groundcover เพิ่มทุน 100 ล้านเหรียญสหรัฐฯ ใน Series C เพื่อขยายแพลตฟอร์ม Observability ในยุค AI

บริษัท Cloud Observability groundcover ได้ระดมทุน 100 ล้านเหรียญสหรัฐฯ ใน Series C เพื่อขยายแพลตฟอร์มที่ช่วยให้ทีมวิศวกรและเอเย่นต์ AI เข้าใจสภาพแวดล้อมการผลิตที่ซับซ้อนมากขึ้น

รอบการระดมทุนนี้นำโดย One Peak โดยมีการเข้าร่วมจาก Morgan Stanley (MS ) Expansion Capital และนักลงทุนรายเดิม Zeev Ventures, Angular Ventures, Heavybit และ Jibe ทำให้ยอดเงินทุนทั้งหมดของ groundcover สูงถึง 160 ล้านเหรียญสหรัฐฯ

การระดมทุนครั้งนี้เกิดขึ้นหลังจากที่บริษัทระบุว่ารายได้ประจำปีเพิ่มขึ้นสามเท่า จำนวนพนักงานทั่วโลกเพิ่มขึ้นสองเท่า และมีลูกค้ามากกว่า 250 ราย ลูกค้าของ groundcover ตอนนี้มีตั้งแต่สตาร์ทอัพในระยะเริ่มต้นไปจนถึงองค์กร Fortune 5 และบริษัทยังรายงานว่าได้เซ็นสัญญาหลายสัญญามูลค่าเจ็ดหลักในช่วง 12 เดือนที่ผ่านมา

Observability Faces an AI-Driven Data Problem

แพลตฟอร์ม Observability รวบรวมและวิเคราะห์สัญญาณ เช่น ล็อก, เมตริก และแทรคเพื่อช่วยให้ทีมวิศวกรเข้าใจว่าแอปพลิเคชันและโครงสร้างพื้นฐานทำงานอย่างไรใน生产

งานนี้ยากขึ้นเมื่อระบบ Cloud-Native ขยายและบริษัทต่างๆ นำโมเดลภาษาขนาดใหญ่ เอเย่นต์ tự động และแอปพลิเคชันที่เชื่อมต่อกันมากขึ้น แอปพลิเคชัน AI สามารถสร้างเทเลเมทรีได้ตลอดเวลา รวมถึงคำสั่งป้อนข้อมูล, การตอบสนองของโมเดล, การเรียกใช้เครื่องมือ, ฐานข้อมูล, API และโครงสร้างพื้นฐานที่รองรับการโต้ตอบแต่ละครั้ง

การมองเห็นที่ดีขึ้นสามารถช่วยให้วิศวกรระบุความผิดปกติ, การเสื่อมสภาพของประสิทธิภาพ, การเรียกใช้เครื่องมือที่ล้มเหลว และความเสี่ยงด้านความปลอดภัย อย่างไรก็ตาม การรวบรวมข้อมูลนี้สามารถเพิ่มปริมาณและความละเอียดอ่อนของข้อมูลที่ไหลเข้าสู่ระบบ Observability ได้อย่างมาก

แพลตฟอร์มแบบดั้งเดิมมักจะจัดการค่าใช้จ่ายเหล่านี้โดยการแซม플หรือกรองเทเลเมทรี ซึ่งสามารถทำให้ข้อมูลพื้นฐานจัดการได้ง่ายขึ้น แต่อาจลบข้อมูลที่แม่นยำที่จำเป็นในการสร้างเหตุการณ์ขึ้นมาใหม่ได้ ความจำกัดนี้มีความสำคัญอย่างยิ่งเมื่อเอเย่นต์ AI คาดหวังให้สอบสวนปัญหาหรือแนะนำการเปลี่ยนแปลงโดยไม่มีการกำกับดูแลของมนุษย์อย่างต่อเนื่อง

groundcover จัดตำแหน่งสถาปัตยกรรมของตนเองเป็นทางเลือกแทนแบบจำลองนี้ โดยรวมการรวบรวมข้อมูลระดับเคอร์เนลกับการจัดเก็บข้อมูลภายในสภาพแวดล้อมคลาวด์ของลูกค้า

How groundcover’s BYOC Architecture Works

ที่ศูนย์กลางของแพลตฟอร์มนี้คือสถาปัตยกรรม Bring-Your-Own-Cloud หรือ BYOC แทนที่จะถ่ายโอนข้อมูล Observability ทั้งหมดไปยังสภาพแวดล้อม Software-as-a-Service ของผู้ให้บริการ groundcover ติดตั้งพื้นผิวข้อมูลภายในบัญชีที่แยกออกมาของลูกค้าในคลาวด์

ล็อก, เมตริกโครงสร้างพื้นฐาน, เมตริกแบบกำหนดเอง, แทรค และเหตุการณ์ Kubernetes สามารถอยู่ภายในโครงสร้างพื้นฐานของลูกค้าได้ พื้นผิวควบคุมแยกออกมาจากพื้นผิวข้อมูลและจัดการแพลตฟอร์ม แต่แยกออกจากงานโหลดการผลิตและเทเลเมทรีที่ระดับเครือข่ายตามเอกสารทางเทคนิคของ groundcover

