groundcover samler inn 100 millioner dollar i serie C for å skalle AI-drevne observabilitetsplattformer

Cloud-observabilitetsselskapet groundcover har samlet inn $100 millioner i serie C-finansiering for å utvide en plattform som er designet for å hjelpe ingeniørteam og AI-agenter med å forstå stadig mer komplekse produksjonsmiljøer.

Runden ble ledet av One Peak, med deltakelse fra Morgan Stanley Expansion Capital (MS ) og eksisterende investorer Zeev Ventures, Angular Ventures, Heavybit og Jibe. Dette bringer groundcovers totale finansiering til $160 millioner.

Finansieringen følger et år hvor selskapet sier at de tredoblet årlig gjentakende inntekt, doblet sin globale arbeidsstyrke og overgikk 250 betalende kunder. Deres kundebase omfatter nå både tidlige startups og Fortune 5-foretak, mens selskapet også rapporterer at de har signert flere syv-sifrede kontrakter over de siste 12 månedene.

Observabilitet møter et AI-drevet dataproblem

Observabilitetsplattformer samler inn og analyserer signaler som logger, målinger og spor for å hjelpe ingeniørteam med å forstå hvordan applikasjoner og infrastruktur oppfører seg i produksjon.

Dette oppgaven blir vanskeligere ettersom cloud-native systemer utvides og selskaper introduserer store språkmodeller, autonome agenter og stadig mer sammenkoblede applikasjonsstaker. AI-applikasjoner kan generere telemetri over forespørsler, modellresponser, verktøykall, databaser, API-er og infrastrukturen som støtter hver interaksjon.

Større synlighet kan hjelpe ingeniører med å identifisere hallucinasjoner, ytelsesnedgang, feilede verktøykall og sikkerhetsrisiko. Imidlertid kan innhenting av denne konteksten også øke volumet og sensitiviteten av dataene som flyter inn i observabilitetssystemer.

Tradisjonelle plattformer håndterer ofte disse kostnadene ved å prøve eller filtere telemetri. Dette kan gjøre de underliggende dataene mer håndterbare, men det kan også fjernet den nøyaktige informasjonen som trengs for å rekonstruere en hendelse. Begrensningen blir spesielt viktig når AI-agenter forventes å undersøke problemer eller anbefale endringer uten kontinuerlig menneskelig ledelse.

groundcover stiller sin arkitektur som en alternativ til denne modellen, kombinert med kernel-nivå datainnsamling og lagring inne i kundens eget sky-miljø.

Hvordan groundcovers BYOC-arkitektur fungerer

I sentrum av plattformen ligger en bring-your-own-cloud, eller BYOC, arkitektur. I stedet for å overføre all observabilitetsdata til en leverandør-operert Software-as-a-Service-miljø, deployerer groundcover sin data-plane innenfor en isolert konto i kundens sky.

Logger, infrastruktur-målinger, tilpassede målinger, spor og Kubernetes-hendelser kan derfor forbli innenfor kundens infrastruktur. En separat kontrollplane håndterer plattformen, men er isolert fra produksjonsarbeidsbelastninger og telemetri på nettverksnivå, ifølge groundcovers arkitekturdokumentasjon.

Dette arrangementet er ment å gi kundene en håndtert programvare-erfaring samtidig som de beholder større kontroll over data-bosetting, personvern og sikkerhet. Dette kan være spesielt relevant for AI-arbeidsbelastninger, hvor observabilitetsposter kan inkludere forespørsler, modellutdata, verktøyargumenter, brukerinformasjon eller elementer av en agents resonneringsprosess.

Selskapet støtter også on-premises og luftgap-deployments for organisasjoner med strengere isoleringskrav.

Kombinering av eBPF og OpenTelemetry

groundcover samler inn mye av sin telemetri gjennom utvidet Berkeley Packet Filter, vanligvis kjent som eBPF. Teknologien tillater programmer å observere aktivitet innenfor Linux-kjernen, og gir overvåkningssystemer synlighet inn i nettverkskommunikasjon, applikasjonsprosesser og ressursbruk uten å kreve at utviklere manuelt instrumenterer hver tjeneste.

Selskapet sier at deres adaptive eBPF-sensor kan deployeres uten kodeendringer og brukes til å fange applikasjons- og infrastrukturtelemetri over Kubernetes-miljøer.

Dette betyr ikke at groundcover erstatter etablerte instrumenteringsstandarder. Plattformen integrerer også med OpenTelemetry, en åpen kilde-ramme som gir felles API-er, programvareutviklingskit og verktøy for å generere, prosessere og eksportere telemetri.

