Prevalent AI, AI 시스템을 위한 신뢰할 수 있는 기업 컨텍스트 확장을 위해 $22M를 조달

Prevalent AI는 $22 million 성장 자본을 Integrity Growth Partners (IGP)로부터 조달했으며, 이는 런던에 기반을 둔 회사가 9년 동안 받은 최초의 주요 외부 투자입니다. 이 자금은 기업들이 인공지능의 급속한 도입과 함께 커져가는 문제에 직면함에 따라 나옵니다: AI 시스템은 점점 더 능력 있어지고 있지만, 그들의 의사결정은 사용 가능한 조직 데이터와 컨텍스트만큼만 신뢰할 수 있습니다.

9년 만에 첫 외부 자본

이 투자가 주목받는 이유는 Prevalent AI가 사이버 보안 시장을 통해 비교적 이례적인 경로를 택했기 때문입니다. 성장 자금을 반복적인 벤처 라운드에 의존하는 대신, 회사는 주요 기관 투자를 받기 전 거의 10년 동안 대기업 고객의 매출을 기반으로 사업을 구축했습니다.

Prevalent AI는 CEO Paul Stokes와 COO Arun Raj가 공동 설립했으며, 영국 정보기관 커뮤니티와 연관이 있습니다. 회사는 설립 팀에 Government Communications Headquarters (GCHQ) 출신 인력이 포함되어 있다고 밝혔으며, 이는 불완전하거나 부정확한 데이터가 운영에 중대한 영향을 미칠 수 있는 환경에서 조각난 정보를 연결하는 데 중점을 두는 데 도움을 주었습니다.

싱가포르 투자회사 Temasek이 지원하는 ISTARI는 2021년 2차 거래를 통해 소수 주주가 되었지만, 이번 IGP 투자는 회사에 직접 들어가는 최초의 주요 자본을 의미합니다.

조각난 기업 데이터를 컨텍스트로 전환

Prevalent AI가 해결하려는 핵심 문제는 기업 데이터가 부족한 것이 아니라, 의사결정에 필요한 데이터가 동일한 조직을 서로 다르게 설명하는 수십 개, 심지어 수백 개의 시스템에 흩어져 있다는 점입니다.

예를 들어 보안 팀은 취약점 스캐너, 엔드포인트 플랫폼, 신원 시스템, 클라우드 인프라, 구성 관리 데이터베이스, 티켓팅 소프트웨어 및 운영 도구에 의존할 수 있습니다. 각 시스템은 전체 그림의 일부를 담고 있지만, 중복된 레코드, 충돌하는 식별자 및 자산 간 관계가 불완전합니다.

Prevalent AI의 Security Data Fabric은 이러한 다양한 시스템에서 정보를 수집하고, 정규화하며, 불일치를 해결하고, 자산, 신원, 취약점, 애플리케이션, 제어 및 기타 운영 정보를 연결하는 관계를 매핑하도록 설계되었습니다. 결과 데이터는 별도의 보안 데이터베이스가 아니라 지속적으로 업데이트되는 지식 그래프로 유지됩니다.

AI 에이전트가 등장하면서 이 구분은 점점 더 중요해집니다. 인간은 때때로 약간 다른 두 레코드가 같은 서버, 직원 또는 애플리케이션을 가리킨다는 것을 인식할 수 있지만, 기계 속도로 의사결정을 내리는 자동화된 에이전트는 이러한 관계가 사전에 보다 신뢰성 있게 설정되어 있기를 필요로 합니다.

Prevalent AI의 기술이 작동하는 방식

통합 레이어에서 Prevalent AI는 DataBridge 를 사용해 클라우드, SaaS(Software-as-a-Service), 온프레미스 및 운영 시스템을 연결합니다. 플랫폼은 이후 엔터티 해석을 적용해 레코드를 조정하고 기업 환경의 통합된 표현을 구축합니다.

지식 그래프는 이러한 엔터티를 관계를 통해 연결함으로써 또 다른 레이어를 추가합니다. 예를 들어 취약점을 고립된 발견으로 취급하는 대신, 시스템은 해당 취약점을 영향을 받은 자산, 자산의 비즈니스 중요도, 소유자, 연관 신원, 기존 보안 제어 및 관련 위협 정보와 연결할 수 있습니다.

Prevalent의 노출 관리 도구는 이러한 컨텍스트를 활용해 위험이 집중된 영역을 식별하고 해결 우선순위를 정합니다. 또한 플랫폼은 도구 간 발견을 상호 연관시켜 중복된 취약점 레코드를 줄이고 자산, 신원 및 인프라의 변화를 지속적으로 모니터링할 수 있습니다.

생성형 AI는 원시 기업 데이터를 독립적으로 해석하도록 요구받는 대신, 이 구조화된 기반 위에 추가됩니다. 예를 들어 Prevalent의 Navigator 도구는 사용자가 생성형 AI 인터페이스를 통해 지식 그래프에 보관된 정보를 질의할 수 있게 합니다.

회사에서는 또한 DataForge를 제공하는데, 이는 AI 개발, 모델 테스트 및 품질 보증을 위해 동기화된 합성 데이터 세트를 생성하며, 실험 중에 민감한 프로덕션 데이터를 노출할 필요가 없습니다.

