InsightFinder Mengumpulkan $15M Seri B yang Dipimpin oleh Yu Galaxy untuk Mengatasi Keandalan AI di Produksi

InsightFinder telah mengumpulkan $15 juta dalam pendanaan Seri B yang dipimpin oleh Yu Galaxy, membawa total pendanaannya menjadi $35 juta. Penggalangan dana ini datang saat perusahaan melaporkan peningkatan traksi perusahaan, termasuk kesepakatan jutaan dolar dengan organisasi Fortune 50, dan mencerminkan permintaan yang meningkat untuk infrastruktur yang dapat membuat sistem AI dapat diandalkan setelah diterapkan dalam lingkungan dunia nyata.

Perubahan dari Kinerja AI ke Keandalan AI

Ketika perusahaan memindahkan sistem AI dari lingkungan yang terkendali ke produksi, pola yang konsisten muncul: sistem yang berkinerja baik dalam pengujian sering gagal dalam kondisi dunia nyata. Masalahnya bukan kemampuan model, tetapi konteks. Sebagian besar sistem AI kekurangan pemahaman yang mendalam tentang lingkungan bisnis spesifik di mana mereka beroperasi.

InsightFinder berfokus pada mengatasi kesenjangan tersebut. Platformnya dibangun di sekitar gagasan bahwa keandalan dalam AI tidak hanya tentang memantau metrik seperti latensi atau tingkat kesalahan, tetapi tentang memahami apa yang “normal” terlihat dalam alur kerja bisnis tertentu. Ini termasuk segala sesuatu dari sistem pembayaran dan pipa logistik hingga operasi dukungan pelanggan.

Mengembangkan Observabilitas ke Sistem AI

Awalnya dibangun untuk menangani operasi IT yang kompleks, teknologi inti InsightFinder berpusat pada mendeteksi anomali, mengidentifikasi penyebab akar, dan memprediksi kegagalan di seluruh sistem terdistribusi. Pendekatan yang sama sekarang diterapkan pada sistem AI, terutama yang melibatkan model bahasa besar dan alur kerja berbasis agen.

Tidak seperti alat observabilitas tradisional yang berfokus pada infrastruktur, platform InsightFinder menganalisis data multi-sumber, multi-modal untuk mendiagnosis mengapa sistem AI berperilaku tidak terduga. Ini termasuk mengidentifikasi model drift, melacak kegagalan di seluruh alur kerja agen, dan menyajikan masalah yang tidak memicu peringatan yang jelas.

Membangun Umpan Balik Tertutup untuk Sistem AI

Tema sentral dari pendekatan InsightFinder adalah kebutuhan untuk menghubungkan apa yang terjadi dalam produksi kembali ke pengembangan. Banyak alat AI berfokus pada evaluasi selama pengujian atau pemantauan dalam produksi, tetapi sedikit yang menghubungkan keduanya dalam loop kontinu.

Platform InsightFinder memperkenalkan kemampuan yang dirancang untuk menutup loop tersebut:

• Alat perbandingan prompt yang mengevaluasi kinerja di seluruh dataset, model, dan metrik biaya
• Model Bahasa Kecil (SLM) domain-spesifik yang digunakan sebagai evaluator yang memahami standar kualitas bisnis
• Pipa fine-tuning otomatis yang menggunakan kegagalan produksi untuk meningkatkan kinerja model
• Pelacakan multi-agen yang merekonstruksi jalur eksekusi di seluruh alur kerja kompleks

Bersama, fitur-fitur ini bertujuan untuk mengubah data produksi menjadi wawasan yang dapat ditindaklanjuti yang terus-menerus meningkatkan sistem AI.

Mengapa AI Generik Tidak Memadai di Lingkungan Perusahaan

Salah satu tantangan inti yang diatasi InsightFinder adalah kesenjangan antara model AI umum dan persyaratan domain-spesifik. Model dasar dilatih pada dataset yang luas dan unggul dalam pengenalan pola, tetapi mereka kekurangan pemahaman tentang nuansa industri-spesifik.

Hal ini menciptakan lapisan risiko yang sering kali diremehkan. Di sektor seperti kesehatan, keuangan, dan logistik, deviasi kecil dapat memiliki konsekuensi yang besar. Pendekatan InsightFinder adalah untuk memasukkan kesadaran domain secara langsung ke dalam proses evaluasi dan pemantauan, memungkinkan sistem untuk dihakimi berdasarkan kriteria bisnis-spesifik daripada benchmark generik.

Model Layanan yang Dibangun di Sekitar Implementasi, Bukan Hanya Perangkat Lunak

Aspek lain yang membedakan InsightFinder adalah bagaimana perusahaan menyampaikan platformnya. Alih-alih model SaaS tradisional di mana pelanggan dibiarkan untuk mengonfigurasi alat secara mandiri, perusahaan bekerja sama dengan organisasi untuk menyesuaikan sistem dengan lingkungan mereka.

Ini termasuk menyelaraskan platform dengan alur kerja internal, mendefinisikan kriteria evaluasi, dan mengintegrasikan logika domain-spesifik. Tujuannya adalah untuk memastikan bahwa wawasan yang dihasilkan oleh sistem dapat ditindaklanjuti dalam konteks operasi organisasi masing-masing.

Pendanaan baru akan digunakan sebagian untuk memperluas kemampuan pelanggan ini, terutama di seluruh penjualan perusahaan dan fungsi keberhasilan pelanggan.

Gambaran Besar: AI sebagai Infrastruktur Kritis

Waktu pendanaan InsightFinder menyoroti pergeseran yang lebih luas dalam bagaimana AI dipersepsikan. Ketika sistem AI menjadi tertanam dalam infrastruktur kritis seperti rumah sakit, sistem keuangan, dan rantai pasokan, keandalan menjadi kurang dari masalah teknis dan lebih dari masalah sosial.

Konsep yang muncul di sini adalah bahwa sistem AI memerlukan sesuatu yang mirip dengan “sistem kekebalan” yang dapat mendeteksi, mendiagnosis, dan menanggapi kegagalan secara real-time. Ini adalah lapisan yang InsightFinder posisikan untuk dibangun.

Daripada fokus pada membuat model lebih kuat, perusahaan tersebut membidik masalah yang berbeda: membuatnya dapat diandalkan. Ketika adopsi AI dipercepat, perbedaan itu kemungkinan akan menjadi semakin penting.