Prevalent AI ระดมทุน $22 ล้านเพื่อขยายบริบทเชื่อถือได้สำหรับระบบ AI ขององค์กร

Prevalent AI ได้ระดมทุน $22 ล้านในเงินทุนการเติบโต จาก Integrity Growth Partners (IGP) ซึ่งเป็นการลงทุนภายนอกหลักครั้งแรกในประวัติศาสตร์เก้าปีของบริษัทที่ตั้งอยู่ในลอนดอน เงินทุนนี้มาถึงในขณะที่องค์กรต่าง ๆ เผชิญกับปัญหาเพิ่มขึ้นพร้อมกับการนำปัญญาประดิษฐ์มาใช้เร็วขึ้น: ระบบ AI อาจมีความสามารถมากขึ้น แต่การตัดสินใจของพวกมันเชื่อถือได้เท่ากับข้อมูลและบริบทขององค์กรที่มีให้เท่านั้น

ก่อตั้งในปี 2017 Prevalent AI ยังคงดำเนินการแบบบูตสแตรปและตามที่บริษัทระบุ มีความมีกำไรตั้งแต่ได้ลูกค้ารายแรก บริษัทกล่าวว่ารายได้ประจำปีที่เกิดซ้ำได้เพิ่มขึ้นมากกว่าสองเท่าในปีที่ผ่านมา เงินทุนใหม่จะถูกใช้เพื่อขยายองค์กรการขายระดับโลก เร่งการเข้าสู่สหรัฐอเมริกา เสริมทีมผู้บริหาร และขยายเทคโนโลยีที่พัฒนามาเพื่อความปลอดภัยไซเบอร์ให้ครอบคลุมความเสี่ยงระดับองค์กรและการใช้งาน AI ที่กว้างขวางยิ่งขึ้น

การระดมทุนภายนอกครั้งแรกหลังจากเก้าปี

การระดมทุนนี้น่าสนใจส่วนหนึ่งเพราะ Prevalent AI เลือกเส้นทางที่ค่อนข้างแปลกผ่านตลาดความปลอดภัยไซเบอร์ แทนที่จะพึ่งพาการระดมทุนรอบหลายรอบเพื่อสนับสนุนการเติบโต บริษัทใช้เวลาประมาณทศวรรษในการสร้างรายได้จากลูกค้าองค์กรขนาดใหญ่ก่อนที่จะรับเงินทุนสถาบันหลักเป็นครั้งแรก

Prevalent AI ก่อตั้งโดย CEO Paul Stokes และ COO Arun Raj มีรากฐานมาจากชุมชนข่าวกรองของสหราชอาณาจักร บริษัทระบุว่าทีมผู้ก่อตั้งรวมถึงศิษย์เก่าของ Government Communications Headquarters (GCHQ) ซึ่งประสบการณ์นี้ช่วยกำหนดโฟกัสในการเชื่อมต่อข้อมูลที่กระจัดกระจายในสภาพแวดล้อมที่ข้อมูลไม่ครบหรือไม่ถูกต้องอาจทำให้เกิดผลกระทบต่อการดำเนินงานอย่างสำคัญ

ISTARI ซึ่งได้รับการสนับสนุนจากบริษัทลงทุนของสิงคโปร์ Temasek ได้เป็นผู้ถือหุ้นส่วนน้อยในปี 2021 ผ่านการทำธุรกรรมรอง แต่การลงทุนใหม่จาก IGP นี้เป็นการระดมทุนหลักครั้งแรกที่เข้าตรงสู่บริษัท

การแปลงข้อมูลองค์กรที่กระจัดกระจายให้เป็นบริบท

ปัญหาหลักที่ Prevalent AI พยายามแก้ไม่ใช่การขาดแคลนข้อมูลองค์กร แต่คือข้อมูลที่จำเป็นต่อการตัดสินใจมักกระจายอยู่ในหลายสิบหรือหลายร้อยระบบที่อธิบายองค์กรเดียวกันในรูปแบบที่แตกต่างกัน

