InsightFinder raccoglie 15 milioni di dollari in una Serie B guidata da Yu Galaxy per affrontare l’affidabilità dell’AI in produzione

InsightFinder ha raccolto 15 milioni di dollari nella serie B guidata da Yu Galaxy, portando il suo finanziamento totale a 35 milioni di dollari. L’aumento arriva mentre l’azienda segnala un’accelerazione della penetrazione aziendale, compresi accordi da milioni di dollari con organizzazioni Fortune 50, e riflette la crescente domanda di infrastrutture in grado di rendere i sistemi di intelligenza artificiale affidabili una volta distribuiti in ambienti del mondo reale.

Il passaggio dalle prestazioni dell’AI all’affidabilità dell’AI

Mentre le aziende spostano i sistemi di intelligenza artificiale da ambienti controllati alla produzione, emerge un modello coerente: i sistemi che funzionano bene nei test spesso si rompono nelle condizioni del mondo reale. Il problema non è la capacità del modello, ma il contesto. La maggior parte dei sistemi di intelligenza artificiale manca di una profonda comprensione degli specifici ambienti aziendali in cui operano.

InsightFinder si concentra sul colmare questa lacuna. La sua piattaforma è costruita intorno all’idea che l’affidabilità dell’AI non sia solo questione di monitoraggio di metriche come latenza o tassi di errore, ma di comprensione di cosa significhi “normale” all’interno di un flusso di lavoro aziendale specifico. Ciò include tutto, dai sistemi di pagamento alle pipeline di logistica, alle operazioni di supporto clienti.

Estensione dell’osservabilità ai sistemi di intelligenza artificiale

Originariamente costruita per gestire operazioni IT complesse, la tecnologia principale di InsightFinder si concentra sulla rilevazione di anomalie, sull’identificazione delle cause radice e sulla previsione di guasti in sistemi distribuiti. Lo stesso approccio sottostante viene ora applicato ai sistemi di intelligenza artificiale, in particolare a quelli che coinvolgono grandi modelli linguistici e flussi di lavoro basati su agenti.

A differenza degli strumenti di osservabilità tradizionali che si concentrano sull’infrastruttura, la piattaforma di InsightFinder analizza dati provenienti da più fonti e modalità per diagnosticare il motivo per cui i sistemi di intelligenza artificiale si comportano in modo inaspettato. Ciò include l’identificazione del drift del modello, la tracciatura dei guasti attraverso i flussi di lavoro degli agenti e la messa in evidenza di problemi che non attivano avvisi ovvi.

Creazione di un ciclo di feedback chiuso per i sistemi di intelligenza artificiale

Un tema centrale dell’approccio di InsightFinder è la necessità di collegare ciò che accade in produzione allo sviluppo. Molti strumenti di intelligenza artificiale si concentrano sulla valutazione durante i test o sul monitoraggio in produzione, ma pochi collegano i due in un ciclo continuo.

La piattaforma di InsightFinder introduce funzionalità progettate per chiudere questo ciclo:

• Strumenti di confronto dei prompt che valutano le prestazioni su dataset, modelli e metriche di costo
• Modelli linguistici piccoli (SLM) specifici del dominio utilizzati come valutatori che comprendono gli standard di qualità specifici del business
• Pipeline di fine-tuning automatiche che utilizzano i guasti in produzione per migliorare le prestazioni del modello
• Tracciamento multi-agente che ricostruisce i percorsi di esecuzione attraverso flussi di lavoro complessi

Insieme, queste funzionalità mirano a trasformare i dati di produzione in informazioni utilizzabili concretamente che migliorano continuamente i sistemi di intelligenza artificiale.

Perché l’AI generica non è all’altezza delle esigenze aziendali

Una delle sfide principali che InsightFinder affronta è la mancanza di corrispondenza tra modelli di intelligenza artificiale generici e requisiti specifici del dominio. I modelli fondamentali sono addestrati su dataset ampi e eccellono nel riconoscimento di pattern, ma mancano di una comprensione delle sfumature specifiche dell’industria.

Ciò crea un livello di rischio che è spesso sottovalutato. In settori come la sanità, la finanza e la logistica, piccole deviazioni possono avere conseguenze sproporzionate. L’approccio di InsightFinder è quello di incorporare la consapevolezza del dominio nei processi di valutazione e monitoraggio, consentendo ai sistemi di essere valutati in base a criteri specifici del business e non a benchmark generici.

Un modello di servizio costruito intorno all’implementazione, non solo al software

Un altro aspetto distintivo di InsightFinder è il modo in cui consegna la sua piattaforma. Invece di un modello SaaS tradizionale in cui i clienti sono lasciati a configurare gli strumenti in modo indipendente, l’azienda lavora a stretto contatto con le organizzazioni per adattare i sistemi ai loro ambienti.

Ciò include l’allineamento della piattaforma con i flussi di lavoro interni, la definizione dei criteri di valutazione e l’integrazione della logica specifica del dominio. L’obiettivo è garantire che le informazioni generate dal sistema siano utilizzabili concretamente all’interno del contesto delle operazioni di ciascuna organizzazione.

Il nuovo finanziamento sarà utilizzato in parte per espandere questa capacità di supporto diretto ai clienti, in particolare nelle funzioni di vendita aziendale e di successo del cliente.

La visione più ampia: l’AI come infrastruttura critica

Il timing del finanziamento di InsightFinder evidenzia un più ampio cambiamento nella percezione dell’AI. Mentre i sistemi di intelligenza artificiale si integrano in infrastrutture critiche come ospedali, sistemi finanziari e catene di approvvigionamento, l’affidabilità diventa meno una preoccupazione tecnica e più una questione sociale.

Il concetto che emerge qui è che i sistemi di intelligenza artificiale richiedono qualcosa di simile a un “sistema immunitario” che possa rilevare, diagnosticare e rispondere ai guasti in tempo reale. Questo è il livello che InsightFinder si sta posizionando per costruire.

Piuttosto che concentrarsi sul rendere i modelli più potenti, l’azienda si concentra su un problema diverso: renderli affidabili. Con l’accelerazione dell’adozione dell’AI, è probabile che questa distinzione diventi sempre più importante.