InsightFinder tar in 15 miljoner dollar i serie B-finansiering ledd av Yu Galaxy för att tackla AI-tillförlitlighet i produktion

InsightFinder har tagit in 15 miljoner dollar i serie B-finansiering ledd av Yu Galaxy, vilket bringar det totala finansieringsbeloppet till 35 miljoner dollar. Finansieringsrundan kommer när företaget rapporterar om en accelererande företagsutveckling, inklusive miljonaffärer med Fortune 50-organisationer, och speglar den växande efterfrågan på infrastruktur som kan göra AI-system tillförlitliga när de distribueras i verkliga miljöer.

Övergången från AI-prestation till AI-tillförlitlighet

När företag flyttar AI-system från kontrollerade miljöer till produktion uppstår ett konsekvent mönster: system som fungerar bra i testning bryter ofta samman under verkliga förhållanden. Problemet är inte modellens förmåga, utan kontext. De flesta AI-system saknar en djup förståelse för de specifika affärsmiljöer de verkar inom.

InsightFinder fokuserar på att stänga denna klyfta. Dess plattform byggs kring idén att tillförlitlighet i AI inte bara handlar om att övervaka mått som latens eller felrater, utan om att förstå vad “normalt” ser ut i en specifik affärsprocess. Detta inkluderar allt från betalningssystem och logistikpipelines till kundsupportoperationer.

Utöka övervakbarhet till AI-system

Till en början byggd för att hantera komplexa IT-operationer, InsightFinders kärnteknologi kretsar kring att upptäcka avvikelser, identifiera rotorsaker och förutsäga fel i distribuerade system. Samma underliggande tillvägagångssätt tillämpas nu på AI-system, särskilt de som involverar stora språkmodeller och agentbaserade arbetsflöden.

Till skillnad från traditionella övervakningsverktyg som fokuserar på infrastruktur, analyserar InsightFinders plattform multi-käll-, multi-modal data för att diagnostisera varför AI-system beter sig oväntat. Detta inkluderar att identifiera modellglidning, spåra fel över agentarbetsflöden och bringa fram problem som inte utlöser uppenbara varningar.

Bygga en sluten återkopplingsloop för AI-system

En central tematisk för InsightFinders tillvägagångssätt är behovet av att koppla vad som händer i produktion tillbaka till utveckling. Många AI-verktyg fokuserar på utvärdering under testning eller övervakning i produktion, men få kopplar de två i en kontinuerlig loop.

InsightFinders plattform introducerar funktioner som är utformade för att stänga denna loop:

• Jämförelseverktyg som utvärderar prestanda över datamängder, modeller och kostnadsmått
• Domänspecifika små språkmodeller (SLM) som används som utvärderare som förstår affärsspecifika kvalitetsstandarder
• Automatiserade finjusteringspipelines som använder produktionsfel för att förbättra modellprestanda
• Multi-agent-spårning som rekonstruerar exekveringsvägar över komplexa arbetsflöden

Tillsammans syftar dessa funktioner till att omvandla produktionsdata till handlingsbara insikter som kontinuerligt förbättrar AI-system.

Varför generisk AI inte räcker i företagsmiljöer

En av de centrala utmaningar som InsightFinder hanterar är missmatchningen mellan allmänna AI-modeller och domänspecifika krav. Grundläggande modeller tränas på breda datamängder och excellerar i mönsterigenkänning, men de saknar en förståelse för branschspecifika nyanser.

Detta skapar en risknivå som ofta underskattas. I sektorer som hälsovård, finans och logistik kan små avvikelser ha oproportionerliga konsekvenser. InsightFinders tillvägagångssätt är att införliva domänmedvetenhet i utvärderings- och övervakningsprocesser, vilket gör det möjligt för system att bedömas mot affärsspecifika kriterier snarare än generiska benchmarkvärden.

En tjänstmodell byggd kring implementering, inte bara programvara

En annan distinkt aspekt av InsightFinder är hur de levererar sin plattform. Istället för en traditionell SaaS-modell där kunderna lämnas att konfigurera verktygen oberoende, arbetar företaget nära med organisationer för att anpassa systemen till deras miljöer.

Detta inkluderar att anpassa plattformen till interna arbetsflöden, definiera utvärderingskriterier och integrera domänspecifik logik. Målet är att säkerställa att insikterna som genereras av systemet är handlingsbara inom ramen för varje organisations verksamhet.

Den nya finansieringen kommer att användas för att utöka denna kundorienterade kapacitet, särskilt över företagsförsäljning och kundframgångsfunktioner.

Den större bilden: AI som kritisk infrastruktur

Tidpunkten för InsightFinders finansiering belyser en bredare förändring i hur AI uppfattas. När AI-system integreras i kritisk infrastruktur som sjukhus, finansiella system och leverantörskedjor blir tillförlitlighet inte bara en teknisk fråga, utan en samhällelig.

Begreppet som växer fram här är att AI-system kräver något som liknar ett “immunsystem” som kan upptäcka, diagnostisera och svara på fel i realtid. Detta är den nivå som InsightFinder positionerar sig för att bygga.

Istället för att fokusera på att göra modellerna mer kraftfulla, riktar sig företaget mot ett annat problem: att göra dem tillförlitliga. När AI-antagandet accelererar, kommer den distinktionen sannolikt att bli allt viktigare.