ตัวอย่างเช่น ทีมความปลอดภัยอาจพึ่งพาตัวสแกนช่องโหว่ แพลตฟอร์มอุปกรณ์ปลาย ระบบยืนยันตัวตน โครงสร้างคลาวด์ ฐานข้อมูลการจัดการการกำหนดค่า ซอฟต์แวร์ตั๋วและเครื่องมือการดำเนินงาน แต่ละระบบมีส่วนของภาพรวมพร้อมกับบันทึกที่ซ้ำกัน ตัวระบุที่ขัดแย้ง และความสัมพันธ์ที่ไม่สมบูรณ์ระหว่างทรัพย์สิน

Security Data Fabric ของ Prevalent AI ถูกออกแบบให้ดึงข้อมูลจากระบบต่าง ๆ เหล่านี้ ปรับรูปแบบให้เป็นมาตรฐาน แก้ความไม่สอดคล้องและทำแผนที่ความสัมพันธ์ระหว่างทรัพย์สิน ตัวตน ช่องโหว่ แอปพลิเคชัน การควบคุมและข้อมูลการดำเนินงานอื่น ๆ ข้อมูลที่ได้จะถูกเก็บเป็นกราฟความรู้ที่อัปเดตอย่างต่อเนื่อง แทนที่จะเป็นฐานข้อมูลความปลอดภัยที่แยกจากกัน

ความแตกต่างนี้จะมีความสำคัญมากขึ้นเมื่อเอเย่นต์ AI เข้ามาเกี่ยวข้อง คนอาจมองเห็นว่าบันทึกสองรายการที่แตกต่างเล็กน้อยอ้างอิงถึงเซิร์ฟเวอร์ พนักงาน หรือแอปพลิเคชันเดียวกันได้ แต่เอเย่นต์อัตโนมัติที่ทำการตัดสินใจด้วยความเร็วของเครื่องต้องการความสัมพันธ์เหล่านั้นถูกกำหนดไว้อย่างเชื่อถือได้ล่วงหน้า

เทคโนโลยีของ Prevalent AI ทำงานอย่างไร

ที่ชั้นการบูรณาการ Prevalent AI ใช้ DataBridge เพื่อเชื่อมต่อระบบคลาวด์ SaaS ระบบภายในองค์กรและระบบการดำเนินงาน แพลตฟอร์มจะนำการแก้ไขเอนทิตี้มาใช้เพื่อประสานบันทึกและสร้างการแสดงผลที่เป็นเอกภาพของสภาพแวดล้อมองค์กร

กราฟความรู้เพิ่มชั้นอีกหนึ่งโดยเชื่อมโยงเอนทิตี้เหล่านั้นผ่านความสัมพันธ์ของพวกมัน ตัวอย่างเช่น แทนที่จะถือช่องโหว่ว่าเป็นรายการแยก ระบบสามารถเชื่อมโยงช่องโหว่กับทรัพย์สินที่ได้รับผลกระทบ ความสำคัญทางธุรกิจของทรัพย์สิน เจ้าของ ตัวตนที่เกี่ยวข้อง การควบคุมความปลอดภัยที่มีอยู่และข้อมูลภัยคุกคามที่เกี่ยวข้อง

เครื่องมือจัดการการเปิดเผยของ Prevalent ใช้บริบทนี้เพื่อระบุว่าความเสี่ยงกระจุกอยู่ที่ใดและจัดลำดับความสำคัญของการแก้ไข แพลตฟอร์มยังสามารถเชื่อมโยงผลการค้นพบข้ามเครื่องมือเพื่อลดบันทึกช่องโหว่ที่ซ้ำซ้อนและเฝ้าติดตามการเปลี่ยนแปลงของทรัพย์สิน ตัวตนและโครงสร้างพื้นฐานอย่างต่อเนื่อง

AI สร้างสรรค์ถูกเพิ่มไว้บนพื้นฐานที่มีโครงสร้างนี้ แทนที่จะให้ AI ตีความข้อมูลองค์กรดิบโดยอิสระ เครื่องมือ Navigator ของ Prevalent ให้ผู้ใช้สอบถามข้อมูลที่เก็บอยู่ในกราฟความรู้ผ่านอินเทอร์เฟซ AI สร้างสรรค์

บริษัทยังให้บริการ DataForge ซึ่งสร้างชุดข้อมูลสังเคราะห์ที่ซิงโครไนซ์สำหรับการพัฒนา AI การทดสอบโมเดลและการประกันคุณภาพโดยไม่ต้องเปิดเผยข้อมูลการผลิตที่ละเอียดอ่อนระหว่างการทดลอง

