InsightFinder 获得 1.5 亿美元 B 轮融资，致力于提高 AI 在生产环境中的可靠性

InsightFinder 已获得 1.5 亿美元 B 轮融资，由 Yu Galaxy 领投，这使得该公司的总融资金额达到 3.5 亿美元。这次融资的背景是该公司报告称其在企业客户中的牵引力正在加速，包括与财富 50 强企业签署的百万美元级别的交易，并反映出对能够使 AI 系统在部署到现实世界环境中后变得可靠的基础设施的需求日益增长。

从 AI 性能到 AI 可靠性的转变

随着企业将 AI 系统从受控环境转移到生产环境中，一个一致的模式正在出现：在测试中表现良好的系统在现实世界条件下经常会出现故障。问题不在于模型的能力，而在于上下文。大多数 AI 系统缺乏对其运行的特定业务环境的深入理解。

InsightFinder 致力于弥合这一差距。其平台的构建理念是，AI 的可靠性不仅仅是关于监控诸如延迟或错误率等指标，而是关于理解在特定的业务工作流中什么是“正常”的。这包括从支付系统和物流管道到客户支持运营的所有内容。

将可观察性扩展到 AI 系统

最初为处理复杂的 IT 运营而构建，InsightFinder 的核心技术专注于检测异常、识别根因并在分布式系统中预测故障。同样的基本方法现在被应用于 AI 系统，特别是那些涉及大型语言模型和基于代理的工作流的系统。

与传统的可观察性工具不同，InsightFinder 的平台分析多源、多模式数据以诊断 AI 系统为什么会表现出意外行为。这包括识别模型漂移、跟踪代理工作流中的故障以及表面化不触发明显警报的问题。

为 AI 系统构建闭环反馈循环

InsightFinder 方法的一个核心主题是将生产环境中的事件与开发过程连接起来。许多 AI 工具专注于测试期间的评估或生产环境中的监控，但很少有工具能够将两者以连续循环的方式连接起来。

InsightFinder 的平台引入了旨在关闭该循环的功能：

• 用于评估不同数据集、模型和成本指标的性能比较工具
• 用于评估器的特定领域小型语言模型（SLM），了解业务特定质量标准
• 使用生产故障来改进模型性能的自动微调管道
• 用于重构复杂工作流中执行路径的多代理跟踪

这些功能共同旨在将生产数据转化为可持续改进 AI 系统的可行见解。

为什么通用 AI 在企业环境中效果不佳

InsightFinder 解决的一个核心挑战是通用目的 AI 模型与特定领域需求之间的不匹配。基础模型是在广泛的数据集上训练的，擅长模式识别，但缺乏对行业特定细微差别的理解。

这会产生一层风险，通常被低估。在医疗保健、金融和物流等行业，小的偏差可能会产生巨大的后果。InsightFinder 的方法是将领域意识嵌入到评估和监控过程中，允许系统根据业务特定标准而不是通用基准来判断。

围绕实施而非软件的服务模型

InsightFinder 的另一个独特方面是其平台的交付方式。与传统的 SaaS 模型不同，客户被留下独立配置工具，InsightFinder 与组织密切合作，以将系统定制到他们的环境中。

这包括将平台与内部工作流对齐，定义评估标准，并集成特定领域逻辑。目标是确保系统生成的见解在每个组织运营的背景下都是可行的。

新融资将部分用于扩大这一面向客户的能力，特别是在企业销售和客户成功功能方面。

更大的图景：AI 作为关键基础设施

InsightFinder 融资的时机凸显了人们对 AI 的看法发生了更广泛的转变。随着 AI 系统被嵌入到医院、金融系统和供应链等关键基础设施中，可靠性不再仅仅是一个技术问题，而是一个社会问题。

这里出现的概念是，AI 系统需要类似于“免疫系统”的东西，可以实时检测、诊断和响应故障。这是 InsightFinder 正在尝试构建的层次。

与其专注于使模型更加强大，InsightFinder 正在解决一个不同的问题：使它们可靠。随着 AI 的采用加速，这种区别可能会变得越来越重要。