा टीम को वल्नरेबिलिटी स्कैनर, एंडपॉइंट प्लेटफ़ॉर्म, पहचान प्रणाली, क्लाउड इन्फ्रास्ट्रक्चर, कॉन्फ़िगरेशन मैनेजमेंट डेटाबेस, टिकटिंग सॉफ़्टवेयर और परिचालन टूल्स पर निर्भर रहना पड़ सकता है। प्रत्येक सिस्टम चित्र का एक हिस्सा रखता है, जिसमें डुप्लिकेट रिकॉर्ड, विरोधी पहचानकर्ता और संपत्तियों के बीच अपूर्ण संबंध होते हैं।

Prevalent AI का Security Data Fabric इन विभिन्न सिस्टमों से जानकारी को इनजेस्ट करने, उसे सामान्यीकृत करने, असंगतियों को हल करने और संपत्तियों, पहचान, कमजोरियों, एप्लिकेशन, नियंत्रण और अन्य परिचालन जानकारी के बीच संबंधों को मैप करने के लिए डिज़ाइन किया गया है। परिणामी डेटा को निरंतर अपडेट होते हुए नॉलेज ग्राफ़ के रूप में रखा जाता है, न कि एक अलग सुरक्षा डेटाबेस के रूप में।

जब AI एजेंट इस समीकरण में प्रवेश करते हैं तो यह अंतर और अधिक महत्वपूर्ण हो जाता है। मनुष्य कभी‑कभी पहचान सकते हैं कि दो थोड़े अलग रिकॉर्ड एक ही सर्वर, कर्मचारी या एप्लिकेशन को दर्शाते हैं। मशीन गति पर निर्णय लेने वाले स्वचालित एजेंट को इन संबंधों को पहले से अधिक विश्वसनीय रूप से स्थापित करने की आवश्यकता होती है।

Prevalent AI की तकनीक कैसे काम करती है

इंटीग्रेशन लेयर पर, Prevalent AI DataBridge का उपयोग करके क्लाउड, सॉफ़्टवेयर‑एज़‑ए‑सर्विस (SaaS), ऑन‑प्रेमाइसेस और परिचालन सिस्टमों को जोड़ता है। फिर प्लेटफ़ॉर्म एंटिटी रिज़ॉल्यूशन लागू करके रिकॉर्ड्स को मिलाता है और एंटरप्राइज़ वातावरण का एकीकृत प्रतिनिधित्व बनाता है।

नॉलेज ग्राफ़ उन इकाइयों को उनके संबंधों के माध्यम से जोड़कर एक अतिरिक्त परत जोड़ता है। उदाहरण के लिए, एक कमजोरी को अलग‑अलग खोज के रूप में मानने के बजाय, सिस्टम इसे प्रभावित संपत्ति, उसकी व्यावसायिक महत्ता, मालिक, संबंधित पहचान, मौजूदा सुरक्षा नियंत्रण और प्रासंगिक खतरे की जानकारी से जोड़ सकता है।

Prevalent के एक्सपोज़र‑मैनेजमेंट टूल इस संदर्भ का उपयोग करके जोखिम के केंद्रित क्षेत्रों की पहचान करते हैं और सुधार को प्राथमिकता देते हैं। कंपनी का प्लेटफ़ॉर्म टूल्स के बीच खोजों को भी समन्वयित कर सकता है जिससे डुप्लिकेट वल्नरेबिलिटी रिकॉर्ड कम हों और संपत्तियों, पहचान और इन्फ्रास्ट्रक्चर में बदलावों की निरंतर निगरानी हो सके।

जेनरेटिव AI को इस संरचित आधार के ऊपर जोड़ा जा रहा है, बजाय इसके कि उसे स्वतंत्र रूप से कच्चे एंटरप्राइज़ डेटा की व्याख्या करने को कहा जाए। उदाहरण के लिए, Prevalent का Navigator टूल उपयोगकर्ताओं को जेनरेटिव AI इंटरफ़ेस के माध्यम से नॉलेज ग्राफ़ में संग्रहीत जानकारी को क्वेरी करने की अनुमति देता है।

