groundcover raccoglie 100 milioni di dollari nella serie C per scalare la piattaforma di osservabilità dell’era AI

La società di osservabilità cloud groundcover ha raccolto 100 milioni di dollari nel finanziamento della serie C mentre cerca di espandere una piattaforma progettata per aiutare i team di ingegneria e gli agenti AI a comprendere ambienti di produzione sempre più complessi.

Il round è stato guidato da One Peak, con la partecipazione di Morgan Stanley Expansion Capital (MS ) e degli investitori esistenti Zeev Ventures, Angular Ventures, Heavybit e Jibe. Ciò porta il finanziamento totale di groundcover a 160 milioni di dollari.

Il finanziamento segue un anno in cui la società afferma di aver triplicato il ricavato annuo ricorrente, raddoppiato la forza lavoro globale e superato i 250 clienti paganti. La sua base di clienti va ora dalle startup in fase iniziale alle imprese Fortune 5, mentre la società segnala anche la firma di numerosi contratti a sette cifre negli ultimi 12 mesi.

L’osservabilità si confronta con un problema di dati guidato dall’AI

Le piattaforme di osservabilità raccolgono e analizzano segnali come log, metriche e tracce per aiutare i team di ingegneria a comprendere come si comportano le applicazioni e le infrastrutture in produzione.

Questo compito sta diventando più difficile poiché i sistemi cloud-native si espandono e le aziende introducono grandi modelli linguistici, agenti autonomi e stack di applicazioni sempre più interconnessi. Le applicazioni AI possono generare telemetria su prompt, risposte del modello, chiamate di strumenti, database, API e infrastrutture che supportano ogni interazione.

Una maggiore visibilità può aiutare gli ingegneri a identificare allucinazioni, degrado delle prestazioni, chiamate di strumenti non riuscite e rischi per la sicurezza. Tuttavia, la raccolta di questo contesto può anche aumentare notevolmente il volume e la sensibilità dei dati che fluiscono nei sistemi di osservabilità.

Le piattaforme tradizionali gestiscono spesso questi costi campionando o filtrando la telemetria. Ciò può rendere i dati sottostanti più gestibili, ma potrebbe anche rimuovere le informazioni precise necessarie per ricostruire un incidente. La limitazione diventa particolarmente importante quando gli agenti AI sono tenuti a indagare sui problemi o a raccomandare modifiche senza una continua direzione umana.

groundcover sta posizionando la sua architettura come un’alternativa a questo modello, combinando la raccolta di dati a livello di kernel con l’archiviazione all’interno dell’ambiente cloud del cliente.

Come funziona l’architettura BYOC di groundcover

Al centro della piattaforma c’è un’architettura BYOC (Bring Your Own Cloud). Invece di trasferire tutti i dati di osservabilità in un ambiente Software-as-a-Service gestito dal fornitore, groundcover distribuisce il suo piano dati all’interno di un account isolato nel cloud del cliente.

I log, le metriche dell’infrastruttura, le metriche personalizzate, le tracce e gli eventi Kubernetes possono quindi rimanere all’interno dell’infrastruttura del cliente. Un piano di controllo separato gestisce la piattaforma, ma è isolato dai carichi di lavoro di produzione e dalla telemetria a livello di rete, secondo la documentazione architettonica di groundcover.

Questo accordo è destinato a dare ai clienti un’esperienza di software gestito, preservando al tempo stesso un maggiore controllo sulla residenza dei dati, sulla privacy e sulla sicurezza. Ciò può essere particolarmente rilevante per i carichi di lavoro AI, dove i record di osservabilità possono includere prompt, output del modello, argomenti degli strumenti, informazioni sugli utenti o elementi del processo di ragionamento di un agente.

La società supporta anche le distribuzioni on-premises e air-gapped per le organizzazioni con requisiti di isolamento più severi.

Combinazione di eBPF e OpenTelemetry

groundcover raccoglie gran parte della sua telemetria attraverso l’eBPF (Extended Berkeley Packet Filter). La tecnologia consente ai programmi di osservare l’attività all’interno del kernel Linux, dando ai sistemi di monitoraggio la visibilità della comunicazione di rete, dei processi delle applicazioni e dell’utilizzo delle risorse senza richiedere ai developer di strumentare manualmente ogni servizio.

La società afferma che il suo sensore eBPF adattivo può essere distribuito senza modifiche al codice e utilizzato per catturare la telemetria dell’applicazione e dell’infrastruttura in ambienti Kubernetes.

Ciò non significa che groundcover stia sostituendo gli standard di strumentazione stabiliti. La piattaforma integra anche OpenTelemetry, un framework open-source che fornisce API comuni, kit di sviluppo software e strumenti per la generazione, l’elaborazione e l’esportazione della telemetria.

