Prevalent AI Mengumpulkan $22M untuk Memperluas Konteks Perusahaan Tepercaya bagi Sistem AI

Prevalent AI telah mengumpulkan $22 million dalam modal pertumbuhan dari Integrity Growth Partners (IGP), menandai investasi luar utama pertama dalam sejarah sembilan tahun perusahaan berbasis di London. Pendanaan ini muncul ketika perusahaan menghadapi masalah yang semakin besar seiring adopsi kecerdasan buatan: sistem AI mungkin menjadi lebih canggih, tetapi keputusan mereka hanya seandainya data dan konteks organisasi yang tersedia dapat diandalkan.

Didirikan pada 2017, Prevalent AI tetap bootstrapped dan, menurut perusahaan, menguntungkan sejak memperoleh pelanggan pertamanya. Perusahaan mengatakan pendapatan berulang tahunan telah lebih dari dua kali lipat dalam setahun terakhir. Modal baru akan diarahkan untuk memperluas organisasi komersial globalnya, mempercepat ekspansi ke AS, memperkuat tim kepemimpinan, dan memperluas teknologi yang awalnya dikembangkan untuk keamanan siber ke risiko perusahaan yang lebih luas dan aplikasi AI.

Modal luar pertama setelah sembilan tahun

Pendanaan ini penting sebagian karena Prevalent AI menempuh jalur yang relatif tidak biasa melalui pasar keamanan siber. Alih-alih mengandalkan putaran pendanaan ventura berulang untuk membiayai pertumbuhan, perusahaan menghabiskan hampir satu dekade membangun berdasarkan pendapatan dari pelanggan perusahaan besar sebelum mengumpulkan modal institusional utama.

Prevalent AI didirikan bersama oleh CEO Paul Stokes dan COO Arun Raj, dengan latar belakang di komunitas intelijen Inggris. Perusahaan menyatakan tim pendirinya mencakup alumni Government Communications Headquarters (GCHQ), pengalaman yang membantu membentuk fokusnya pada menghubungkan informasi yang terfragmentasi dalam lingkungan di mana data yang tidak lengkap atau tidak akurat dapat menimbulkan konsekuensi operasional yang signifikan.

ISTARI, yang didukung oleh perusahaan investasi Singapura Temasek, menjadi pemegang saham minoritas pada 2021 melalui transaksi sekunder, namun investasi IGP yang baru ini merupakan modal utama pertama yang langsung masuk ke perusahaan.

Mengubah data perusahaan yang terfragmentasi menjadi konteks

Masalah utama yang coba diatasi Prevalent AI bukan kekurangan data perusahaan. Melainkan data yang diperlukan untuk membuat keputusan sering tersebar di puluhan bahkan ratusan sistem yang menggambarkan organisasi yang sama secara berbeda.

Misalnya, tim keamanan dapat bergantung pada pemindai kerentanan, platform endpoint, sistem identitas, infrastruktur cloud, basis data manajemen konfigurasi, perangkat lunak tiket, dan alat operasional. Setiap sistem menyimpan sebagian gambaran, dengan catatan yang duplikat, pengidentifikasi yang bertentangan, dan hubungan yang tidak lengkap antar aset.

Security Data Fabric milik Prevalent AI dirancang untuk mengimpor informasi dari berbagai sistem tersebut, menormalkannya, menyelesaikan inkonsistensi, dan memetakan hubungan antara aset, identitas, kerentanan, aplikasi, kontrol, serta informasi operasional lainnya. Data yang dihasilkan dipertahankan sebagai grafik pengetahuan yang terus diperbarui, bukan sebagai basis data keamanan terisolasi lainnya.

Perbedaan ini menjadi semakin penting ketika agen AI terlibat. Manusia kadang dapat mengenali bahwa dua catatan yang sedikit berbeda merujuk pada server, karyawan, atau aplikasi yang sama. Agen otomatis yang membuat keputusan dengan kecepatan mesin membutuhkan hubungan tersebut sudah ditetapkan secara lebih dapat diandalkan sebelumnya.

Cara kerja teknologi Prevalent AI

Pada lapisan integrasi, Prevalent AI menggunakan DataBridge untuk menghubungkan sistem cloud, Software-as-a-Service (SaaS), on-premises, dan operasional. Platform kemudian menerapkan resolusi entitas untuk menyelaraskan catatan dan membangun representasi terpadu dari lingkungan perusahaan.

Grafik pengetahuan menambahkan lapisan lain dengan menghubungkan entitas-entitas tersebut melalui hubungan mereka. Misalnya, alih-alih memperlakukan kerentanan sebagai temuan terisolasi, sistem dapat menghubungkannya dengan aset yang terpengaruh, pentingnya bisnis aset tersebut, pemiliknya, identitas terkait, kontrol keamanan yang ada, dan informasi ancaman yang relevan.

Alat manajemen eksposur Prevalent menggunakan konteks ini untuk mengidentifikasi di mana risiko terkonsentrasi dan memprioritaskan perbaikan. Platform perusahaan juga dapat mengkorelasikan temuan antar alat untuk mengurangi catatan kerentanan yang duplikat serta secara terus-menerus memantau perubahan pada aset, identitas, dan infrastruktur.

AI generatif ditambahkan di atas fondasi terstruktur tersebut, alih-alih diminta untuk menafsirkan data perusahaan mentah secara mandiri. Alat Navigator milik Prevalent, misalnya, memungkinkan pengguna menanyakan informasi yang disimpan dalam grafik pengetahuan melalui antarmuka AI generatif.

