InsightFinder привлекает 15 млн долларов в серии B во главе с Yu Galaxy для повышения надежности ИИ в эксплуатации

InsightFinder привлек $15 млн в рамках серии B, которую возглавляет Yu Galaxy, что увеличивает общий объем финансирования до $35 млн. Этот раунд финансирования состоялся на фоне сообщаемого компанией ускорения роста на корпоративном рынке, включая сделки на сумму миллионов долларов с организациями из списка Fortune 50, и отражает растущий спрос на инфраструктуру, которая может сделать системы ИИ надежными после развертывания в реальных условиях.

Переход от производительности ИИ к надежности ИИ

Когда предприятия выводят системы ИИ из контролируемых сред и в производство, появляется постоянный шаблон: системы, которые хорошо работают при тестировании, часто ломаются в реальных условиях. Проблема не в способности модели, а в контексте. Большинство систем ИИ не имеют глубокого понимания конкретных бизнес-сред, в которых они работают.

InsightFinder сосредоточен на устранении этого разрыва. Его платформа построена вокруг идеи, что надежность ИИ не только означает мониторинг метрик, таких как задержка или частота ошибок, но и понимание того, что такое “нормально” в конкретном бизнес-процессе. Это включает в себя все, от систем оплаты и логистических процессов до операций службы поддержки клиентов.

Расширение наблюдаемости в системы ИИ

Изначально разработанная для сложных ИТ-операций, основная технология InsightFinder заключается в обнаружении аномалий, определении коренных причин и прогнозировании сбоев в распределенных системах. Такой же подход теперь применяется к системам ИИ, особенно тем, которые включают большие языковые модели и агентные рабочие процессы.

В отличие от традиционных инструментов наблюдаемости, которые фокусируются на инфраструктуре, платформа InsightFinder анализирует мультимодальные данные из нескольких источников, чтобы диагностировать, почему системы ИИ ведут себя неожиданно. Это включает в себя определение дрейфа модели, отслеживание сбоев в агентских рабочих процессах и выявление проблем, которые не вызывают очевидных предупреждений.

Создание замкнутого обратного цикла для систем ИИ

Центральной темой подхода InsightFinder является необходимость соединить то, что происходит в производстве, с разработкой. Многие инструменты ИИ фокусируются на оценке во время тестирования или мониторинге в производстве, но немногие связывают эти два процесса в непрерывном цикле.

Платформа InsightFinder вводит возможности, предназначенные для закрытия этого цикла:

• Инструменты сравнения запросов, которые оценивают производительность по наборам данных, моделям и метрикам стоимости
• Домен-специфические небольшие языковые модели (SLM), используемые в качестве оценщиков, которые понимают бизнес-специфические стандарты качества
• Автоматические пайплайны тонкой настройки, которые используют сбои в производстве для улучшения производительности модели
• Многоагентное отслеживание, которое восстанавливает пути выполнения по сложным рабочим процессам

Вместе эти функции направлены на то, чтобы превратить данные из производства в действенные идеи, которые непрерывно улучшают системы ИИ.

Почему общий ИИ не оправдывает ожиданий в корпоративных средах

Одной из основных проблем, которые решает InsightFinder, является несоответствие между общими моделями ИИ и домен-специфическими требованиями. Основные модели обучаются на широких наборах данных и отлично распознают закономерности, но они не понимают нюансов конкретных отраслей.

Это создает слой риска, который часто недооценивается. В секторах, таких как здравоохранение, финансы и логистика, небольшие отклонения могут иметь непропорциональные последствия. Подход InsightFinder заключается в том, чтобы встроить осведомленность о домене в процессы оценки и мониторинга, что позволяет системам оцениваться по бизнес-специфическим критериям, а не по общим эталонам.

Модель обслуживания, построенная вокруг реализации, а не только программного обеспечения

Другой отличительной особенностью InsightFinder является то, как компания предоставляет свою платформу. Вместо традиционной модели SaaS, где клиенты остаются наедине с инструментами, компания тесно сотрудничает с организациями, чтобы адаптировать системы к их средам.

Это включает в себя выравнивание платформы с внутренними рабочими процессами, определение критериев оценки и интеграцию домен-специфической логики. Цель состоит в том, чтобы обеспечить, чтобы идеи, сгенерированные системой, были действенными в контексте операций каждой организации.

Новые средства финансирования будут использованы частично для расширения этой клиенто-ориентированной возможности, особенно в области корпоративных продаж и функций содействия успеху клиентов.

Большая картина: ИИ как критическая инфраструктура

Тиминг финансирования InsightFinder подчеркивает более широкий сдвиг в том, как воспринимается ИИ. Когда системы ИИ становятся неотъемлемой частью критической инфраструктуры, такой как больницы, финансовые системы и цепочки поставок, надежность становится не только технической проблемой, но и социальной.

Появляется концепция, что системы ИИ требуют чего-то подобного “иммунной системе”, которая может обнаружить, диагностировать и реагировать на сбои в реальном времени. Именно на создании этого слоя стремится сосредоточиться InsightFinder.

Вместо того, чтобы сосредотачиваться на том, чтобы сделать модели более мощными, компания нацеливается на другую проблему: сделать их надежными. Когда внедрение ИИ ускоряется, это различие, вероятно, станет все более важным.