La combinazione fornisce alle organizzazioni due fonti di informazioni complementari. L’eBPF può catturare automaticamente l’attività ai livelli di infrastruttura e rete, mentre OpenTelemetry può fornire contesto specifico dell’applicazione che è stato intenzionalmente aggiunto dagli sviluppatori.

groundcover consolida tracce, metriche, log ed eventi Kubernetes in un’interfaccia unificata. Il suo portfolio di prodotti copre anche il monitoraggio delle prestazioni delle applicazioni, il monitoraggio dell’infrastruttura, la gestione dei log, il monitoraggio degli utenti reali e l’osservabilità per le applicazioni dei grandi modelli linguistici.

Estensione dell’osservabilità per gli agenti AI

Le ambizioni della società si estendono oltre la fornitura di dashboard per gli operatori umani. La sua modalità Agente è progettata per aiutare gli ingegneri a indagare sugli incidenti, eseguire un’analisi della causa radice e identificare possibili passaggi di rimedio utilizzando la telemetria disponibile all’interno della piattaforma.

Al posto di posizionare un chatbot generico su una raccolta di log, groundcover afferma di aver ricostruito le sue API interne intorno a un linguaggio di query unificato chiamato GCQL. Le azioni intraprese dall’agente possono essere ispezionate e i risultati possono essere convertiti in asset nativi groundcover per gli ingegneri da utilizzare in modo indipendente.

La società ha anche introdotto il supporto per il protocollo di contesto del modello, consentendo ai developer di portare la telemetria di produzione in agenti AI e ambienti di sviluppo compatibili. I suoi strumenti di osservabilità AI sono destinati a catturare il contesto di esecuzione più ampio delle richieste del modello, inclusi prompt, risposte, utilizzo degli strumenti e storia della sessione.

Ciò potrebbe aiutare i team a determinare se un problema è originato dal modello stesso, da un’API esterna, da un sistema di recupero, da un collo di bottiglia dell’infrastruttura o dalla sequenza di azioni intraprese da un agente. groundcover afferma che il suo approccio basato su eBPF può anche ispezionare il contenuto della richiesta e della risposta API, aiutando i team a rilevare anomalie o informazioni sensibili trasmesse a provider di modelli esterni.

“Siamo l’unica piattaforma a sfruttare il potenziale di eBPF con il potere infinito di BYOC per l’osservabilità”, ha dichiarato Shahar Azulay, CEO e co-fondatore di groundcover. “Sulla base di questa architettura unica, groundcover ha costruito la modalità Agente, la nostra esperienza agente che aiuta gli ingegneri a portare in superficie, a risolvere e a rimediare problemi in produzione.”

Azulay ha affermato che il nuovo capitale sosterrà l’impegno della società per cambiare il modo in cui gli ingegneri e gli agenti collaborano nelle operazioni di produzione.

Implicazioni future

La crescita degli agenti AI potrebbe cambiare ciò che le organizzazioni si aspettano dalle piattaforme di osservabilità. Gli strumenti di monitoraggio hanno tradizionalmente aiutato gli ingegneri a indagare sugli incidenti dopo che qualcosa è andato storto, ma i sistemi autonomi possono richiedere un accesso continuo ai dati di produzione dettagliati in modo che possano identificare problemi, tracciare dipendenze e raccomandare azioni correttive in tempo reale.

Ciò crea una tensione tra visibilità, costo e controllo. Le applicazioni AI possono generare grandi volumi di log, tracce e metriche, mentre la loro telemetria può anche contenere prompt sensibili, output del modello e informazioni sui clienti. Le architetture che mantengono i dati all’interno dell’ambiente cloud di un’azienda potrebbero quindi diventare più attraenti, in particolare nei settori regolamentati o nelle organizzazioni con requisiti di residenza dei dati più severi.

La questione più ampia è se gli agenti AI possano essere considerati attendibili per agire sui dati di osservabilità piuttosto che semplicemente riassumerli. La telemetria incompleta, le correlazioni fuorvianti o le autorizzazioni mal definite potrebbero portare un sistema automatizzato a diagnosticare erroneamente un incidente o apportare una modifica non necessaria. La supervisione umana, le tracce di audit e i limiti chiari sulle azioni autonome rimarranno importanti mentre queste capacità maturano.

Il finanziamento di groundcover riflette l’interesse crescente per l’infrastruttura necessaria per operare i sistemi AI su larga scala. Il significato a lungo termine dipenderà meno dalla capacità delle piattaforme di osservabilità di aggiungere interfacce conversazionali e più dalla capacità di fornire dati sufficientemente completi, sicuri e affidabili per gli esseri umani e gli agenti automatizzati per prendere decisioni sensate in ambienti di produzione.