Prevalent AI привлекла $22M для масштабирования надёжного корпоративного контекста для систем ИИ

Prevalent AI привлекла $22 млн в виде инвестиционного капитала от Integrity Growth Partners (IGP), отмечая первую основную внешнюю инвестицию за девятилетнюю историю компании, базирующейся в Лондоне. Финансирование происходит в то время, когда предприятия сталкиваются с растущей проблемой наряду с быстрым внедрением искусственного интеллекта: системы ИИ могут становиться более способными, но их решения надёжны лишь настолько, насколько достоверны организационные данные и контекст, доступные им.

Первая внешняя инвестиция после девяти лет

Инвестиция примечательна отчасти тем, что Prevalent AI выбрала относительно необычный путь через рынок кибербезопасности. Вместо того чтобы полагаться на повторные венчурные раунды для финансирования роста, компания почти десятилетие строила бизнес вокруг доходов от крупных корпоративных клиентов, прежде чем привлечь основной институциональный капитал.

Prevalent AI была со‑основана генеральным директором Полом Стоксом и операционным директором Аруном Радж, имеющими корни в британском разведывательном сообществе. Компания заявляет, что в её команду входят выпускники Government Communications Headquarters (GCHQ), опыт которых помог сформировать фокус на соединении фрагментированной информации в средах, где неполные или неточные данные могут иметь значительные оперативные последствия.

ISTARI, поддерживаемая сингапурской инвестиционной компанией Temasek, стала миноритарным акционером в 2021 году через вторичную сделку, но новое вложение IGP представляет собой первую основную инвестицию, направленную непосредственно в компанию.

Преобразование фрагментированных корпоративных данных в контекст

Главная проблема, которую пытается решить Prevalent AI, — не нехватка корпоративных данных. Проблема в том, что данные, необходимые для принятия решения, часто распределены по десяткам и даже сотням систем, описывающих одну и ту же организацию по‑разному.

Команда безопасности, например, может полагаться на сканеры уязвимостей, платформы конечных точек, системы идентификации, облачную инфраструктуру, базы данных управления конфигурациями, программное обеспечение тикетных систем и оперативные инструменты. Каждая система содержит часть картины, при этом присутствуют дублированные записи, конфликтующие идентификаторы и неполные взаимосвязи между активами.

Prevalent AI’s Security Data Fabric предназначена для сбора информации из этих разных систем, её нормализации, устранения несоответствий и построения взаимосвязей между активами, идентичностями, уязвимостями, приложениями, контролями и другими операционными данными. Полученные данные хранятся в виде постоянно обновляемого графа знаний, а не в виде отдельной изолированной базы данных безопасности.

Это различие становится всё более важным, когда в уравнение вступают AI‑агенты. Человек иногда может распознать, что две слегка различающиеся записи относятся к одному серверу, сотруднику или приложению. Автоматическому агенту, принимающему решения со скоростью машины, нужны такие взаимосвязи, надёжно установленные заранее.

Как работает технология Prevalent AI

На уровне интеграции Prevalent AI использует DataBridge для подключения облачных, SaaS, локальных и оперативных систем. Платформа затем применяет разрешение сущностей для согласования записей и построения единого представления корпоративной среды.

Граф знаний добавляет ещё один слой, соединяя эти сущности через их взаимосвязи. Вместо того чтобы рассматривать уязвимость как изолированный факт, система может связать её с затронутым активом, бизнес‑важностью актива, его владельцем, связанными идентичностями, существующими мерами безопасности и релевантной информацией об угрозах.

Инструменты управления экспозицией Prevalent используют этот контекст для определения, где сосредоточен риск, и приоритизации устранения. Платформа также может коррелировать находки между инструментами, уменьшая количество дублирующихся записей об уязвимостях и постоянно мониторить изменения в активах, идентичностях и инфраструктуре.

Генеративный ИИ добавляется поверх этой структурированной основы, а не заставляется интерпретировать сырые корпоративные данные самостоятельно. Инструмент Navigator от Prevalent, например, позволяет пользователям запрашивать информацию, хранящуюся в графе знаний, через интерфейс генеративного ИИ.

