groundcover samlar in 100 miljoner dollar i serie C för att skala AI-drivna observationsplattformar

Molnobservationsföretaget groundcover har samlat in 100 miljoner dollar i serie C-finansiering när de försöker expandera en plattform som är utformad för att hjälpa ingenjörsteam och AI-agenter att förstå alltmer komplexa produktionsmiljöer.

Rundan leddes av One Peak, med deltagande från Morgan Stanley Expansion Capital (MS ) och befintliga investerare Zeev Ventures, Angular Ventures, Heavybit och Jibe. Detta tar groundcovers totala finansiering till 160 miljoner dollar.

Finansieringen följer ett år då företaget säger att de tredubblat den årliga återkommande intäkten, fördubblat den globala arbetsstyrkan och överträffat 250 betalande kunder. Deras kundbas sträcker sig nu från tidiga start-ups till företag i Fortune 5, medan företaget också rapporterar att de har undertecknat flera kontrakt på sju siffror under de senaste 12 månaderna.

Observability möter ett AI-drivet dataproblem

Observability-plattformar samlar in och analyserar signaler som loggar, mått och spår för att hjälpa ingenjörsteam att förstå hur applikationer och infrastruktur beter sig i produktion.

Uppgiften blir allt svårare när molnbaserade system utökas och företag introducerar stora språkmodeller, autonoma agenter och alltmer sammanlänkade applikationsstackar. AI-applikationer kan generera telemetri över prompter, modellsvar, verktygsanrop, databaser, API:er och den infrastruktur som stöder varje interaktion.

Ökad synlighet kan hjälpa ingenjörer att identifiera hallucinationer, prestandaförsämring, misslyckade verktygsanrop och säkerhetsrisker. Men att samla in den här kontexten kan också väsentligt öka volymen och känsligheten hos de data som flödar in i observationsystemen.

Traditionella plattformar hanterar ofta dessa kostnader genom att sampla eller filtrera telemetri. Detta kan göra den underliggande datan mer hanterbar, men det kan också ta bort den exakta information som behövs för att rekonstruera en incident. Begränsningen blir särskilt viktig när AI-agenter förväntas undersöka problem eller föreslå ändringar utan kontinuerlig mänsklig ledning.

groundcover positionerar sin arkitektur som ett alternativ till den här modellen, genom att kombinera kernelnivådatainsamling med lagring inom kundens eget molnmiljö.

Hur groundcovers BYOC-arkitektur fungerar

I centrum av plattformen finns en ta-med-ditt-eget-moln-arkitektur, eller BYOC. Istället för att överföra all observationsdata till en leverantörsdriven SaaS-miljö, distribuerar groundcover sin dataplan inom en isolerad konto i kundens moln.

Loggar, infrastrukturmått, anpassade mått, spår och Kubernetes-händelser kan därmed förbli inom kundens infrastruktur. En separat kontrollplan hanterar plattformen men är isolerad från produktionsarbetsbelastningar och telemetri på nätverksnivå, enligt groundcovers arkitekturdokumentation.

Denna konfiguration är avsedd att ge kunderna en hanterad programvaruupplevelse samtidigt som de behåller större kontroll över dataresidens, sekretess och säkerhet. Det kan vara särskilt relevant för AI-arbetsbelastningar, där observationsposter kan innehålla prompter, modellutdata, verktygsargument, användarinformation eller element i en agents resonemangsprocess.

Företaget stöder också lokala och luftgapade distributioner för organisationer med strängare isoleringskrav.

Kombinera eBPF och OpenTelemetry

groundcover samlar in en stor del av sin telemetri genom utökad Berkeley-paketfilter, vanligtvis känd som eBPF. Teknologin tillåter program att observera aktivitet inom Linux-kärnan, vilket ger övervakningssystem synlighet i nätverkskommunikation, applikationsprocesser och resursanvändning utan att utvecklare måste instrumentera varje tjänst manuellt.

Företaget säger att deras adaptiva eBPF-sensor kan distribueras utan kodändringar och användas för att fånga applikations- och infrastrukturtelemetri över Kubernetes-miljöer.

Det betyder inte att groundcover ersätter etablerade instrumenteringsstandarder. Plattformen integrerar också med OpenTelemetry, ett öppen källkodsramverk som tillhandahåller gemensamma API:er, programvaruutvecklingskit och verktyg för att generera, bearbeta och exportera telemetri.

