Euno ระดมทุน Series A จำนวน 23 ล้านดอลลาร์เพื่อสร้างชั้นบริบทสำหรับเอเจนต์ AI ระดับองค์กร

Euno ได้ระดมทุน Series A จำนวน 23 ล้านดอลลาร์เพื่อขยายแพลตฟอร์มบริบท AI ระดับองค์กรของตน เนื่องจากบริษัทต่าง ๆ กำลังเผชิญกับปัญหาที่โมเดลพื้นฐานที่ดียิ่งขึ้นอย่างเดียวไม่สามารถแก้ได้: การให้เอเจนต์ AI มีความรู้ขององค์กรเพียงพอเพื่อทำงานกับข้อมูลธุรกิจที่ซับซ้อนได้อย่างเชื่อถือได้.

รอบการระดมทุนนี้นำโดย N47 โดยมีการเข้าร่วมจากนักลงทุนเดิม 10D และกลุ่มผู้ก่อตั้งเทคโนโลยีและผู้บริหารที่รวมถึงผู้ร่วมก่อตั้ง Wiz Yinon Kostika, ผู้ร่วมก่อตั้งและซีอีโอของ Cyera Yotam Segev, ผู้ร่วมก่อตั้งและซีอีโอของ Eon Ofir Ehrlich, ผู้ก่อตั้ง Tavily Rotem Weiss, และอดีตซีอีโอและประธานของ Tableau Mark Nelson. การระดมทุนนี้ทำให้เงินทุนรวมของ Euno เพิ่มเป็น 29 ล้านดอลลาร์.

ก่อตั้งในปี 2023 โดย Sarah Levy และ Eyal Firstenberg, Euno มีแผนจะใช้เงินทุนใหม่ส่วนใหญ่เพื่อขยายการขายและการตลาดพร้อมเพิ่มการลงทุนในงานวิจัย AI. บริษัทซึ่งดำเนินการทั่วสหรัฐอเมริกาและอิสราเอลและมีพนักงานเกือบ 30 คน คาดว่าจะเพิ่มจำนวนพนักงานเป็นสองเท่าโดยสิ้นปี.

คอขวด AI ระดับองค์กรกำลังเปลี่ยนไปสู่บริบท

การพัฒนาที่รวดเร็วของโมเดลภาษาใหญ่ทำให้การนำเอเจนต์ AI ที่สามารถสอบถามฐานข้อมูล, สร้างการวิเคราะห์, เขียนโค้ด, และอัตโนมัติกระบวนการธุรกิจเป็นไปได้มากขึ้น อย่างไรก็ตามการเชื่อมต่อเอเจนต์กับระบบระดับองค์กรก่อให้เกิดความท้าทายอีกด้านหนึ่ง: การรู้ว่าข้อมูลใดเป็นข้อมูลที่เชื่อถือได้

องค์กรขนาดใหญ่อาจมีตาราง, แดชบอร์ด, ตัวชี้วัด, โมเดลข้อมูล, และคำนิยามที่แข่งขันกันหลายพันรายการสำหรับแนวคิดธุรกิจเดียวกัน ตัวอย่างเช่น เอเจนต์ AI ที่ถูกถามให้คำนวณรายได้ต้องการมากกว่าการเข้าถึงฐานข้อมูล มันต้องรู้ว่าตัวชี้วัดรายได้ใดได้รับการอนุมัติ, ตารางใดเป็นเวอร์ชันล่าสุด, วิธีการคำนวณตัวชี้วัด, แหล่งที่มาของข้อมูลเข้า, และผู้ใช้ที่ขอมีสิทธิ์เข้าถึงข้อมูลพื้นฐานหรือไม่

Euno กำลังพยายามแปลงความรู้เชิงสถาบันนั้นให้เป็นโครงสร้างพื้นฐานที่เครื่องจักรอ่านได้

แพลตฟอร์มของบริษัทจะสร้างกราฟบริบทแบบสดอย่างต่อเนื่องโดยรวมข้อมูลเช่น ต้นกำเนิดข้อมูล, การใช้งาน, ความเป็นเจ้าของ, ตรรกะธุรกิจ, สัญญาณสุขภาพ, และสถานะการกำกับดูแล แทนที่จะนำเสนอสินทรัพย์ทั้งหมดให้กับเอเจนต์ ระบบสามารถส่งมอบบริบทที่เกี่ยวข้องกับผู้ใช้ งาน และการตัดสินใจเฉพาะเจาะจงได้

ความแตกต่างนี้อาจมีความสำคัญยิ่งขึ้นเมื่อบริษัทเปลี่ยนจากระบบ AI ที่ตอบคำถามไปสู่เอเจนต์อิสระที่สามารถดำเนินการข้ามหลายระบบระดับองค์กรได้

“โมเดลยังคงดีขึ้นและราคาถูกลงเรื่อย ๆ แต่กำแพง AI ระยะยาวสำหรับองค์กรจะมาจากบันทึกที่สะสมของวิธีการทำงาน” Sarah Levy ผู้ร่วมก่อตั้งและซีอีโอของ Euno กล่าว.