การเตรียมการนี้มีจุดมุ่งหมายเพื่อให้ลูกค้ามีประสบการณ์ใช้งานซอฟต์แวร์ที่จัดการได้ ในขณะเดียวกันก็รักษาการควบคุมข้อมูลที่พักผ่อน, ความเป็นส่วนตัว และความปลอดภัยให้มากขึ้น ซึ่งอาจมีความเกี่ยวข้องอย่างยิ่งสำหรับงานโหลด AI โดยที่บันทึก Observability อาจรวมถึงคำสั่งป้อนข้อมูล, การตอบสนองของโมเดล, ข้อโต้แย้งเครื่องมือ, ข้อมูลผู้ใช้ หรือองค์ประกอบของกระบวนการให้เหตุผลของเอเย่นต์

บริษัทยังรองรับการใช้งานแบบ on-premises และ air-gapped สำหรับองค์กรที่มีข้อกำหนดการแยกออกมาอย่างเข้มงวด

Combining eBPF and OpenTelemetry

groundcover รวบรวมเทเลเมทรีจำนวนมากผ่าน eBPF หรือ Extended Berkeley Packet Filter เทคโนโลยีนี้ช่วยให้โปรแกรมสามารถสังเกตกิจกรรมภายในเคอร์เนล Linux ได้ ทำให้ระบบตรวจสอบมองเห็นการสื่อสารเครือข่าย, กระบวนการแอปพลิเคชัน และการใช้ทรัพยากรโดยไม่ต้องให้นักพัฒนาต้องติดตั้งการตรวจสอบให้กับบริการทุกอย่าง

บริษัทระบุว่าเซ็นเซอร์ eBPF ที่ปรับให้เหมาะสมสามารถใช้งานได้โดยไม่ต้องมีการเปลี่ยนแปลงโค้ดและใช้ในการจับเทเลเมทรีของแอปพลิเคชันและโครงสร้างพื้นฐานทั่วสภาพแวดล้อม Kubernetes

สิ่งนี้ไม่ได้หมายความว่า groundcover จะแทนที่มาตรฐานการตรวจสอบที่กำหนดไว้แล้ว แพลตฟอร์มยังรวมกับ OpenTelemetry ซึ่งเป็นเฟรมเวิร์กโอเพ่นซอร์สที่ให้ API, ซอฟต์แวร์เดเวลอปเมนต์คิต และเครื่องมือสำหรับการสร้าง, ประมวลผล และส่งออกเทเลเมทรี

การผสมผสานนี้ทำให้องค์กรมีแหล่งข้อมูลที่เสริมกันสองแหล่ง eBPF สามารถจับกิจกรรมที่ระดับโครงสร้างพื้นฐานและเครือข่ายได้โดยอัตโนมัติ ในขณะที่ OpenTelemetry สามารถจัดหาข้อมูลเฉพาะของแอปพลิเคชันที่นักพัฒนาบวกเข้าไปโดยเจตนา

groundcover รวมแทรค, เมตริก, ล็อก และเหตุการณ์ Kubernetes เข้าด้วยกันในอินเทอร์เฟซที่รวมกัน พอร์ตโฟลิโอของผลิตภัณฑ์ยังครอบคลุมการตรวจสอบประสิทธิภาพของแอปพลิเคชัน, การตรวจสอบโครงสร้างพื้นฐาน, การจัดการล็อก, การตรวจสอบผู้ใช้จริง และการตรวจสอบสำหรับแอปพลิเคชันโมเดลภาษาขนาดใหญ่

Expanding Observability for AI Agents

ความทะเยอทะยานของบริษัทขยายไปไกลกว่าการจัดหาดัชบอร์ดสำหรับผู้ดำเนินการคน ความสามารถ Agent Mode ของ groundcover ได้รับการออกแบบมาเพื่อช่วยให้วิศวกรสอบสวนเหตุการณ์, วิเคราะห์สาเหตุของปัญหา และระบุวิธีการแก้ไขที่เป็นไปได้โดยใช้เทเลเมทรีที่มีอยู่ภายในแพลตฟอร์ม

แทนที่จะวางชैटบอททั่วไปไว้บนชุดล็อก, groundcover ระบุว่าได้สร้าง API ภายในใหม่โดยรอบภาษาควอรี่ที่เรียกว่า GCQL การดำเนินการของเอเย่นต์สามารถตรวจสอบได้ และผลลัพธ์สามารถแปลงเป็นสินทรัพย์ของ groundcover ที่วิศวกรสามารถใช้งานได้อย่างอิสระ

