观察性需求随AI代理兴起升级

在企业技术系统中，可观测性工具的角色正在发生变化。业内从早期强调“全面采集、追踪一切”，逐步转向在保证可靠性的前提下“控制复杂性和成本”。随着企业内部AI代理的快速引入和部署，出现了一个新的工作负载类别，也对可观测性提出了新的要求。

成立于2016年的初创公司 InsightFinder AI 试图在这一领域发力。该公司基于约15年的相关学术研究，长期利用机器学习技术监控、识别并主动修复IT基础设施问题，如今正将这一能力延伸至AI模型和AI代理的可靠性管理。

完成1500万美元B轮融资

InsightFinder创始人兼首席执行官 Helen Gu 向 TechCrunch表示，公司近期完成了1500万美元B轮融资，由 Yu Galaxy 领投。此次融资使公司累计融资总额达到3500万美元。

Gu 是北卡罗来纳州立大学计算机科学教授，曾在IBM和谷歌任职。她表示，公司原本并未计划在此时进行新一轮融资，但在与一家财富50强企业签署一份七位数合同后三个月，投资方主动接洽，最终促成了本轮交易。

Gu 称，公司当前收入表现“强劲”，过去一年增长了“三倍以上”。

从模型问题扩展到“整条技术栈”

Gu 指出，当前行业面临的挑战已不再局限于发现和诊断AI模型本身的错误，而是要在AI成为技术栈一部分后，理解并诊断整个技术栈的运行状况。

她表示，要诊断AI模型相关问题，需要同时监控和分析数据、模型以及底层基础设施，“这并非总是模型问题或数据问题，而是多方面的组合。有时，仅仅是基础设施出现了问题”。

Gu 提到的一家美国大型信用卡公司客户案例显示，InsightFinder在该客户的反欺诈模型出现漂移时，通过对其整体基础设施的监控，最终将根因定位为部分服务器节点缓存过期，而非模型本身失效。

在她看来，业界对AI可观测性存在一个“最大误解”，即将其等同于开发和测试阶段的大型语言模型（LLM）评估。她强调，一个完善的AI可观测性平台应覆盖开发、评估和生产等全生命周期，提供端到端反馈。

推出“自主可靠性洞察”产品

为应对上述需求，InsightFinder 推出了新产品“自主可靠性洞察”（Autonomous Reliability Insights）。据Gu介绍，该产品通过结合无监督机器学习、公司自有的大型和小型语言模型、预测式AI以及因果推断技术，对系统运行进行分析。

她表示，该系统在底层对数据类型不设限制，可以摄取并分析完整数据流，在收集到各类信号后进行关联和交叉验证，以帮助用户查找问题根源。

竞争加剧中的差异化定位

随着AI工具在企业中的广泛应用，可观测性市场竞争日趋激烈。InsightFinder 已在该领域深耕近十年，目前与 Grafana Labs、Fiddler、Datadog、Dynatrace、New Relic 和 BigPanda 等厂商同台竞争，这些公司也在构建应对AI工具带来新问题的能力。

Gu 表示，并不担心竞争压力。她认为，InsightFinder在专业知识、经验积累以及定制化能力方面形成了一定壁垒，并称公司“到目前为止实际上很少失去客户”。在她看来，关键在于对系统与AI之间关系的理解，“许多数据科学家懂AI，但不懂系统；许多站点可靠性工程师懂系统，但不懂AI……他们不关注，也不理解内在关系”。

目前，InsightFinder的客户包括瑞银（UBS）、NBC环球、联想、戴尔、谷歌云和康卡斯特等。Gu 将公司的客户基础归因于长期与大型企业合作、理解其在复杂环境中部署AI系统的具体需求。

她提到，公司与戴尔保持长期合作，在戴尔的全球大型客户中部署InsightFinder的AI系统。她表示，这类部署“不是简单地拿一个基础AI然后直接应用于机器数据就能做到的”。

新资金将用于扩展团队与市场

Gu 介绍，InsightFinder 计划将本轮融资主要用于销售和市场团队的首次大规模招聘，扩充目前不足30人的团队，并加大市场推广投入。

在AI代理和AI模型逐步融入企业关键业务系统的背景下，InsightFinder希望借助新资金进一步推动其AI可观测性与可靠性产品在大型企业客户中的落地。