ก้าวไกลเกินความปลอดภัยไซเบอร์

ความปลอดภัยไซเบอร์เป็นจุดเริ่มต้นที่ธรรมชาติ เนื่องจากข้อมูลที่ไม่ครบถ้วนสามารถส่งผลต่อการตัดสินใจเกี่ยวกับช่องโหว่ ตัวตน เหตุการณ์และการควบคุมได้ทันที แต่ Prevalent AI เริ่มมองว่าเทคโนโลยีพื้นฐานของตนเป็นโครงสร้างพื้นฐานระดับองค์กร มากกว่าผลิตภัณฑ์เฉพาะด้านความปลอดภัย

บริษัทระบุว่าลูกค้าได้ขยายฐานข้อมูลเดียวกันไปสู่พื้นที่ต่าง ๆ รวมถึงการวิเคราะห์อาชญากรรมทางการเงิน ปัญญาประดิษฐ์เชิงปฏิบัติการ การปฏิบัติตามกฎระเบียบ การอัตโนมัติและเวิร์กโฟลว์ที่ขับเคลื่อนด้วย AI โดยไม่ต้องสร้างสถาปัตยกรรมใหม่

โอกาสที่กว้างขวางนี้เป็นหนึ่งในเหตุผลหลักที่อยู่เบื้องหลังการระดมทุนใหม่

สำหรับเอเย่นต์ AI โดยเฉพาะ ความท้าทายกำลังเปลี่ยนจากการตรวจสอบว่าโมเดลมีความฉลาดพอที่จะทำงานหรือไม่ ไปสู่การตรวจสอบว่ามีการเข้าถึงข้อมูลที่แม่นยำเกี่ยวกับองค์กรที่ทำงานอยู่หรือไม่ เอเย่นต์อาจสามารถระบุช่องโหว่ความปลอดภัย ตรวจสอบบัญชีหรือเรียกใช้เวิร์กโฟลว์อัตโนมัติได้ แต่ประโยชน์ของมันจะลดลงอย่างรวดเร็วหากไม่สามารถกำหนดได้อย่างเชื่อถือได้ว่าระบบใดมีอยู่ เชื่อมต่ออย่างไร ใครเป็นเจ้าของ หรือนโยบายใดควบคุมการกระทำของมัน

Prevalent AI กำลังเดิมพันว่าบริบทขององค์กรจะกลายเป็นชั้นสำคัญของสแต็ก AI โดยเฉพาะสำหรับองค์กรที่คาดว่าเอเย่นต์จะทำการกระทำแทนการให้คำตอบเท่านั้น

ทำไม AI ระดับองค์กรจึงเพิ่มความสำคัญของการเดิมพัน

ช่วงเวลาการระดมทุนสะท้อนการเปลี่ยนแปลงที่กว้างขึ้นใน AI ระดับองค์กร องค์กรเริ่มย้ายจากผู้ช่วยแบบสแตนด์อโลนไปสู่เอเย่นต์ที่สามารถโต้ตอบกับโครงสร้างพื้นฐาน แอปพลิเคชันและกระบวนการธุรกิจได้

การเปลี่ยนแปลงนี้เพิ่มผลกระทบของข้อมูลพื้นฐานที่ไม่ดี

Prevalent AI อ้างว่าสถาปัตยกรรมอิสระของบริษัทมีความสำคัญโดยเฉพาะในสภาพแวดล้อมเหล่านี้ แพลตฟอร์มออกแบบให้ทำงานภายในโครงสร้างพื้นฐานที่ลูกค้าควบคุมไว้ ทำให้ข้อมูลองค์กรอยู่ภายใต้การควบคุมขององค์กรเอง แทนที่จะต้องพึ่งพากราฟความรู้การดำเนินงานที่ต้องอาศัยโครงสร้างพื้นฐานร่วมหรือผู้ให้บริการโมเดลเฉพาะเจาะจง