कंपनी DataForge भी प्रदान करती है, जो AI विकास, मॉडल परीक्षण और गुणवत्ता आश्वासन के लिए समन्वित सिंथेटिक डेटा सेट बनाता है, बिना प्रयोग के दौरान संवेदनशील प्रोडक्शन डेटा को उजागर किए।

साइबर सुरक्षा से आगे बढ़ते हुए

साइबर सुरक्षा एक स्वाभाविक प्रारंभिक बिंदु था क्योंकि अपूर्ण जानकारी तुरंत कमजोरियों, पहचान, घटनाओं और नियंत्रणों से जुड़े निर्णयों को प्रभावित कर सकती है। लेकिन Prevalent AI अब अपनी मूल तकनीक को सुरक्षा‑विशिष्ट उत्पाद के बजाय एंटरप्राइज़ इन्फ्रास्ट्रक्चर के रूप में देखता है।

कंपनी के अनुसार, ग्राहकों ने पहले ही उसी डेटा बुनियाद को वित्तीय अपराध विश्लेषण, परिचालन इंटेलिजेंस, अनुपालन, स्वचालन और AI‑चालित वर्कफ़्लो सहित क्षेत्रों में पुनः निर्मित किए बिना विस्तारित किया है।

यह व्यापक अवसर नई फंडिंग के पीछे के मुख्य कारणों में से एक है।

विशेष रूप से AI एजेंटों के लिए, चुनौती अब इस बात से हटकर इस ओर बढ़ रही है कि क्या मॉडल कार्य करने के लिए पर्याप्त बुद्धिमान है, बल्कि क्या उसके पास उस संगठन की सटीक जानकारी है जिसमें वह कार्य कर रहा है। एक एजेंट सुरक्षा कमजोरी की पहचान करने, खाते की जांच करने या स्वचालित वर्कफ़्लो ट्रिगर करने में सक्षम हो सकता है, लेकिन उसकी उपयोगिता तेजी से घट जाती है यदि वह विश्वसनीय रूप से निर्धारित नहीं कर सकता कि कौन‑से सिस्टम मौजूद हैं, वे कैसे जुड़े हैं, उनका मालिक कौन है या कौन‑सी नीतियाँ उसके कार्यों को नियंत्रित करती हैं।

Prevalent AI प्रभावी रूप से इस बात पर दांव लगा रहा है कि एंटरप्राइज़ कॉन्टेक्स्ट AI स्टैक की एक महत्वपूर्ण परत बन जाएगा, विशेष रूप से उन संगठनों के लिए जहाँ एजेंटों से उत्तर उत्पन्न करने के बजाय कार्रवाई करने की अपेक्षा की जाती है।

क्यों एंटरप्राइज़ AI दांव को बढ़ाता है

फंडिंग का समय एंटरप्राइज़ AI में व्यापक बदलाव को दर्शाता है। संगठन अब स्टैंडअलोन को‑पायलट से आगे बढ़कर ऐसे एजेंटों की ओर बढ़ रहे हैं जो इन्फ्रास्ट्रक्चर, एप्लिकेशन और व्यावसायिक प्रक्रियाओं के साथ इंटरैक्ट कर सकते हैं।

यह परिवर्तन खराब मूल डेटा के परिणामों को बढ़ा देता है।

Prevalent AI का तर्क है कि इसकी सार्वभौमिक आर्किटेक्चर इन वातावरणों में विशेष रूप से प्रासंगिक है। इसका प्लेटफ़ॉर्म ग्राहक द्वारा नियंत्रित इन्फ्रास्ट्रक्चर के भीतर काम करने के लिए डिज़ाइन किया गया है, जिससे एंटरप्राइज़ डेटा संगठन के नियंत्रण में रहता है, बजाय इसके कि ऑपरेशनल नॉलेज ग्राफ़ को साझा इन्फ्रास्ट्रक्चर या किसी विशिष्ट मॉडल प्रदाता पर निर्भर होना पड़े।

