InsightFinder зібрав $15 млн серії B під керівництвом Yu Galaxy для подолання надійності штучного інтелекту у виробництві

InsightFinder зібрав $15 млн серії B фінансування під керівництвом Yu Galaxy, що збільшує загальне фінансування до $35 млн. Цей раунд фінансування відбувається на тлі прискорення підприємства, включаючи угоди на мільйони доларів з організаціями Fortune 50, і відображає зростаючий попит на інфраструктуру, яка може зробити системи штучного інтелекту надійними після розгортання в реальних умовах.

Перехід від продуктивності штучного інтелекту до його надійності

Як підприємства виводять системи штучного інтелекту з контрольованих середовищ у виробництво, постійна закономірність виникає: системи, які працюють добре під час тестування, часто ламаються в реальних умовах. Проблема не в можливостях моделі, а в контексті. Більшість систем штучного інтелекту не мають глибокого розуміння конкретних бізнес-середовищ, в яких вони працюють.

InsightFinder зосереджений на ліквідації цього розриву. Його платформа побудована навколо ідеї, що надійність штучного інтелекту не тільки полягає в моніторингу метрик, таких як затримка або рівень помилок, а й у розумінні того, що таке “нормально” в конкретному бізнес-процесі. Це включає все, від систем оплати та логістичних трубопроводів до операцій з підтримкою клієнтів.

Розширення спостережуваності в системах штучного інтелекту

Спочатку побудована для обробки складних операцій з інформаційними технологіями, основна технологія InsightFinder центрується на виявленні аномалій, ідентифікації коренних причин та прогнозуванні збоїв у розподілених системах. Такий самий підхід тепер застосовується до систем штучного інтелекту, особливо тих, які включають великі мовні моделі та агентні робочі процеси.

На відміну від традиційних інструментів спостережуваності, які зосереджуються на інфраструктурі, платформа InsightFinder аналізує багатожерстові, багатомодальні дані для діагностики того, чому системи штучного інтелекту поводяться несподівано. Це включає ідентифікацію дрейфу моделі, відстеження збоїв у агентських робочих процесах та висвітлення питань, які не спрацьовують очевидні сигнали тривоги.

Створення закритого зворотного зв’язку для систем штучного інтелекту

Центральною темою підходу InsightFinder є необхідність зв’язати те, що відбувається у виробництві, з розробкою. Багато інструментів штучного інтелекту зосереджуються на оцінці під час тестування або моніторингу у виробництві, але мало з них пов’язують ці два етапи у безперервному циклі.

Платформа InsightFinder вводить можливості, призначені для закриття цього циклу:

• Інструменти порівняння запитів, які оцінюють продуктивність по різних наборах даних, моделям та метрикам вартості
• Домен-специфічні малих мовні моделі (SLM), використовувані як оцінювачі, які розуміють бізнес-специфічні стандарти якості
• Автоматичні канали тонкої настройки, які використовують збої у виробництві для покращення продуктивності моделі
• Мультіагентне відстеження, яке реконструює шляхи виконання у складних робочих процесах

Разом ці функції спрямовані на перетворення даних про виробництво у діючі інсайти, які безперервно покращують системи штучного інтелекту.

Чому загальні системи штучного інтелекту не відповідають вимогам підприємств

Однією з основних проблем, які вирішує InsightFinder, є розрив між загальними моделями штучного інтелекту та домен-специфічними вимогами. Основні моделі тренуються на широких наборах даних і добре працюють у розпізнаванні закономірностей, але їм бракує розуміння галузевих нюансів.

Це створює рівень ризику, який часто недооцінюється. У галузях, таких як охорона здоров’я, фінанси та логістика, навіть малі відхилення можуть мати великі наслідки. Підхід InsightFinder полягає у вкладенні галузі-специфічної осведомленості у процеси оцінки та моніторингу, дозволяючи системам оцінюватися за бізнес-специфічними критеріями, а не загальними бенчмарками.

Модель послуг, побудована навколо реалізації, а не тільки програмного забезпечення

Іншою відмінною рисою InsightFinder є те, як компанія доставляє свою платформу. Замість традиційної моделі SaaS, де клієнти залишаються самостійно конфігурувати інструменти, компанія працює у тісній співпраці з організаціями для адаптації систем до їхніх середовищ.

Це включає вирівнювання платформи з внутрішніми робочими процесами, визначення критеріїв оцінки та інтеграцію галузі-специфічної логіки. Метою є забезпечення того, щоб інсайти, згенеровані системою, були діючими у контексті операцій кожної організації.

Нове фінансування буде використано частково для розширення цієї клієнт-орієнтованої можливості, особливо у сфері продажів підприємств та функцій клієнтського успіху.

Більша картина: штучний інтелект як критична інфраструктура

Тимінг фінансування InsightFinder підкреслює ширший зсув у сприйнятті штучного інтелекту. Як системи штучного інтелекту стають частиною критичної інфраструктури, такої як лікарні, фінансові системи та ланцюги поставок, надійність стає менш технічною проблемою та більш соціальною.

Концепція, яка виникає тут, полягає у тому, що системи штучного інтелекту потребують щось на кшталт “імунної системи”, яка могла б виявляти, діагностувати та реагувати на збої у режимі реального часу. Це той шар, на якому позиціонує себе InsightFinder.

Замість того, щоб зосереджуватися на створенні більш потужних моделей, компанія націлена на іншу проблему: зробити їх надійними. Як прискорюється прийняття штучного інтелекту, ця відмінність, ймовірно, стане дедалі важливішою.