Prevalent AI pozyskuje $22M, aby skalować zaufany kontekst przedsiębiorstwa dla systemów AI

Prevalent AI pozyskało $22 million w kapitale wzrostowym od Integrity Growth Partners (IGP), co stanowi pierwszą główną inwestycję zewnętrzną w dziewięcioletniej historii firmy z siedzibą w Londynie. Finansowanie pojawia się w momencie, gdy przedsiębiorstwa borykają się z narastającym problemem wraz z szybkim przyjmowaniem sztucznej inteligencji: systemy AI mogą stawać się coraz bardziej zdolne, ale ich decyzje są tak wiarygodne, jak dane organizacyjne i kontekst, do których mają dostęp.

Prevalent AI zostało współzałożone przez CEO Paula Stokesa i COO Aruna Raja, z korzeniami w brytyjskiej społeczności wywiadowczej. Firma podkreśla, że zespół założycielski obejmuje absolwentów Government Communications Headquarters (GCHQ), doświadczenie, które pomogło ukształtować jej koncentrację na łączeniu rozproszonych informacji w środowiskach, w których niekompletne lub nieprawidłowe dane mogą mieć istotne konsekwencje operacyjne.

ISTARI, wspierane przez singapurską firmę inwestycyjną Temasek, stało się mniejszościowym akcjonariuszem w 2021 roku w ramach transakcji wtórnej, ale nowa inwestycja IGP stanowi pierwszy główny kapitał wpływający bezpośrednio do firmy.

Pierwszy kapitał zewnętrzny po dziewięciu latach

Finansowanie jest godne uwagi częściowo dlatego, że Prevalent AI obrało stosunkowo nietypową ścieżkę przez rynek cyberbezpieczeństwa. Zamiast polegać na kolejnych rundach venture capital w celu finansowania wzrostu, firma spędziła prawie dekadę, budując działalność wokół przychodów od dużych klientów korporacyjnych, zanim pozyskała główny kapitał instytucjonalny.

Prevalent AI pozyskało Prevalent AI … (Note: original text does not have further paragraph here; keep as is.)

Przekształcanie rozproszonych danych przedsiębiorstwa w kontekst

Głównym problemem, który Prevalent AI stara się rozwiązać, nie jest brak danych przedsiębiorstwa. Chodzi o to, że dane niezbędne do podjęcia decyzji często znajdują się w dziesiątkach, a nawet setkach systemów, które opisują tę samą organizację w różny sposób.

Na przykład zespół ds. bezpieczeństwa może polegać na skanerach podatności, platformach punktów końcowych, systemach tożsamości, infrastrukturze chmurowej, bazach danych zarządzania konfiguracją, oprogramowaniu do obsługi zgłoszeń oraz narzędziach operacyjnych. Każdy system zawiera fragment obrazu, z duplikowanymi rekordami, sprzecznymi identyfikatorami i niekompletnymi relacjami między zasobami.

Security Data Fabric firmy Prevalent AI jest zaprojektowany do pobierania informacji z tych różnych systemów, ich normalizacji, rozwiązywania niezgodności oraz mapowania relacji między zasobami, tożsamościami, podatnościami, aplikacjami, kontrolami i innymi informacjami operacyjnymi. Uzyskane dane są przechowywane jako stale aktualizowany graf wiedzy, a nie jako kolejna odizolowana baza danych bezpieczeństwa.

Rozróżnienie to staje się coraz ważniejsze, gdy do równania wchodzą agenci AI. Ludzie potrafią czasem rozpoznać, że dwa nieco różne rekordy odnoszą się do tego samego serwera, pracownika lub aplikacji. Zautomatyzowany agent podejmujący decyzje w tempie maszynowym potrzebuje tych relacji ustalonych wcześniej w sposób bardziej niezawodny.

Jak działa technologia Prevalent AI

Na warstwie integracji Prevalent AI wykorzystuje DataBridge do łączenia chmury, oprogramowania jako usługi (SaaS), systemów lokalnych oraz operacyjnych. Platforma stosuje następnie rozwiązanie rozpoznawania jednostek, aby uzgodnić rekordy i stworzyć jednolitą reprezentację środowiska przedsiębiorstwa.

Graf wiedzy dodaje kolejną warstwę, łącząc te jednostki poprzez ich relacje. Zamiast traktować podatność jako odrębne znalezisko, system może powiązać ją z zagrożonym zasobem, znaczeniem biznesowym tego zasobu, jego właścicielem, powiązanymi tożsamościami, istniejącymi kontrolami bezpieczeństwa oraz odpowiednimi informacjami o zagrożeniach.

Narzędzia do zarządzania ekspozycją Prevalent wykorzystują ten kontekst do identyfikacji miejsc koncentracji ryzyka i priorytetyzacji działań naprawczych. Platforma firmy może także korelować wyniki z różnych narzędzi, aby zmniejszyć liczbę zduplikowanych rekordów podatności oraz stale monitorować zmiany w zasobach, tożsamościach i infrastrukturze.

Generatywna AI jest dodawana na tej ustrukturyzowanej bazie, zamiast być proszona o samodzielną interpretację surowych danych przedsiębiorstwa. Narzędzie Navigator od Prevalent, na przykład, umożliwia użytkownikom zapytania o informacje przechowywane w grafie wiedzy za pośrednictwem interfejsu generatywnej AI.