บริษัทยังได้แนะนำการสนับสนุน Model Context Protocol ซึ่งช่วยให้นักพัฒนานำเทเลเมทรีจาก生产เข้าสู่เอเย่นต์ AI และสภาพแวดล้อมพัฒนาที่เข้ากันได้ เครื่องมือการตรวจสอบ AI ของ groundcover มีจุดมุ่งหมายเพื่อจับบริบทการดำเนินการโดยรวมของคำขอโมเดล รวมถึงคำสั่งป้อนข้อมูล, การตอบสนอง, การใช้เครื่องมือ และประวัติการทำงาน

สิ่งนี้อาจช่วยให้ทีมตัดสินได้ว่าปัญหาเกิดขึ้นจากโมเดลเอง, API ภายนอก, ระบบการดึงข้อมูล, ข้อจำกัดของโครงสร้างพื้นฐาน หรือลำดับการดำเนินการของเอเย่นต์ groundcover ระบุว่าแนวทางที่ใช้ eBPF สามารถตรวจสอบเนื้อหาของคำขอและคำตอบ API ได้ ช่วยให้ทีมตรวจจับข้อผิดปกติหรือข้อมูลที่ละเอียดอ่อนที่ถูกส่งไปยังผู้ให้บริการโมเดลภายนอก

“เราเป็นแพลตฟอร์มเดียวที่สามารถใช้ศักยภาพของ eBPF ร่วมกับ BYOC ที่ไม่มีใครเทียบได้สำหรับการตรวจสอบ”, Shahar Azulay, CEO และผู้ร่วมก่อตั้ง groundcover กล่าว “บนจุดแข็งของสถาปัตยกรรมที่ไม่เหมือนใครนี้, groundcover ได้สร้าง Agent Mode ซึ่งเป็นประสบการณ์แบบเอเย่นต์ที่ช่วยให้วิศวกรระบุ, สอบสวน และแก้ไขปัญหาใน生产”

Azulay กล่าวว่าทุนใหม่จะสนับสนุนความพยายามของบริษัทในการเปลี่ยนแปลงวิธีการทำงานร่วมกันระหว่างวิศวกรและเอเย่นต์ในการดำเนินงานการผลิต

Future Implications

การเติบโตของเอเย่นต์ AI อาจเปลี่ยนความคาดหวังขององค์กรต่อแพลตฟอร์ม Observability เครื่องมือตรวจสอบแบบดั้งเดิมช่วยให้วิศวกรสอบสวนเหตุการณ์หลังจากที่บางสิ่งผิดพลาด แต่ระบบอัตโนมัติอาจต้องการการเข้าถึงข้อมูลการผลิตที่มีรายละเอียดอย่างต่อเนื่องเพื่อระบุปัญหา, ตรวจสอบความสัมพันธ์ และแนะนำการดำเนินการแก้ไขในเวลาจริง

สิ่งนี้สร้างความตึงเครียดระหว่างการมองเห็น, ค่าใช้จ่าย และการควบคุม แอปพลิเคชัน AI สามารถสร้างปริมาณล็อก, แทรค และเมตริกที่มาก และเทเลเมทรีของพวกมันอาจมีข้อมูลที่ละเอียดอ่อน เช่น คำสั่งป้อนข้อมูล, การตอบสนองของโมเดล และข้อมูลลูกค้า สถาปัตยกรรมที่เก็บข้อมูลภายในสภาพแวดล้อมคลาวด์ของบริษัทจึงอาจมีความน่าสนใจมากขึ้น โดยเฉพาะอย่างยิ่งในอุตสาหกรรมที่มีการควบคุมหรือองค์กรที่มีข้อกำหนดการควบคุมข้อมูลที่เข้มงวด

คำถามที่กว้างขึ้นคือว่าเอเย่นต์ AI สามารถเชื่อถือได้ในการดำเนินการตามข้อมูลการตรวจสอบแทนที่จะสรุปมันเท่านั้น เทเลเมทรีที่ไม่สมบูรณ์, สหสัมพันธ์ที่ทำให้เข้าใจผิด หรือการอนุญาตที่ไม่ได้กำหนดไว้อย่างชัดเจนอาจทำให้ระบบอัตโนมัติเข้าใจผิดหรือดำเนินการเปลี่ยนแปลงที่ไม่จำเป็น การกำกับดูแลของมนุษย์, การติดตามการตรวจสอบ และขอบเขตที่ชัดเจนสำหรับการดำเนินการอัตโนมัติจะยังคงมีความสำคัญเมื่อความสามารถเหล่านี้เติบโต

การระดมทุนของ groundcover สะท้อนถึงความสนใจที่เพิ่มขึ้นในโครงสร้างพื้นฐานที่จำเป็นในการดำเนินงานระบบ AI ในระดับใหญ่ ความสำคัญในระยะยาวจะขึ้นอยู่น้อยลงกับว่าแพลตฟอร์มการตรวจสอบสามารถเพิ่มการโต้ตอบแบบสนทนาได้หรือไม่ และขึ้นอยู่มากกว่ากับว่าพวกเขาสามารถจัดหาข้อมูลที่สมบูรณ์, มั่นคง และเชื่อถือได้สำหรับมนุษย์และเอเย่นต์อัตโนมัติในการตัดสินใจที่ถูกต้องในสภาพแวดล้อมการผลิต