InsightFinder haalt $15 miljoen op in serie B, geleid door Yu Galaxy, om AI-betrouwbaarheid in productie aan te pakken

InsightFinder heeft $15 miljoen opgehaald in serie B-financiering, geleid door Yu Galaxy, waarmee het totale bedrag aan financiering $35 miljoen bedraagt. Deze financiering vindt plaats terwijl het bedrijf een versnellende enterprise-traction rapporteert, waaronder miljoenendollardeals met Fortune 50-organisaties, en weerspiegelt de groeiende vraag naar infrastructuur die AI-systemen betrouwbaar kan maken zodra ze in productie zijn.

De verschuiving van AI-prestaties naar AI-betrouwbaarheid

Terwijl ondernemingen AI-systemen uit gecontroleerde omgevingen en in productie brengen, ontstaat een consistent patroon: systemen die goed presteren in tests falen vaak onder echte omstandigheden. Het probleem is niet de capaciteit van het model, maar de context. De meeste AI-systemen missen een diep begrip van de specifieke bedrijfsomgevingen waarin ze opereren.

InsightFinder richt zich op het dichten van deze kloof. Het platform is gebouwd rond het idee dat betrouwbaarheid in AI niet alleen gaat over het monitoren van metrics zoals latentie of foutpercentages, maar over het begrijpen van wat “normaal” lijkt binnen een specifiek bedrijfsproces. Dit omvat alles, van betalingssystemen en logistieke pijpleidingen tot klantenserviceoperaties.

Observatie uitbreiden naar AI-systemen

Oorspronkelijk gebouwd om complexe IT-operaties aan te pakken, draait InsightFinders kerntechnologie om het detecteren van anomalieën, het identificeren van oorzaken en het voorspellen van fouten in gedistribueerde systemen. Dezelfde onderliggende benadering wordt nu toegepast op AI-systemen, met name die met grote taalmodellen en agent-gebaseerde workflows.

In tegenstelling tot traditionele observatiehulpmiddelen die zich richten op infrastructuur, analyseert InsightFinders platform multi-bron, multi-modale gegevens om te diagnosticeren waarom AI-systemen onverwacht gedragen. Dit omvat het identificeren van modeldrift, het traceren van fouten in agent-workflows en het naar boven brengen van problemen die geen duidelijke waarschuwingen geven.

Het opbouwen van een gesloten feedbacklus voor AI-systemen

Een centraal thema van InsightFinders benadering is de noodzaak om te verbinden wat er in productie gebeurt met de ontwikkeling. Veel AI-hulpmiddelen richten zich op evaluatie tijdens tests of monitoring in productie, maar weinig verbinden de twee in een continue lus.

InsightFinders platform introduceert functionaliteiten die zijn ontworpen om deze lus te sluiten:

• Prompt-vergelijkingstools die prestaties evalueren over datasets, modellen en kostenmetrics
• Domeinspecifieke Small Language Models (SLM’s) die worden gebruikt als evaluatoren die bedrijfsspecifieke kwaliteitsnormen begrijpen
• Geautomatiseerde fine-tunepijpleidingen die productiefouten gebruiken om modelprestaties te verbeteren
• Multi-agent-tracing die uitvoeringspaden reconstrueert over complexe workflows

Samen zijn deze functies gericht op het transformeren van productiegegevens in actiegerichte inzichten die AI-systemen voortdurend verbeteren.

Waarom generieke AI tekort schiet in enterprise-omgevingen

Een van de kernuitdagingen die InsightFinder aanpakt, is de mismatch tussen algemene AI-modellen en domeinspecifieke vereisten. Foundational modellen worden getraind op brede datasets en excelleren in patroonherkenning, maar ze missen een begrip van branche-specifieke nuances.

Dit creëert een laag van risico die vaak wordt onderschat. In sectoren zoals gezondheidszorg, financiën en logistiek kunnen kleine afwijkingen grote gevolgen hebben. InsightFinders benadering is om domeinbewustzijn in te bedden in evaluatie- en monitoringsprocessen, waardoor systemen kunnen worden beoordeeld op basis van bedrijfsspecifieke criteria in plaats van generieke benchmarks.

Een servicemodel gebouwd rond implementatie, niet alleen software

Een ander onderscheidend aspect van InsightFinder is hoe het bedrijf zijn platform levert. In plaats van een traditioneel SaaS-model waarin klanten zelfstandig tools configureren, werkt het bedrijf nauw samen met organisaties om systemen aan te passen aan hun omgevingen.

Dit omvat het afstemmen van het platform op interne workflows, het definiëren van evaluatiecriteria en het integreren van domeinspecifieke logica. Het doel is om ervoor te zorgen dat de inzichten die door het systeem worden gegenereerd, actiegericht zijn binnen de context van elke organisatie.

De nieuwe financiering zal deels worden gebruikt om deze klantgerichte capaciteit uit te breiden, met name op het gebied van enterprise-verkoop en klantensucces.

Het grotere plaatje: AI als kritieke infrastructuur

De timing van InsightFinders financiering benadrukt een bredere verschuiving in hoe AI wordt waargenomen. Terwijl AI-systemen worden geïntegreerd in kritieke infrastructuur zoals ziekenhuizen, financiële systemen en toeleveringsketens, wordt betrouwbaarheid minder een technisch probleem en meer een maatschappelijk probleem.

Het concept dat hier naar voren komt, is dat AI-systemen iets nodig hebben dat lijkt op een “immuunsysteem” dat kan detecteren, diagnosticeren en reageren op fouten in real-time. Dit is de laag die InsightFinder zichzelf positioneert om te bouwen.

In plaats van te focussen op het maken van modellen krachtiger, richt het bedrijf zich op een ander probleem: het maken ervan betrouwbaar. Terwijl AI-adoptie versnelt, is dit onderscheid waarschijnlijk steeds belangrijker.