การแปลงเมตาดาต้าให้เป็นโครงสร้างพื้นฐานสำหรับเอเจนต์ AI

เทคโนโลยีของ Euno สร้างบนเมตาดาต้า ซึ่งเป็นข้อมูลที่อธิบายว่าข้อมูลมาจากที่ไหน, ถูกแปลงอย่างไร, ใครใช้, และสินทรัพย์ต่าง ๆ เชื่อมโยงกันอย่างไร

แพลตฟอร์มทำการแมปต้นกำเนิดระดับคอลัมน์ข้ามคลังข้อมูล, ระบบวิเคราะห์, แดชบอร์ด, และตัวชี้วัด, จากนั้นรวมข้อมูลนั้นกับสัญญาณการใช้งานและการกำกับดูแล ระบบติดป้ายอัตโนมัติของมันสามารถจัดประเภทสินทรัพย์แบบไดนามิกเป็นคุณสมบัติเช่น “พร้อม AI”, “ปลอดข้อมูลส่วนบุคคล”, “สุขภาพดี”, หรือ “ได้รับการรับรอง” ตามกฎที่องค์กรกำหนด การจัดประเภทเหล่านี้จะอัปเดตเมื่อสภาพแวดล้อมข้อมูลพื้นฐานเปลี่ยนแปลง

Euno ยังให้เวิร์กโฟลว์ที่สามารถตอบสนองเมื่อเงื่อนไขเหล่านั้นเปลี่ยนแปลงได้ ตัวอย่างเช่น องค์กรสามารถระบุแดชบอร์ดที่ไม่ได้รับการรับรองซึ่งกะทันหันมีการใช้งานอย่างหนัก, ติดตามการกระจายของข้อมูลส่วนบุคคล (PII), ทำเครื่องหมายโมเดลที่ไม่มีเอกสาร, หรือแสดงตัวชี้วัดที่ไม่เป็นไปตามมาตรฐานคุณภาพภายในอีกต่อไป

บริษัทได้สร้าง Euno Query Language (EQL) ของตนเองสำหรับการนำทางความสัมพันธ์ภายในกราฟ Euno กล่าวว่า สถาปัตยกรรมแบบกราฟของมันทำให้เอเจนต์สามารถดึงเมตาดาต้าที่เชื่อมโยงกันได้ด้วยจำนวนคำสั่งน้อยลง ซึ่งอาจลดปริมาณข้อมูลบริบทที่ต้องส่งเข้าโมเดลได้

ที่สำคัญ แพลตฟอร์มนี้ถูกออกแบบให้ทำงานเคียงข้างโครงสร้างพื้นฐานข้อมูลระดับองค์กรที่มีอยู่แล้ว ไม่ได้แทนที่มัน Euno รองรับการรวมระบบที่ครอบคลุมคลังข้อมูลและแพลตฟอร์มต่าง ๆ เช่น Snowflake และ Databricks; เครื่องมือแปลงข้อมูลรวมถึง dbt; และแพลตฟอร์มธุรกิจอัจฉริยะเช่น Tableau, Looker, Power BI, ThoughtSpot, Sigma, และ Omni

การนำบริบทเข้าโดยตรงสู่ระบบ AI

ส่วนประกอบอื่นของกลยุทธ์ของ Euno คือการทำให้บริบทขององค์กรนี้เข้าถึงได้โดยตรงโดยเอเจนต์ AI ของบุคคลที่สาม

บริษัทดำเนินการเซิร์ฟเวอร์ Model Context Protocol (MCP) ที่เครื่องมือต่าง ๆ เช่น Claude, Cursor, Visual Studio Code Copilot และระบบที่เข้ากันได้อื่น ๆ สามารถสอบถามบริบทระดับองค์กรของ Euno ได้ เอเจนต์สามารถใช้เครื่องมือเหล่านั้นเพื่อค้นหาทรัพยากร, ตรวจสอบต้นกำเนิดต้นทาง, ทำการวิเคราะห์ผลกระทบ, ค้นหาเอกสาร, หรือสร้างและดำเนินการคำสั่ง EQL