Kombinasjonen gir organisasjonene to komplementære informasjonskilder. eBPF kan automatisk fange aktivitet på infrastruktur- og nettverkslag, mens OpenTelemetry kan forsyne applikasjonsspesifikk kontekst som er intenjonelt lagt til av utviklere.

groundcover konsoliderer spor, målinger, logger og Kubernetes-hendelser inn i et samlet grensesnitt. Deres produktportefølje dekker også Application Performance Monitoring, infrastruktur-overvåking, logghåndtering, real-bruker-overvåking og observabilitet for store språkmodell-applikasjoner.

Utvidelse av observabilitet for AI-agenter

Selskapets ambisjoner strekker seg utenfor å levere dashboards for menneskelige operatører. Deres Agent Mode er designet for å hjelpe ingeniører med å undersøke hendelser, utføre rotårsak-analyse og identifisere mulige korreksjonssteg med telemetri tilgjengelig innenfor plattformen.

I stedet for å plassere en generell chatbot over en samling logger, sier groundcover at de bygget om deres interne API-er rundt et samlet spørrespråk kalt GCQL. Handlinger tatt av agenten kan inspeiseres, og resultater kan konverteres til native groundcover-aktiver for ingeniører å bruke uavhengig.

Selskapet har også introdusert Model Context Protocol-støtte, som muliggjør for utviklere å bringe produksjonstelemetri inn i kompatible AI-agenter og utviklingsmiljøer. Deres AI-observabilitetsverktøy er ment å fange den videre eksekveringskonteksten av modellforespørsler, inkludert forespørsler, responser, verktøybruk og sesjonshistorikk.

Dette kan hjelpe team med å bestemme om et problem oppstod med modellen selv, en ekstern API, en hentingssystem, en infrastrukturflaskehals eller sekvensen av handlinger tatt av en agent. groundcover sier at deres eBPF-baserte tilnærming også kan inspisere API-forespørsels- og responsinnhold, og hjelpe team med å detektere anomalier eller sensitiv informasjon som overføres til eksterne modell-leverandører.

“Vi er den eneste plattformen som utnytter potensialet i eBPF med den endeløse kraften i BYOC for observabilitet,” sa Shahar Azulay, CEO og medgrunnlegger av groundcover. “På toppen av denne unike arkitekturen har groundcover bygget Agent Mode, vår agente-erfaring som hjelper ingeniører med å surface, feilsøke og korrigere problemer i produksjon.”

Azulay sa at den nye kapitalen vil støtte selskapets innsats for å endre hvordan ingeniører og agenter samarbeider i produksjonsoperasjoner.

Fremtidige implikasjoner

Veksten av AI-agenter kan endre hva organisasjoner forventer av observabilitetsplattformer. Overvåkingsverktøy har tradisjonelt hjulpet ingeniører med å undersøke hendelser etter at noe har gått galt, men autonome systemer kan kreve kontinuerlig tilgang til detaljerte produksjonsdata for å kunne identifisere problemer, spore avhengigheter og anbefale korreksjonssteg i sanntid.

Dette skaper en spenning mellom synlighet, kostnad og kontroll. AI-applikasjoner kan generere store volumer av logger, spor og målinger, mens deres telemetri kan også inneholde sensitive forespørsler, modellutdata og kundeinformasjon. Arkitekturer som holder data innenfor et selskaps eget sky-miljø kan derfor bli mer attraktive, spesielt i regulerte industrier eller organisasjoner med strenge data-bosettingskrav.

Den bredere spørsmålet er om AI-agenter kan tillites å handle på observabilitetsdata i stedet for bare å summerere den. Ufullstendig telemetri, misvisende korrelasjoner eller dårlig definerte tillatelser kan føre en automatisert system til å misdiagnose en hendelse eller gjøre en unødvendig endring. Menneskelig tilsyn, revisjonslogger og klare begrensninger for autonome handlinger vil forbli viktige når disse kapasitetene modnes.

groundcovers finansiering reflekterer en økende interesse for infrastrukturen som trengs for å operere AI-systemer i stor skala. Den langvarige betydningen vil avhenge mindre av om observabilitetsplattformer kan legge til konversasjonelle grensesnitt og mer av om de kan levere tilstrekkelig komplette, sikre og pålitelige data for mennesker og automatiserte agenter å ta informerte beslutninger i produksjonsmiljøer.