groundcover Mengumpulkan $100 Juta Seri C untuk Meningkatkan Platform Observabilitas Era AI

Perusahaan observabilitas cloud groundcover telah mengumpulkan $100 juta dalam pendanaan Seri C saat perusahaan tersebut berusaha untuk memperluas platform yang dirancang untuk membantu tim insinyur dan agen AI memahami lingkungan produksi yang semakin kompleks.

Putaran ini dipimpin oleh One Peak, dengan partisipasi dari Morgan Stanley Expansion Capital (MS ) dan investor yang sudah ada, Zeev Ventures, Angular Ventures, Heavybit, dan Jibe. Ini membawa total pendanaan groundcover menjadi $160 juta.

Pendanaan ini mengikuti setahun di mana perusahaan mengatakan bahwa mereka telah melipatgandakan pendapatan tahunan yang berulang, menggandakan tenaga kerja global mereka, dan melampaui 250 pelanggan yang membayar. Basis pelanggan mereka sekarang berkisar dari startup tahap awal hingga perusahaan Fortune 5, sementara perusahaan juga melaporkan menandatangani beberapa kontrak tujuh angka selama 12 bulan terakhir.

Observabilitas Menghadapi Masalah Data yang Digerakkan AI

Platform observabilitas mengumpulkan dan menganalisis sinyal seperti log, metrik, dan jejak untuk membantu tim insinyur memahami bagaimana aplikasi dan infrastruktur berperilaku di produksi.

Tugas ini menjadi lebih sulit karena sistem cloud-native berkembang dan perusahaan memperkenalkan model bahasa besar, agen otonom, dan tumpukan aplikasi yang semakin terhubung. Aplikasi AI dapat menghasilkan telemetri di seluruh prompt, respons model, panggilan alat, database, API, dan infrastruktur yang mendukung setiap interaksi.

Visibilitas yang lebih baik dapat membantu insinyur mengidentifikasi halusinasi, degradasi kinerja, panggilan alat yang gagal, dan risiko keamanan. Namun, mengumpulkan konteks ini juga dapat secara substansial meningkatkan volume dan sensitivitas data yang mengalir ke sistem observabilitas.

Platform tradisional sering mengelola biaya ini dengan sampling atau filtering telemetri. Ini dapat membuat data yang mendasarinya lebih mudah diatur, tetapi juga dapat menghapus informasi yang tepat yang diperlukan untuk merekonstruksi insiden. Keterbatasan ini menjadi sangat penting ketika agen AI diharapkan untuk menyelidiki masalah atau merekomendasikan perubahan tanpa arahan manusia yang terus-menerus.

groundcover memposisikan arsitektur mereka sebagai alternatif dari model ini, menggabungkan pengumpulan data tingkat kernel dengan penyimpanan di dalam lingkungan cloud pelanggan.

Bagaimana Arsitektur BYOC groundcover Bekerja

Di pusat platform ini adalah arsitektur bring-your-own-cloud, atau BYOC. Alih-alih mentransfer semua data observabilitas ke lingkungan Software-as-a-Service yang dioperasikan vendor, groundcover mengirimkan pesawat data mereka di dalam akun yang terisolasi di cloud pelanggan.

Log, metrik infrastruktur, metrik kustom, jejak, dan acara Kubernetes dapat tetap berada di dalam infrastruktur pelanggan. Pesawat kontrol terpisah mengelola platform tetapi terisolasi dari beban kerja produksi dan telemetri pada tingkat jaringan, menurut dokumentasi arsitektur groundcover.

Penyusunan ini dimaksudkan untuk memberi pelanggan pengalaman perangkat lunak yang dikelola sambil mempertahankan kontrol yang lebih besar atas kediaman data, privasi, dan keamanan. Ini dapat sangat relevan untuk beban kerja AI, di mana catatan observabilitas mungkin termasuk prompt, output model, argumen alat, informasi pengguna, atau elemen proses penalaran agen.

Perusahaan ini juga mendukung penerapan on-premises dan air-gapped untuk organisasi dengan persyaratan isolasi yang lebih ketat.

Menggabungkan eBPF dan OpenTelemetry

groundcover mengumpulkan sebagian besar telemetri mereka melalui extended Berkeley Packet Filter, yang umum dikenal sebagai eBPF. Teknologi ini memungkinkan program untuk mengamati aktivitas di dalam kernel Linux, memberikan sistem pemantauan visibilitas ke dalam komunikasi jaringan, proses aplikasi, dan penggunaan sumber daya tanpa memerlukan pengembang untuk secara manual menginstrumentasi setiap layanan.

Perusahaan mengatakan bahwa sensor eBPF adaptif mereka dapat diterapkan tanpa perubahan kode dan digunakan untuk menangkap telemetri aplikasi dan infrastruktur di seluruh lingkungan Kubernetes.

Namun, ini tidak berarti groundcover menggantikan standar instrumentasi yang mapan. Platform ini juga terintegrasi dengan OpenTelemetry, kerangka kerja sumber terbuka yang menyediakan API umum, kit pengembangan perangkat lunak, dan alat untuk menghasilkan, memproses, dan mengekspor telemetri.

