Prevalent AI henter $22M for å skalere pålitelig bedriftskontekst for AI‑systemer

Prevalent AI har hentet $22 million i vekstkapital fra Integrity Growth Partners (IGP), noe som markerer den første primære eksterne investeringen i selskapets ni år lange historie. Kapitalen kommer i en tid hvor bedrifter møter et økende problem i takt med den raske adopsjonen av kunstig intelligens: AI‑systemer kan bli mer kapable, men beslutningene deres er kun så pålitelige som de organisatoriske dataene og konteksten som er tilgjengelige for dem.

Grunnlagt i 2017 har Prevalent AI forblitt bootstrapped og, ifølge selskapet, lønnsom siden de sikret sin første kunde. Selskapet oppgir at den årlige tilbakevendende inntekten har mer enn doblet seg det siste året. Den nye kapitalen vil bli brukt til å utvide den globale kommersielle organisasjonen, akselerere satsingen i USA, styrke lederteamet og utvide teknologien som opprinnelig ble utviklet for cybersikkerhet til bredere bedriftsrisiko og AI‑applikasjoner.

Første eksterne kapital etter ni år

Finansieringen er bemerkelsesverdig delvis fordi Prevalent AI tok en relativt uvanlig vei gjennom cybersikkerhetsmarkedet. I stedet for å stole på gjentatte venture‑runder for å finansiere vekst, brukte selskapet nesten et tiår på å bygge rundt inntekter fra store bedriftskunder før de hentet primær institusjonell kapital.

Prevalent AI ble med‑stiftet av administrerende direktør Paul Stokes og driftsdirektør Arun Raj, med røtter i det britiske etterretningsmiljøet. Selskapet sier at grunnteamet inkluderer alumner fra Government Communications Headquarters (GCHQ), en erfaring som bidro til å forme fokuset på å koble fragmentert informasjon i miljøer hvor ufullstendige eller unøyaktige data kan ha betydelige operative konsekvenser.

ISTARI, som støttes av det singaporeanske investeringsselskapet Temasek, ble minoritetsaksjonær i 2021 gjennom en sekundær transaksjon, men den nye IGP‑investeringen representerer den første primære kapitalen som går direkte inn i selskapet.

Omforme fragmentert bedriftsdata til kontekst

Det sentrale problemet Prevalent AI prøver å løse er ikke mangel på bedriftsdata. Det er at dataene som trengs for å ta en beslutning ofte finnes spredt over dusinvis eller til og med hundrevis av systemer som beskriver samme organisasjon på ulike måter.

Et sikkerhetsteam kan for eksempel være avhengig av sårbarhetsskannere, endepunktsplattformer, identitetssystemer, skyinfrastruktur, konfigurasjonsstyringsdatabaser, billettprogramvare og operative verktøy. Hvert system inneholder en del av bildet, med dupliserte poster, motstridende identifikatorer og ufullstendige relasjoner mellom eiendeler.

Prevalent AI sin Security Data Fabric er designet for å hente inn informasjon fra disse ulike systemene, normalisere den, løse inkonsekvenser og kartlegge relasjoner mellom eiendeler, identiteter, sårbarheter, applikasjoner, kontroller og annen operativ informasjon. De resulterende dataene vedlikeholdes som en kontinuerlig oppdatert kunnskapsgraf i stedet for en isolert sikkerhetsdatabase.

Den distinksjonen blir stadig viktigere når AI‑agenter kommer inn i bildet. Mennesker kan noen ganger gjenkjenne at to lett forskjellige poster refererer til samme server, ansatt eller applikasjon. En automatisert agent som tar beslutninger i maskinhastighet trenger disse relasjonene etablert mer pålitelig på forhånd.

Hvordan Prevalent AI sin teknologi fungerer

På integrasjonslaget bruker Prevalent AI DataBridge for å koble sky, Software-as-a-Service (SaaS), lokalt og operative systemer. Plattformen anvender deretter entitets‑oppløsning for å forene poster og bygge en samlet representasjon av bedriftsmiljøet.

Kunnskapsgrafen legger til et ekstra lag ved å koble disse entitetene gjennom deres relasjoner. I stedet for å behandle en sårbarhet som et isolert funn, kan systemet for eksempel knytte den til den berørte eiendelen, eiendelens forretningsverdi, eieren, tilknyttede identiteter, eksisterende sikkerhetskontroller og relevant trusselinformasjon.

Prevalents eksponerings‑styringsverktøy bruker denne konteksten til å identifisere hvor risikoen er konsentrert og prioritere utbedring. Plattformen kan også korrelere funn på tvers av verktøy for å redusere dupliserte sårbarhetsposter og kontinuerlig overvåke endringer i eiendeler, identiteter og infrastruktur.

Generativ AI legges til på toppen av dette strukturerte fundamentet i stedet for å bli bedt om å tolke rå bedriftsdata uavhengig. Prevalent sin Navigator‑verktøy, for eksempel, lar brukere stille spørsmål til informasjon lagret i kunnskapsgrafen via et generativt AI‑grensesnitt.