Компания также предлагает DataForge, который генерирует синхронные синтетические наборы данных для разработки ИИ, тестирования моделей и обеспечения качества без необходимости раскрывать чувствительные производственные данные во время экспериментов.

Выход за пределы кибербезопасности

Кибербезопасность была естественной отправной точкой, потому что неполная информация может сразу влиять на решения, связанные с уязвимостями, идентичностями, инцидентами и мерами контроля. Однако Prevalent AI всё больше рассматривает свою базовую технологию как корпоративную инфраструктуру, а не как продукт, ориентированный исключительно на безопасность.

Компания сообщает, что клиенты уже расширили ту же основу данных на такие области, как анализ финансовых преступлений, оперативная разведка, соответствие нормативам, автоматизация и рабочие процессы, управляемые ИИ, без необходимости перестраивать базовую архитектуру.

Эта более широкая возможность является одной из главных причин нового финансирования.

Для AI‑агентов в частности вызов всё больше смещается от вопроса, достаточно ли у модели интеллекта для выполнения задачи, к вопросу, имеет ли она доступ к точной информации об организации, в которой она работает. Агент может быть способен выявлять уязвимости, расследовать аккаунт или запускать автоматический рабочий процесс, но его полезность быстро падает, если он не может надёжно определить, какие системы существуют, как они соединены, кто их владеет и какие политики регулируют его действия.

Prevalent AI эффективно ставит ставку на то, что корпоративный контекст станет важным уровнем стека ИИ, особенно для организаций, где от агентов ожидается выполнение действий, а не просто генерация ответов.

Почему корпоративный ИИ повышает ставки

Время привлечения средств отражает более широкий сдвиг в корпоративном ИИ. Организации начинают отходить от отдельных «копилотов» в сторону агентов, способных взаимодействовать с инфраструктурой, приложениями и бизнес‑процессами.

Этот переход усиливает последствия плохих исходных данных.

Prevalent AI утверждает, что её суверенная архитектура особенно актуальна в таких средах. Платформа разработана для работы в инфраструктуре, контролируемой клиентом, удерживая корпоративные данные под управлением организации, а не заставляя граф знаний зависеть от общей инфраструктуры или конкретного поставщика модели.

Для сильно регулируемых секторов это может стать важным фактором, поскольку компании экспериментируют с предоставлением ИИ‑систем большего доступа к чувствительной внутренней информации и большей полномочий для выполнения действий.

Почему надёжный контекст может стать критическим для корпоративного ИИ

По мере того как системы ИИ переходят от генерации рекомендаций к выполнению действий внутри компаний, качество данных, окружающих эти системы, станет всё более важным. Агент, tasked with investigating a security incident, approving a workflow or responding to an operational problem, needs more than access to individual databases. It needs an accurate picture of how assets, identities, applications, policies and business processes relate to one another.

Это создаёт растущий инфраструктурный вызов для предприятий. Многие организации накопили годы разрозненных программных платформ, дублированных записей и несогласованных наименований. Большие языковые модели могут упростить запрос этой информации, но они не решают противоречия автоматически и не определяют, какой источник следует считать надёжным. Без надёжного слоя контекста более автономный ИИ может просто позволить существующим проблемам данных влиять на решения с большей скоростью и масштабом.

Графы знаний и тканевые данные могут стать важной частью формирующейся архитектуры корпоративного ИИ. Вместо замены баз данных или моделей ИИ, эти системы могут располагаться между ними, постоянно согласовывая информацию и поддерживая взаимосвязи, которые агенты могут использовать при выборе действий.

Последствия также выходят далеко за пределы кибербезопасности. Похожие проблемы существуют в обнаружении мошенничества, соблюдении нормативных требований, управлении цепочками поставок, ИТ‑операциях и других областях, где решения зависят от информации, распределённой по множеству систем. По мере того как компании развертывают агентов в этих функциях, поддержание согласованного представления организации может стать всё более необходимым.

Это также может изменить то, как как предприятия оценивают инфраструктуру ИИ. Производительность модели останется важной, но организации могут уделять больше внимания происхождению, актуальности и взаимосвязям данных, питающих эти модели. В такой среде конкурентное преимущество может исходить не только от более способной модели ИИ, но и от предоставления модели более точного понимания предприятия, в котором она работает.