Kombinasi ini memberi organisasi dua sumber informasi yang komplementer. eBPF dapat secara otomatis menangkap aktivitas pada lapisan infrastruktur dan jaringan, sementara OpenTelemetry dapat menyediakan konteks aplikasi yang sengaja ditambahkan oleh pengembang.

groundcover mengkonsolidasikan jejak, metrik, log, dan acara Kubernetes ke dalam antarmuka yang disatukan. Portofolio produk mereka juga mencakup Application Performance Monitoring, pemantauan infrastruktur, manajemen log, pemantauan pengguna nyata, dan observabilitas untuk aplikasi model bahasa besar.

Mengembangkan Observabilitas untuk Agen AI

Ambisi perusahaan ini melampaui menyediakan dasbor untuk operator manusia. Mode Agen mereka dirancang untuk membantu insinyur menyelidiki insiden, melakukan analisis penyebab akar, dan mengidentifikasi langkah-langkah remediasi yang mungkin menggunakan telemetri yang tersedia di dalam platform.

Alih-alih meletakkan chatbot umum di atas kumpulan log, groundcover mengatakan bahwa mereka membangun kembali API internal mereka di sekitar bahasa kueri yang disatukan yang disebut GCQL. Tindakan yang diambil oleh agen dapat diperiksa, dan hasilnya dapat diubah menjadi aset asli groundcover untuk digunakan insinyur secara mandiri.

Perusahaan ini juga memperkenalkan dukungan Protokol Konteks Model, yang memungkinkan pengembang membawa telemetri produksi ke agen AI dan lingkungan pengembangan yang kompatibel. Alat observabilitas AI mereka dimaksudkan untuk menangkap konteks eksekusi yang lebih luas dari permintaan model, termasuk prompt, respons, penggunaan alat, dan riwayat sesi.

Ini dapat membantu tim menentukan apakah masalah berasal dari model itu sendiri, API eksternal, sistem pengambilan, bottleneck infrastruktur, atau urutan tindakan yang diambil oleh agen. groundcover mengatakan bahwa pendekatan berbasis eBPF mereka juga dapat memeriksa konten permintaan dan respons API, membantu tim mendeteksi anomali atau informasi sensitif yang sedang dikirim ke penyedia model eksternal.

“Kami adalah satu-satunya platform yang memanfaatkan potensi eBPF dengan kekuatan BYOC yang tak terbatas untuk observabilitas,” kata Shahar Azulay, CEO dan co-founder groundcover. “Di atas arsitektur unik ini, groundcover telah membangun Mode Agen, pengalaman agenik kami yang membantu insinyur mengungkap, mendiagnosis, dan memperbaiki masalah di produksi.”

Azulay mengatakan bahwa modal baru ini akan mendukung upaya perusahaan untuk mengubah cara insinyur dan agen bekerja sama dalam operasi produksi.

Berikut adalah bagian pengganti yang lebih netral:

Implikasi Masa Depan

Pertumbuhan agen AI dapat mengubah apa yang diharapkan organisasi dari platform observabilitas. Alat pemantauan telah membantu insinyur menyelidiki insiden setelah sesuatu salah, tetapi sistem otonom mungkin memerlukan akses terus-menerus ke data produksi yang terperinci sehingga mereka dapat mengidentifikasi masalah, melacak ketergantungan, dan merekomendasikan tindakan korektif secara real-time.

Ini menciptakan ketegangan antara visibilitas, biaya, dan kontrol. Aplikasi AI dapat menghasilkan volume besar log, jejak, dan metrik, sementara telemetri mereka juga dapat berisi prompt sensitif, output model, dan informasi pelanggan. Arsitektur yang menjaga data di dalam lingkungan cloud perusahaan dapat menjadi lebih menarik, terutama di industri yang diatur atau organisasi dengan persyaratan kediaman data yang ketat.

Pertanyaan yang lebih luas adalah apakah agen AI dapat dipercaya untuk bertindak berdasarkan data observabilitas daripada hanya merangkumnya. Telemetri yang tidak lengkap, korelasi yang menyesatkan, atau izin yang tidak terdefinisi dengan baik dapat menyebabkan sistem otomatis salah mendiagnosis insiden atau membuat perubahan yang tidak perlu. Pengawasan manusia, jejak audit, dan batasan yang jelas pada tindakan otonom akan tetap penting saat kemampuan ini matang.

groundcover’s pendanaan mencerminkan minat yang tumbuh terhadap infrastruktur yang diperlukan untuk mengoperasikan sistem AI skala besar. Signifikansi jangka panjang akan bergantung lebih sedikit pada apakah platform observabilitas dapat menambahkan antarmuka konversasional dan lebih banyak pada apakah mereka dapat menyediakan data yang cukup lengkap, aman, dan andal bagi manusia dan agen otomatis untuk membuat keputusan yang tepat di lingkungan produksi.