उच्च नियामक क्षेत्रों के लिए, यह एक महत्वपूर्ण विचार बन सकता है क्योंकि कंपनियां AI सिस्टमों को संवेदनशील आंतरिक जानकारी तक अधिक पहुँच और कार्रवाई करने की अधिक अधिकारिता देने के साथ प्रयोग कर रही हैं।

क्यों भरोसेमंद कॉन्टेक्स्ट एंटरप्राइज़ AI के लिए महत्वपूर्ण हो सकता है

जैसे AI सिस्टम सिफ़ारिशें उत्पन्न करने से व्यवसायों के भीतर कार्रवाई करने की ओर बढ़ते हैं, उन सिस्टमों के आसपास के डेटा की गुणवत्ता और अधिक महत्वपूर्ण हो जाएगी। एक एजेंट जिसे सुरक्षा घटना की जांच, वर्कफ़्लो की स्वीकृति या परिचालन समस्या का उत्तर देना हो, उसे केवल व्यक्तिगत डेटाबेस तक पहुँच से अधिक चाहिए। उसे यह सटीक चित्र चाहिए कि संपत्तियां, पहचान, एप्लिकेशन, नीतियां और व्यावसायिक प्रक्रियाएं एक‑दूसरे से कैसे संबंधित हैं।

यह एंटरप्राइज़ के लिए एक बढ़ती हुई इन्फ्रास्ट्रक्चर चुनौती उत्पन्न करता है। कई संगठनों ने वर्षों में असंबद्ध सॉफ़्टवेयर प्लेटफ़ॉर्म, डुप्लिकेट रिकॉर्ड और असंगत नामकरण नियमों को जमा किया है। बड़े भाषा मॉडल इस जानकारी को क्वेरी करने में आसान बना सकते हैं, लेकिन वे स्वचालित रूप से विरोधाभासों को हल नहीं करते या यह निर्धारित नहीं करते कि किस स्रोत पर भरोसा किया जाना चाहिए। विश्वसनीय कॉन्टेक्स्ट लेयर के बिना, अधिक स्वायत्त AI केवल मौजूदा डेटा समस्याओं को तेज़ी और बड़े पैमाने पर निर्णयों को प्रभावित करने की अनुमति दे सकता है।

इसलिए नॉलेज ग्राफ़ और डेटा फैब्रिक उभरते एंटरप्राइज़ AI आर्किटेक्चर का एक महत्वपूर्ण हिस्सा बन सकते हैं। डेटाबेस या AI मॉडल को बदलने के बजाय, ये सिस्टम उनके बीच स्थित होकर निरंतर जानकारी को मिलाते हैं और उन संबंधों को बनाए रखते हैं जिनका उपयोग एजेंट कार्रवाई तय करने में कर सकते हैं।

इन प्रभावों का विस्तार साइबर सुरक्षा से परे भी है। धोखाधड़ी पहचान, नियामक अनुपालन, आपूर्ति श्रृंखला प्रबंधन, आईटी संचालन और अन्य क्षेत्रों में समान समस्याएं मौजूद हैं जहाँ निर्णय कई सिस्टमों में वितरित जानकारी पर निर्भर होते हैं। जैसे ही कंपनियां इन कार्यों में एजेंटों को तैनात करती हैं, संगठन का एक सुसंगत प्रतिनिधित्व बनाए रखना और अधिक आवश्यक हो सकता है।

यह इस बात को भी बदल सकता है कि एंटरप्राइज़ AI इन्फ्रास्ट्रक्चर का मूल्यांकन कैसे किया जाता है। मॉडल का प्रदर्शन महत्वपूर्ण बना रहेगा, लेकिन संगठन उन डेटा की उत्पत्ति, ताजगी और संबंधों पर अधिक ज़ोर दे सकते हैं जो उन मॉडलों को फ़ीड करते हैं। ऐसे वातावरण में प्रतिस्पर्धात्मक लाभ केवल अधिक सक्षम AI मॉडल होने से नहीं, बल्कि उस मॉडल को उस एंटरप्राइज़ की अधिक सटीक समझ देने से आएगा जिसमें वह कार्य करता है।