InsightFinder גייסה 15 מיליון דולר לניטור ותיקון תקלות בסוכני AI ארגוניים
החברה שפיתחה פלטפורמה לניטור תשתיות IT משיקה פתרון חדש למעקב אחר מודלי בינה מלאכותית בארגונים. בניגוד לפתרונות קיימים, המערכת מנתחת את כל המחסנית הטכנולוגית יחד - מודלים, נתונים ותשתית, כל זאת בכדי לזהות את המקור האמיתי לבעיות. הגיוס מגיע לאחר שהחברה זכתה בעסקה בשווי שבעה ספרות עם ארגון גלובלי תוך שלושה חודשים בלבד.
שוק הניטור הארגוני מתמודד עם אתגר חדש
ככל שיותר ארגונים משלבים מודלי בינה מלאכותית וסוכנים אוטונומיים בתהליכי העבודה שלהם, נוצרת בעיה חדשה: כיצד מזהים מתי משהו משתבש, ומה גורם לתקלה? InsightFinder, חברה שנוסדה ב-2016 על בסיס 15 שנות מחקר אקדמי, גייסה 15 מיליון דולר בסבב B בהובלת Yu Galaxy כדי לפתור בעיה זו, כפי שדווח ב-TechCrunch.
רוצה להישאר מעודכן ב-AI?
הירשם לדיוור השבועי שלנו וקבל עדכונים, המלצות על כלים, חדשות ודוחות מיוחדים
הלן גו, מייסדת החברה ומנכ"לית, הינה פרופסור למדעי המחשב באוניברסיטת צפון קרוליינה שעבדה בעבר ב-IBM וב-Google. לדבריה, הבעיה המרכזית שמתעוררת כיום אינה רק איתור תקלות במודלי AI, אלא הבנה כיצד כל המחסנית הטכנולוגית פועלת כאשר בינה מלאכותית היא חלק ממנה.
"כדי לאבחן בעיות במודלים אלה, צריך למעשה לנטר ולנתח את הנתונים, המודל והתשתית ביחד. זו לא תמיד בעיה במודל או בנתונים, אלא שילוב. לפעמים, זה פשוט נושא בתשתית שלכם", אמרה גו.
מקרה מעשי: כאשר Cache ישן משבש מודל
גו המחישה את האתגר בדוגמה ממשית: אחד מלקוחות החברה, חברת כרטיסי אשראי אמריקאית גדולה, זיהתה שמודל גילוי הונאות שלה חווה דריפט (סטייה מהביצועים הצפויים). מכיוון ש-InsightFinder ניטרה את כל התשתית של החברה, הצליחה לזהות שהדריפט נגרם בגלל Cache מיושן בחלק משרתי המערכת - בעיית תשתית שהייתה נראית כבעיית מודל.
זהו הבדל משמעותי מפתרונות ניטור AI מסורתיים, שמתמקדים בהערכת ביצועי LLM בשלבי הפיתוח והבדיקה. לפי גו, "פלטפורמת ניטור AI אמיתית צריכה לספק תמיכה במעגל משוב מקצה לקצה, המכסה את שלבי הפיתוח, ההערכה והייצור".
טכנולוגיה המבוססת על למידת מכונה לא מפוקחת
המוצר החדש של החברה, Autonomous Reliability Insights, משתמש בשילוב של למידת מכונה לא מפוקחת, מודלי שפה גדולים וקטנים קנייניים, AI חיזויי והסקה סיבתית. השכבה הבסיסית אגנוסטית לסוג הנתונים, מה שמאפשר למערכת לקלוט ולנתח זרמי נתונים שלמים, לאסוף אותות ולבצע קורלציה ביניהם כדי להגיע לגורם השורש לבעיה.
למרות שוק הניטור הצפוף, עם שחקנים כמו Grafana Labs, Fiddler, Datadog, Dynatrace, New Relic ו-BigPanda, גו אינה מודאגת. "אנחנו כמעט אף פעם לא מפסידים לקוחות למישהו אחר עד כה", היא טוענת. "זה עניין של תובנות. הבעיה היא שהרבה מדעני נתונים מבינים AI אבל לא מבינים מערכות, והרבה מפתחי SRE מבינים מערכות אבל לא AI".
צמיחה מרשימה ותיק לקוחות איכותי
כיום, רשימת הלקוחות של InsightFinder כוללת את UBS, NBCUniversal, Lenovo, Dell, Google Cloud ו-Comcast. גו מייחסת את ההצלחה ל-10 שנות עבודה על הבנת צרכי לקוחות ארגוניים גדולים. "זה לא משהו שאפשר לקחת מודל בינה מלאכותית בסיסי ופשוט להחיל על נתוני מכונות", היא מסבירה.
לדברי המנכ"לית, ההכנסות של החברה חזקות וצמחו פי שלושה בשנה האחרונה. למעשה, InsightFinder לא חיפשה לגייס סבב זה כלל, אלא שמשקיעים פנו אליה לאחר שזכתה בעסקה בשווי שבעה ספרות עם חברת Fortune 50 תוך שלושה חודשים בלבד.
ההון החדש ישמש לגיוס אנשי מכירות ושיווק ראשונים להרחבת הצוות שמונה פחות מ-30 עובדים, ולחיזוק התנועה לשוק. עד כה, החברה גייסה סך של 35 מיליון דולר.
עבור ארגונים ישראליים המשלבים בינה מלאכותית בתהליכים עסקיים, הפתרון עשוי להוות מענה משמעותי. חברות טכנולוגיה מקומיות רבות כבר מתמודדות עם אתגרי שילוב מודלי AI בתשתיות קיימות, והצורך בפתרונות ניטור מתקדמים הולך וגובר - במיוחד במגזרים הרגולטיביים כמו בנקאות וביטוח.