사이버 보안을 넘어

불완전한 정보가 취약점, 신원, 사고 및 제어와 관련된 의사결정에 즉시 영향을 미칠 수 있기 때문에 사이버 보안은 자연스러운 출발점이었습니다. 그러나 Prevalent AI는 점점 더 자체 기술을 보안 전용 제품이 아닌 기업 인프라스트럭처로 보고 있습니다.

회사는 고객들이 이미 동일한 데이터 기반을 금융 범죄 분석, 운영 인텔리전스, 규정 준수, 자동화 및 AI 기반 워크플로우 등으로 확장했으며, 기본 아키텍처를 재구축할 필요가 없다고 말합니다.

이러한 더 넓은 기회가 새로운 자금 조달의 주요 이유 중 하나입니다.

특히 AI 에이전트의 경우, 과제는 모델이 작업을 수행할 만큼 충분히 지능적인가에서 조직에 대한 정확한 정보를 접근할 수 있는가로 점점 이동하고 있습니다. 에이전트가 보안 취약점을 식별하거나 계정을 조사하거나 자동화된 워크플로우를 트리거할 수 있더라도, 존재하는 시스템, 시스템 간 연결 방식, 소유자 또는 적용되는 정책을 신뢰성 있게 파악하지 못하면 그 유용성은 급격히 떨어집니다.

Prevalent AI는 기업 컨텍스트가 AI 스택의 중요한 레이어가 될 것이라고, 특히 에이전트가 단순히 답변을 생성하는 것이 아니라 행동을 취해야 하는 조직에서 그렇게 될 것이라고 보고 있습니다.

기업 AI가 위험을 높이는 이유

이번 자금 조달 시점은 기업 AI 전반에 걸친 더 넓은 변화를 반영합니다. 조직은 독립형 코파일럿을 넘어 인프라, 애플리케이션 및 비즈니스 프로세스와 상호작용할 수 있는 에이전트로 이동하고 있습니다.

이 전환은 부실한 기본 데이터의 결과를 더욱 심각하게 만듭니다.

Prevalent AI는 자체 주권 아키텍처가 이러한 환경에서 특히 관련성이 높다고 주장합니다. 플랫폼은 고객이 제어하는 인프라 내에서 운영되도록 설계되어, 기업 데이터를 조직이 통제할 수 있게 하며, 운영 지식 그래프가 공유 인프라나 특정 모델 제공업체에 의존하도록 요구하지 않습니다.

규제가 엄격한 분야에서는 기업이 AI 시스템에 더 많은 민감한 내부 정보를 제공하고 행동 권한을 확대하려는 실험을 할 때, 이는 중요한 고려 사항이 될 수 있습니다.

신뢰할 수 있는 컨텍스트가 기업 AI에 중요해질 수 있는 이유

AI 시스템이 권고를 생성하는 단계에서 비즈니스 내부에서 행동을 취하는 단계로 이동함에 따라, 해당 시스템을 둘러싼 데이터의 품질이 점점 더 중요해집니다. 보안 사고를 조사하거나 워크플로우를 승인하거나 운영 문제에 대응하는 에이전트는 개별 데이터베이스에 대한 접근만으로는 충분하지 않으며, 자산, 신원, 애플리케이션, 정책 및 비즈니스 프로세스가 서로 어떻게 연결되는지에 대한 정확한 그림이 필요합니다.

이는 기업에게 점점 커지는 인프라스트럭처 과제를 안겨줍니다. 많은 조직이 수년간 연결되지 않은 소프트웨어 플랫폼, 중복된 레코드 및 일관되지 않은 명명 규칙을 축적해 왔습니다. 대형 언어 모델은 이러한 정보를 보다 쉽게 질의하도록 만들 수 있지만, 모순을 자동으로 해결하거나 어떤 출처를 신뢰해야 할지 판단하지는 못합니다. 신뢰할 수 있는 컨텍스트 레이어가 없으면 보다 자율적인 AI가 기존 데이터 문제를 더 빠르고 대규모로 의사결정에 반영하게 될 수 있습니다.

따라서 지식 그래프와 데이터 패브릭은 신흥 기업 AI 아키텍처의 중요한 부분이 될 수 있습니다. 데이터베이스나 AI 모델을 대체하는 것이 아니라, 이 시스템들은 그 사이에 위치해 정보를 지속적으로 조정하고, 에이전트가 어떤 행동을 취할지 결정할 때 활용할 수 있는 관계를 유지합니다.

그 영향은 사이버 보안을 훨씬 넘어 확장됩니다. 사기 탐지, 규제 준수, 공급망 관리, IT 운영 및 다중 시스템에 걸쳐 정보가 분산된 기타 영역에서도 유사한 문제가 존재합니다. 기업이 이러한 기능에 에이전트를 배치함에 따라 조직의 일관된 표현을 유지하는 것이 점점 더 필요해질 수 있습니다.

이는 기업이 AI 인프라를 평가하는 방식에도 변화를 가져올 수 있습니다. 모델 성능은 여전히 중요하지만, 조직은 모델에 공급되는 데이터의 출처, 최신성 및 관계에 더 큰 비중을 둘 수 있습니다. 이러한 환경에서 경쟁 우위는 더 강력한 AI 모델을 보유하는 것만으로 얻어지는 것이 아니라, 그 모델에게 기업을 보다 정확히 이해시키는 데서 비롯될 수 있습니다.