Perusahaan juga menawarkan DataForge, yang menghasilkan dataset sintetis yang tersinkronisasi untuk pengembangan AI, pengujian model, dan jaminan kualitas tanpa memerlukan data produksi sensitif yang terpapar selama eksperimen.

Melampaui keamanan siber

Keamanan siber menjadi titik awal yang alami karena informasi yang tidak lengkap dapat langsung memengaruhi keputusan terkait kerentanan, identitas, insiden, dan kontrol. Namun Prevalent AI semakin melihat teknologi dasarnya sebagai infrastruktur perusahaan, bukan produk khusus keamanan.

Perusahaan menyatakan bahwa pelanggan telah memperluas fondasi data yang sama ke bidang-bidang seperti analisis kejahatan keuangan, intelijen operasional, kepatuhan, otomatisasi, dan alur kerja berbasis AI tanpa membangun ulang arsitektur dasarnya.

Kesempatan yang lebih luas ini merupakan salah satu alasan utama di balik pendanaan baru.

Untuk agen AI khususnya, tantangannya semakin beralih dari apakah model cukup cerdas untuk menyelesaikan tugas menjadi apakah model memiliki akses ke informasi akurat tentang organisasi tempat ia beroperasi. Agen mungkin mampu mengidentifikasi kerentanan keamanan, menyelidiki sebuah akun, atau memicu alur kerja otomatis, namun kegunaannya menurun cepat jika ia tidak dapat secara andal menentukan sistem apa yang ada, bagaimana mereka terhubung, siapa pemiliknya, atau kebijakan mana yang mengatur tindakannya.

Prevalent AI secara efektif bertaruh bahwa konteks perusahaan akan menjadi lapisan penting dalam tumpukan AI, terutama bagi organisasi di mana agen diharapkan mengambil tindakan, bukan sekadar menghasilkan jawaban.

Mengapa AI perusahaan meningkatkan taruhannya

Waktu pendanaan mencerminkan pergeseran yang lebih luas dalam AI perusahaan. Organisasi mulai melampaui copilot mandiri menuju agen yang mampu berinteraksi dengan infrastruktur, aplikasi, dan proses bisnis.

Transisi tersebut meningkatkan konsekuensi dari data dasar yang buruk.

Prevalent AI berpendapat bahwa arsitektur kedaulatannya sangat relevan dalam lingkungan ini. Platformnya dirancang untuk beroperasi dalam infrastruktur yang dikendalikan oleh pelanggan, menjaga data perusahaan tetap berada di bawah kontrol organisasi alih-alih mengharuskan grafik pengetahuan operasional bergantung pada infrastruktur bersama atau penyedia model tertentu.

Untuk sektor yang sangat diatur, hal ini dapat menjadi pertimbangan penting ketika perusahaan bereksperimen memberikan sistem AI akses lebih besar ke informasi internal sensitif dan otoritas lebih untuk mengambil tindakan.

Mengapa konteks tepercaya dapat menjadi kritis bagi AI perusahaan

Ketika sistem AI beralih dari menghasilkan rekomendasi menjadi mengambil tindakan di dalam perusahaan, kualitas data di sekitarnya akan menjadi semakin penting. Agen yang ditugaskan menyelidiki insiden keamanan, menyetujui alur kerja, atau merespons masalah operasional membutuhkan lebih dari sekadar akses ke basis data individual. Ia memerlukan gambaran akurat tentang bagaimana aset, identitas, aplikasi, kebijakan, dan proses bisnis saling berhubungan.

Hal ini menimbulkan tantangan infrastruktur yang semakin besar bagi perusahaan. Banyak organisasi telah mengumpulkan bertahun-tahun platform perangkat lunak yang terputus, catatan duplikat, dan konvensi penamaan yang tidak konsisten. Model bahasa besar dapat mempermudah kueri informasi ini, namun mereka tidak secara otomatis menyelesaikan kontradiksi atau menentukan sumber mana yang harus dipercaya. Tanpa lapisan konteks yang dapat diandalkan, AI yang lebih otonom dapat dengan mudah membiarkan masalah data yang ada memengaruhi keputusan dengan kecepatan dan skala yang lebih besar.

Grafik pengetahuan dan data fabric dapat menjadi bagian penting dari arsitektur AI perusahaan yang sedang berkembang. Alih-alih menggantikan basis data atau model AI, sistem ini dapat berada di antara keduanya, secara terus-menerus menyelaraskan informasi dan mempertahankan hubungan yang dapat digunakan agen saat memutuskan tindakan apa yang harus diambil.

Implikasinya juga melampaui keamanan siber. Masalah serupa muncul dalam deteksi penipuan, kepatuhan regulasi, manajemen rantai pasokan, operasi TI, dan area lain di mana keputusan bergantung pada informasi yang tersebar di banyak sistem. Saat perusahaan menerapkan agen di fungsi-fungsi tersebut, menjaga representasi organisasi yang konsisten mungkin menjadi semakin diperlukan.

Hal ini juga dapat mengubah cara perusahaan menilai infrastruktur AI. Kinerja model akan tetap penting, namun organisasi mungkin memberi penekanan lebih pada asal-usul, kebaruan, dan hubungan data yang memberi makan model tersebut. Dalam lingkungan itu, keunggulan kompetitif mungkin tidak hanya berasal dari memiliki model AI yang lebih mampu, melainkan dari memberikan model tersebut pemahaman yang lebih akurat tentang perusahaan tempat ia beroperasi.