Kombinationen ger organisationer två kompletterande informationskällor. eBPF kan automatiskt fånga aktivitet på infrastruktur- och nätverkslagret, medan OpenTelemetry kan tillhandahålla applikationsspecifik kontext som avsiktligt läggs till av utvecklare.

groundcover konsoliderar spår, mått, loggar och Kubernetes-händelser till ett enhetligt gränssnitt. Deras produktportfölj täcker också applikationsprestandaövervakning, infrastrukturovervakning, logghantering, realanvändarövervakning och observationsfunktioner för stora språkmodellapplikationer.

Utöka observability för AI-agenter

Företagets ambitioner sträcker sig bortom att tillhandahålla instrumentpaneler för mänskliga operatörer. Deras agentläge är utformat för att hjälpa ingenjörer att undersöka incidenter, utföra rotorsaksanalys och identifiera möjliga åtgärder med hjälp av telemetrin som finns tillgänglig inom plattformen.

Istället för att placera en allmän chatbot över en samling loggar, säger groundcover att de byggde om sina interna API:er runt ett enhetligt frågespråk som kallas GCQL. Åtgärder som vidtas av agenten kan inspekteras och resultaten kan konverteras till nativa groundcover-tillgångar som ingenjörer kan använda oberoende.

Företaget har också introducerat stöd för Model Context Protocol, som möjliggör för utvecklare att ta med produktions-telemetri till kompatibla AI-agenter och utvecklingsmiljöer. Deras AI-observationsverktyg är avsedda att fånga den breda exekveringskontexten för modellbegäranden, inklusive prompter, svar, verktygsanvändning och sessionshistorik.

Detta kan hjälpa team att avgöra om ett problem uppstod med modellen själv, en extern API, en hämtningsmekanism, en infrastrukturbottleneck eller den sekvens av åtgärder som vidtogs av en agent. groundcover säger att deras eBPF-baserade tillvägagångssätt också kan inspektera API-begäran och svarsinnehåll, vilket hjälper team att upptäcka avvikelser eller känslig information som överförs till externa modellleverantörer.

”Vi är den enda plattformen som utnyttjar potentialen i eBPF med den outtömliga kraften i BYOC för observationsförmåga”, säger Shahar Azulay, VD och medgrundare av groundcover. ”På toppen av den unika arkitekturen har groundcover byggt Agent Mode, vår agentbaserade upplevelse som hjälper ingenjörer att identifiera, felsöka och åtgärda problem i produktion.”

Azulay sa att den nya kapitalen kommer att stödja företagets ansträngningar att förändra hur ingenjörer och agenter samarbetar i produktionsdrift.

Här är en mer neutral ersättningssektion:

Framtida implikationer

Tillväxten av AI-agenter kan förändra vad organisationer förväntar sig av observationsplattformar. Övervakningsverktyg har traditionellt hjälpt ingenjörer att undersöka incidenter efter att något har gått fel, men autonoma system kan kräva kontinuerlig åtkomst till detaljerad produktionsdata så att de kan identifiera problem, spåra beroenden och föreslå korrigerande åtgärder i realtid.

Detta skapar en spänning mellan synlighet, kostnad och kontroll. AI-applikationer kan generera stora mängder loggar, spår och mått, medan deras telemetri också kan innehålla känsliga prompter, modellutdata och kundinformation. Arkitekturer som håller data inom ett företags eget molnmiljö kan bli mer attraktiva, särskilt i reglerade branscher eller organisationer med stränga dataresidenskrav.

Den bredare frågan är om AI-agenter kan lita på att agera på observationsdata snarare än att bara sammanfatta det. Ofullständig telemetri, vilseledande korrelationer eller dåligt definierade behörigheter kan leda en automatiserad system att feldiagnosticera en incident eller göra en onödig ändring. Mänsklig tillsyn, revisionshistorik och tydliga gränser för autonoma åtgärder kommer att förbli viktiga när dessa funktioner mognar.

groundcovers finansiering speglar det växande intresset för den infrastruktur som behövs för att driva AI-system i stor skala. Den långsiktiga betydelsen kommer att bero mindre på om observationsplattformar kan lägga till konversationsgränssnitt och mer på om de kan tillhandahålla tillräckligt komplett, säker och tillförlitlig data för människor och automatiserade agenter att fatta sunda beslut i produktionsmiljöer.