Selskapet tilbyr også DataForge, som genererer synkroniserte syntetiske datasett for AI‑utvikling, modelltesting og kvalitetssikring uten at sensitiv produksjonsdata må eksponeres under eksperimentering.

Utover cybersikkerhet

Cybersikkerhet var et naturlig startpunkt fordi ufullstendig informasjon umiddelbart kan påvirke beslutninger rundt sårbarheter, identiteter, hendelser og kontroller. Men Prevalent AI ser i økende grad sin underliggende teknologi som bedriftsinfrastruktur snarere enn et sikkerhetsspesifikt produkt.

Selskapet oppgir at kundene allerede har utvidet det samme datagrunnlaget til områder som analyse av økonomisk kriminalitet, operativ intelligens, samsvar, automatisering og AI‑drevne arbeidsflyter uten å måtte bygge om den underliggende arkitekturen.

Denne bredere muligheten er en av hovedgrunnene til den nye finansieringen.

For AI‑agenter spesielt, skifter utfordringen stadig fra om en modell er intelligent nok til å utføre en oppgave, til om den har tilgang til nøyaktig informasjon om organisasjonen den opererer i. En agent kan være i stand til å identifisere en sikkerhetssårbarhet, undersøke en konto eller utløse en automatisert arbeidsflyt, men nytten avtar raskt hvis den ikke pålitelig kan fastslå hvilke systemer som finnes, hvordan de er koblet sammen, hvem som eier dem eller hvilke retningslinjer som styrer handlingene.

Prevalent AI satser på at bedriftskontekst vil bli et viktig lag i AI‑stakken, spesielt for organisasjoner hvor agenter forventes å utføre handlinger i stedet for kun å generere svar.

Hvorfor bedrifts‑AI hever innsatsen

Tidspunktet for finansieringen reflekterer et bredere skifte innen bedrifts‑AI. Organisasjoner begynner å gå bort fra frittstående copiloter og beveger seg mot agenter som kan samhandle med infrastruktur, applikasjoner og forretningsprosesser.

Den overgangen øker konsekvensene av dårlig underliggende data.

Prevalent AI argumenterer for at deres suverene arkitektur er spesielt relevant i disse miljøene. Plattformen er designet for å operere innenfor infrastruktur som kontrolleres av kunden, og holder bedriftsdata under organisasjonens kontroll i stedet for å kreve at den operative kunnskapsgrafen er avhengig av delt infrastruktur eller en bestemt modellleverandør.

For sterkt regulerte sektorer kan dette bli en viktig vurdering ettersom selskaper eksperimenterer med å gi AI‑systemer mer tilgang til sensitiv intern informasjon og større myndighet til å utføre handlinger.

Hvorfor pålitelig kontekst kan bli kritisk for bedrifts‑AI

Etter hvert som AI‑systemer går fra å generere anbefalinger til å utføre handlinger i virksomheter, blir kvaliteten på dataene rundt disse systemene stadig viktigere. En agent som har i oppdrag å undersøke en sikkerhetshendelse, godkjenne en arbeidsflyt eller svare på et operativt problem, trenger mer enn tilgang til enkelte databaser. Den trenger et nøyaktig bilde av hvordan eiendeler, identiteter, applikasjoner, retningslinjer og forretningsprosesser forholder seg til hverandre.

Dette skaper en voksende infrastrukturutfordring for bedrifter. Mange organisasjoner har akkumulert år med frakoblede programvareplattformer, dupliserte poster og inkonsistente navnekonvensjoner. Store språkmodeller kan gjøre denne informasjonen lettere å spørre etter, men de løser ikke automatisk motstridende data eller bestemmer hvilken kilde som skal stolast på. Uten et pålitelig kontekstlag kan mer autonom AI simpelthen la eksisterende dataproblemer påvirke beslutninger med større hastighet og skala.

Kunnskapsgrafer og datakluter kan derfor bli en viktig del av den fremvoksende bedrifts‑AI‑arkitekturen. I stedet for å erstatte databaser eller AI‑modeller, kan disse systemene ligge mellom dem, kontinuerlig forene informasjon og opprettholde relasjoner som agenter kan bruke når de bestemmer hvilke handlinger de skal ta.

Implikasjonene strekker seg også langt utover cybersikkerhet. Lignende problemer finnes i svindeldeteksjon, regulatorisk etterlevelse, forsyningskjede‑styring, IT‑drift og andre områder hvor beslutninger avhenger av informasjon distribuert på tvers av flere systemer. Etter hvert som selskaper distribuerer agenter på tvers av disse funksjonene, kan det bli stadig viktigere å opprettholde en konsistent representasjon av organisasjonen.

Dette kan også endre hvordan bedrifter vurderer AI‑infrastruktur. Modellens ytelse vil fortsatt være viktig, men organisasjoner kan legge større vekt på opprinnelse, ferskhet og relasjoner i dataene som mater disse modellene. I et slikt miljø kan konkurransefordelen ikke bare komme fra å ha en mer kapabel AI‑modell, men fra å gi den modellen en mer nøyaktig forståelse av den virksomheten den opererer i.