Euno ยังได้บันทึกการรวมระบบกับระบบต่าง ๆ รวมถึง Snowflake Intelligence เพื่อแสดงให้เห็นว่าชั้นบริบทของมันสามารถทำหน้าที่เป็นตัวกลางระหว่างโมเดล AI ทั่วไปและสภาพแวดล้อมข้อมูลพื้นฐานขององค์กรได้อย่างมีประสิทธิภาพ

ตำแหน่งเชิงกลยุทธ์นี้สะท้อนการเปลี่ยนแปลงที่กว้างขึ้นใน AI ระดับองค์กร เมื่อการเข้าถึงโมเดลที่มีความสามารถกลายเป็นสินค้าเชิงพาณิชย์มากขึ้น ความแตกต่างอาจย้ายไปสู่ข้อมูลเชิงลิขสิทธิ์ที่ล้อมรอบโมเดลเหล่านั้น: กระบวนการองค์กร, สิทธิ์การเข้าถึง, ความสัมพันธ์, การตัดสินใจในอดีต, คำจำกัดความ, และข้อเสนอแนะจากกิจกรรมของเอเจนต์ก่อนหน้า

บริบทอาจกลายเป็นส่วนหนึ่งของกำแพง AI ระดับองค์กร

Euno โต้แย้งว่าบริบทที่สะสมนี้สามารถมีคุณค่ามากขึ้นตามกาลเวลา

เมื่อเอเจนต์ทำงานใดงานหนึ่ง ระบบสามารถบันทึกข้อมูลเกี่ยวกับวิธีที่ใช้บริบทและส่งสัญญาณเหล่านั้นกลับเข้าสู่ชั้นบริบทระดับองค์กร ทฤษฎีแล้ว นั่นสร้างวงจรป้อนกลับที่องค์กรค่อย ๆ สร้างการแสดงผลที่อ่านได้โดยเครื่องจักรซึ่งละเอียดขึ้นเกี่ยวกับวิธีการดำเนินธุรกิจของตน

สิ่งนี้ยังแก้ไขหนึ่งในความท้าทายหลักของการใช้งาน AI แบบเอเจนต์: การกำกับดูแล การให้เอเจนต์อิสระเข้าถึงระบบระดับองค์กรโดยไม่เข้าใจว่ามันสามารถดึงข้อมูลอะไรหรือควรตีความข้อมูลนั้นอย่างไร จะทำให้เกิดความเสี่ยงด้านการปฏิบัติงานและความปลอดภัย วิธีการของ Euno ผสานการดึงข้อมูลบริบทกับการกำกับดูแลที่รับรู้บทบาทเพื่อให้เอเจนต์ได้รับข้อมูลที่เหมาะสมกับงานและสิทธิ์ของมัน แทนการเข้าถึงโดยไม่มีข้อจำกัดต่อสภาพแวดล้อมทั้งหมด

บริษัทกล่าวว่าแพลตฟอร์มของมันอ่านเมตาดาต้าระดับองค์กรแทนข้อมูลธุรกิจพื้นฐานเอง ซึ่งเป็นความแตกต่างทางสถาปัตยกรรมที่มุ่งลดการเปิดเผยข้อมูลในขณะที่ยังคงให้ระบบสามารถแมปความสัมพันธ์และมอบบริบทการปฏิบัติงานให้กับเอเจนต์ได้

Euno กำลังทำงานกับลูกค้าองค์กรแล้วรวมถึง AlphaSense และ Zayo Group ในขณะที่เว็บไซต์ของบริษัทยังบันทึกการใช้งานที่เกี่ยวข้องกับบริษัทเช่น Bolt

สำหรับอุตสาหกรรม AI โดยรวม ความสำคัญของ Euno Series A เกินกว่าการระดมทุนโครงสร้างพื้นฐานระดับองค์กรครั้งหนึ่ง โมเดลพื้นฐานกำลังพัฒนาอย่างรวดเร็วและกลายเป็นที่สามารถแทนกันได้มากขึ้นสำหรับงานหลายประเภท หากแนวโน้มนี้ดำเนินต่อไป หนึ่งในปัญหาที่ท้าทายที่สุดจะเป็นการให้โมเดลเหล่านั้นมีความเข้าใจที่เชื่อถือได้เกี่ยวกับองค์กรที่พวกมันทำงานอยู่

สิ่งนั้นอาจทำให้โครงสร้างพื้นฐานของบริบท, แทนที่จะเป็นโมเดลพื้นฐานเอง, กลายเป็นหนึ่งในชั้นที่มีผลสำคัญที่สุดของสแตก AI ระดับองค์กรที่กำลังกำเนิดขึ้น.