InsightFinder pozyskał 15 milionów dolarów w ramach rundy finansowania serii B pod przewodnictwem Yu Galaxy, aby rozwiązać problem niezawodności sztucznej inteligencji w produkcji

InsightFinder pozyskał 15 milionów dolarów w ramach rundy finansowania serii B pod przewodnictwem Yu Galaxy, zwiększając łączne finansowanie do 35 milionów dolarów. Pozyskanie kapitału następuje w momencie, gdy spółka raportuje przyspieszony wzrost na rynku przedsiębiorstw, w tym transakcje o wartości miliona dolarów z organizacjami z listy Fortune 50, oraz odzwierciedla rosnące zapotrzebowanie na infrastrukturę, która może zapewnić niezawodność systemów sztucznej inteligencji po wdrożeniu w środowiskach rzeczywistych.

Przesunięcie się od wydajności sztucznej inteligencji w kierunku niezawodności

Gdy przedsiębiorstwa wyprowadzają systemy sztucznej inteligencji z kontrolowanych środowisk i wprowadzają je do produkcji, pojawia się jeden stały wzorzec: systemy, które działają dobrze w testach, często ulegają awariom w warunkach rzeczywistych. Problem nie leży w możliwościach modelu, ale w kontekście. Większość systemów sztucznej inteligencji nie posiada głębokiego zrozumienia konkretnych środowisk biznesowych, w których działają.

InsightFinder koncentruje się na zamknięciu tej luki. Jego platforma opiera się na idei, że niezawodność w sztucznej inteligencji nie dotyczy tylko monitorowania wskaźników, takich jak opóźnienia lub wskaźniki błędów, ale także zrozumienia, co oznacza „normalność” w ramach konkretnego przepływu pracy biznesowej. Obejmuje to wszystko, od systemów płatności i rurociągów logistycznych po operacje wsparcia klienta.

Rozszerzanie obserwowalności na systemy sztucznej inteligencji

Początkowo zbudowany do obsługi złożonych operacji IT, podstawowa technologia InsightFinder opiera się na wykrywaniu anomalii, identyfikowaniu przyczyn pierwotnych i przewidywaniu awarii w systemach rozproszonych. Ten sam podstawowy podejście jest teraz stosowany w systemach sztucznej inteligencji, w szczególności tych, które obejmują duże modele językowe i przepływy oparte na agentach.

W przeciwieństwie do tradycyjnych narzędzi obserwowalności, które koncentrują się na infrastrukturze, platforma InsightFinder analizuje dane wieloźródłowe i wielomodalne, aby zdiagnozować, dlaczego systemy sztucznej inteligencji zachowują się w sposób nieoczekiwany. Obejmuje to identyfikację dryfu modelu, śledzenie awarii w przepływach opartych na agentach i ujawnianie problemów, które nie wyzwalały oczywistych alertów.

Budowanie zamkniętej pętli sprzężenia zwrotnego dla systemów sztucznej inteligencji

Centralnym motywem podejścia InsightFinder jest potrzeba połączenia tego, co dzieje się w produkcji, z rozwojem. Wiele narzędzi sztucznej inteligencji koncentruje się na ocenie podczas testowania lub monitorowaniu w produkcji, ale niewiele łączy je w ciągłej pętli.

Platforma InsightFinder wprowadza funkcje zaprojektowane do zamknięcia tej pętli:

• Narzędzia porównywania prompty, które oceniają wydajność w różnych zestawach danych, modelach i kosztach
• Modelki językowe o małych rozmiarach (SLM) używane jako ewaluatory, które rozumieją standardy jakościowe specyficzne dla branży
• Zautomatyzowane potoki dostrajania, które wykorzystują awarie w produkcji do poprawy wydajności modelu
• Śledzenie wielu agentów, które odtwarzają ścieżki wykonywania w złożonych przepływach

Wszystkie te funkcje mają na celu przekształcić dane z produkcji w działania, które ciągle poprawiają systemy sztucznej inteligencji.

Dlaczego ogólna sztuczna inteligencja nie spełnia wymagań środowisk przedsiębiorstw

Jednym z podstawowych wyzwań, którym przeciwstawia się InsightFinder, jest niezgodność między ogólnymi modelami sztucznej inteligencji a wymaganiami specyficznymi dla branży. Podstawowe modele są szkolone na szerokich zestawach danych i wyróżniają się w rozpoznawaniu wzorców, ale brakuje im zrozumienia niuansów branżowych.

Tworzy to warstwę ryzyka, która często jest niedoceniana. W sektorach takich jak opieka zdrowotna, finanse i logistyka, niewielkie odchylenia mogą mieć znaczne konsekwencje. Podejście InsightFinder polega na wbudowaniu świadomości branży w procesy oceny i monitorowania, umożliwiając systemom ocenę według kryteriów specyficznych dla branży, a nie ogólnych benchmarków.

Model usługowy oparty na wdrożeniu, a nie tylko oprogramowaniu

Innym wyróżniającym się aspektem InsightFinder jest sposób, w jaki dostarcza swoją platformę. Zamiast tradycyjnego modelu SaaS, w którym klienci są pozostawieni do samodzielnego konfigurowania narzędzi, spółka ściśle współpracuje z organizacjami, aby dostosować systemy do ich środowisk.

To obejmuje wyrównanie platformy z wewnętrznymi przepływami pracy, określenie kryteriów oceny oraz integrację logiki specyficznej dla branży. Celem jest zapewnienie, że wnioski generowane przez system są działaniem w kontekście operacji każdej organizacji.

Nowe finansowanie zostanie wykorzystane częściowo do rozwinięcia tej zdolności skierowanej do klienta, szczególnie w obszarach sprzedaży przedsiębiorstw i funkcji sukcesu klienta.

Szerszy obraz: sztuczna inteligencja jako krytyczna infrastruktura

Czas finansowania InsightFinder podkreśla szerszy trend w postrzeganiu sztucznej inteligencji. Gdy systemy sztucznej inteligencji stają się integralną częścią krytycznej infrastruktury, takiej jak szpitale, systemy finansowe i łańcuchy dostaw, niezawodność staje się mniej kwestią techniczną, a bardziej społeczną.

Pojawia się tu koncepcja, że systemy sztucznej inteligencji wymagają czegoś w rodzaju „układu immunologicznego”, który może wykrywać, diagnozować i reagować na awarie w czasie rzeczywistym. Jest to warstwa, którą InsightFinder stara się zbudować.

Zamiast koncentrować się na tworzeniu bardziej potężnych modeli, spółka koncentruje się na rozwiązaniu innego problemu: uczynieniu ich niezawodnymi. Gdy przyjęcie sztucznej inteligencji przyspiesza, ta różnica prawdopodobnie stanie się coraz bardziej istotna.