สำหรับภาคส่วนที่มีการควบคุมอย่างเข้มงวด สิ่งนี้อาจกลายเป็นปัจจัยสำคัญเมื่อบริษัททดลองให้ระบบ AI เข้าถึงข้อมูลภายในที่ละเอียดอ่อนและมีอำนาจมากขึ้นในการดำเนินการ

ทำไมบริบทที่เชื่อถือได้อาจกลายเป็นหัวใจสำคัญสำหรับ AI ระดับองค์กร

เมื่อระบบ AI ย้ายจากการให้คำแนะนำไปสู่การดำเนินการภายในธุรกิจ คุณภาพของข้อมูลที่ล้อมรอบระบบเหล่านั้นจะมีความสำคัญมากยิ่งขึ้น เอเย่นต์ที่รับผิดชอบการตรวจสอบเหตุการณ์ความปลอดภัย การอนุมัติเฟิร์กโฟลว์ หรือการตอบสนองต่อปัญหาการดำเนินงานต้องการมากกว่าการเข้าถึงฐานข้อมูลเดี่ยว ๆ ต้องการภาพรวมที่แม่นยำของวิธีที่ทรัพย์สิน ตัวตน แอปพลิเคชัน นโยบายและกระบวนการธุรกิจเชื่อมโยงกันอย่างไร

นี่สร้างความท้าทายด้านโครงสร้างพื้นฐานที่เพิ่มขึ้นสำหรับองค์กรหลายแห่งที่สะสมซอฟต์แวร์แพลตฟอร์มที่ไม่ต่อเนื่อง บันทึกที่ซ้ำซ้อนและการตั้งชื่อที่ไม่สอดคล้อง โมเดลภาษาใหญ่สามารถทำให้การสืบค้นข้อมูลง่ายขึ้น แต่ไม่สามารถแก้ความขัดแย้งหรือกำหนดแหล่งข้อมูลที่ควรเชื่อถือได้โดยอัตโนมัติ หากไม่มีชั้นบริบทที่เชื่อถือได้ AI ที่มีอิสระมากขึ้นอาจทำให้ปัญหาข้อมูลเดิมส่งผลต่อการตัดสินใจที่เร็วและกว้างขวางยิ่งขึ้น

กราฟความรู้และ Data Fabric จึงอาจกลายเป็นส่วนสำคัญของสถาปัตยกรรม AI ระดับองค์กรที่กำลังก้าวหน้า แทนที่จะทดแทนฐานข้อมูลหรือโมเดล AI ระบบเหล่านี้สามารถทำหน้าที่เป็นตัวกลางระหว่างกัน ปรับข้อมูลให้สอดคล้องอย่างต่อเนื่องและรักษาความสัมพันธ์ที่เอเย่นต์สามารถใช้เมื่อตัดสินใจว่าควรทำการกระทำใด

ผลกระทบนี้ยังขยายไปไกลเกินกว่าความปลอดภัยไซเบอร์ ปัญหาเดียวกันเกิดขึ้นในด้านการตรวจจับการฉ้อโกง การปฏิบัติตามกฎระเบียบ การจัดการห่วงโซ่อุปทาน การดำเนินงานไอทีและพื้นที่อื่น ๆ ที่การตัดสินใจพึ่งพาข้อมูลที่กระจายอยู่ในหลายระบบ เมื่อบริษัทนำเอเย่นต์ไปใช้ในฟังก์ชันเหล่านี้ การรักษาการแสดงผลที่สอดคล้องขององค์กรอาจกลายเป็นสิ่งจำเป็นมากขึ้น

สิ่งนี้อาจเปลี่ยนแปลงวิธีที่ องค์กรประเมินโครงสร้างพื้นฐาน AI โมเดลประสิทธิภาพยังคงสำคัญ แต่องค์กรอาจให้ความสำคัญมากขึ้นกับแหล่งกำเนิด ความสดใหม่และความสัมพันธ์ของข้อมูลที่ป้อนเข้าสู่โมเดลเหล่านั้น ในสภาพแวดล้อมนั้น ความได้เปรียบเชิงแข่งขันอาจไม่ได้มาจากการมีโมเดล AI ที่มีความสามารถมากกว่าเพียงอย่างเดียว แต่จากการให้โมเดลนั้นเข้าใจองค์กรที่ทำงานอยู่ได้อย่างแม่นยำยิ่งขึ้น