Firma oferuje także DataForge, które generuje zsynchronizowane syntetyczne zestawy danych do rozwoju AI, testowania modeli i zapewnienia jakości, bez konieczności udostępniania wrażliwych danych produkcyjnych podczas eksperymentów.

Wyjście poza cyberbezpieczeństwo

Cyberbezpieczeństwo było naturalnym punktem wyjścia, ponieważ niekompletne informacje mogą natychmiast wpływać na decyzje dotyczące podatności, tożsamości, incydentów i kontroli. Jednak Prevalent AI coraz częściej postrzega swoją podstawową technologię jako infrastrukturę przedsiębiorstwa, a nie produkt specyficzny dla bezpieczeństwa.

Firma twierdzi, że klienci już rozszerzyli tę samą bazę danych na obszary takie jak analiza przestępczości finansowej, wywiad operacyjny, zgodność, automatyzacja i przepływy pracy napędzane AI, bez konieczności przebudowywania podstawowej architektury.

Ta szersza szansa jest jednym z głównych powodów nowego finansowania.

Dla agentów AI w szczególności wyzwanie coraz bardziej przesuwa się od pytania, czy model jest wystarczająco inteligentny, aby wykonać zadanie, ku pytaniu, czy ma dostęp do dokładnych informacji o organizacji, w której działa. Agent może być zdolny do identyfikacji podatności bezpieczeństwa, badania konta czy uruchomienia zautomatyzowanego przepływu pracy, ale jego przydatność szybko spada, jeśli nie potrafi wiarygodnie określić, które systemy istnieją, jak są połączone, kto jest ich właścicielem lub które polityki regulują jego działania.

Prevalent AI skutecznie zakłada, że kontekst przedsiębiorstwa stanie się istotną warstwą stosu AI, szczególnie dla organizacji, w których od agentów oczekuje się podejmowania działań, a nie jedynie generowania odpowiedzi.

Dlaczego AI w przedsiębiorstwie podnosi stawkę

Termin finansowania odzwierciedla szerszą zmianę w AI dla przedsiębiorstw. Organizacje zaczynają przechodzić od samodzielnych asystentów do agentów zdolnych do interakcji z infrastrukturą, aplikacjami i procesami biznesowymi.

Ta transformacja zwiększa konsekwencje błędnych danych podstawowych.

Prevalent AI twierdzi, że jej suwerenna architektura jest szczególnie istotna w tych środowiskach. Platforma została zaprojektowana tak, aby działała w ramach infrastruktury kontrolowanej przez klienta, utrzymując dane przedsiębiorstwa pod kontrolą organizacji, zamiast wymagać, aby operacyjny graf wiedzy zależał od współdzielonej infrastruktury lub konkretnego dostawcy modelu.

W wysoko regulowanych sektorach może to stać się ważnym czynnikiem, gdy firmy eksperymentują z udzielaniem systemom AI większego dostępu do wrażliwych informacji wewnętrznych oraz większych uprawnień do podejmowania działań.

Dlaczego zaufany kontekst może stać się kluczowy dla AI w przedsiębiorstwie

W miarę jak systemy AI przechodzą od generowania rekomendacji do podejmowania działań w firmach, jakość danych otaczających te systemy będzie coraz ważniejsza. Agent odpowiedzialny za badanie incydentu bezpieczeństwa, zatwierdzanie przepływu pracy lub reagowanie na problem operacyjny potrzebuje więcej niż dostęp do pojedynczych baz danych. Potrzebuje dokładnego obrazu, jak zasoby, tożsamości, aplikacje, polityki i procesy biznesowe są ze sobą powiązane.

Stwarza to rosnące wyzwanie infrastrukturalne dla przedsiębiorstw. Wiele organizacji zgromadziło lata rozłączonych platform oprogramowania, zduplikowanych rekordów i niespójnych konwencji nazewnictwa. Modele językowe dużej skali mogą ułatwić zapytania o te informacje, ale nie rozwiązują automatycznie sprzeczności ani nie określają, które źródło jest wiarygodne. Bez niezawodnej warstwy kontekstu bardziej autonomiczna AI mogłaby po prostu pozwolić istniejącym problemom z danymi wpływać na decyzje z większą prędkością i skalą.

Grafy wiedzy i struktury danych mogą więc stać się istotną częścią powstającej architektury AI w przedsiębiorstwie. Zamiast zastępować bazy danych czy modele AI, te systemy mogą znajdować się pomiędzy nimi, nieustannie uzgadniając informacje i utrzymując relacje, z których agenci mogą korzystać przy podejmowaniu decyzji o działaniach.

Implikacje wykraczają również daleko poza cyberbezpieczeństwo. Podobne problemy występują w wykrywaniu oszustw, zgodności regulacyjnej, zarządzaniu łańcuchem dostaw, operacjach IT i innych obszarach, w których decyzje zależą od informacji rozproszonych w wielu systemach. W miarę jak firmy wdrażają agentów w tych funkcjach, utrzymanie spójnej reprezentacji organizacji może stać się coraz bardziej niezbędne.

Może to również zmienić sposób, w jaki przedsiębiorstwa oceniają infrastrukturę AI. Wydajność modeli pozostanie istotna, ale organizacje mogą przywiązywać większą wagę do pochodzenia, aktualności i relacji danych zasilających te modele. W takim środowisku przewaga konkurencyjna może nie wynikać wyłącznie z posiadania bardziej zaawansowanego modelu AI, lecz z zapewnienia mu dokładniejszego zrozumienia przedsiębiorstwa, w którym działa.