Firma Euno, która dostarcza platformę kontekstu dla korporacyjnej sztucznej inteligencji, pozyskała 23 mln dolarów w rundzie serii A. Inwestycję ogłoszono 9 września, a jej liderem został fundusz N47. Łączne finansowanie spółki wzrosło do 29 mln dolarów. Nowe środki mają pomóc uporządkować rozproszone dane firmowe i nadać im znaczenie, z którego mogą korzystać agenci AI.
- Runda serii A Euno zamknęła się kwotą 23 mln dolarów, a jej liderem został N47.
- Łączne finansowanie firmy od początku działalności wynosi 29 mln dolarów.
- Platforma Euno mapuje metadane i sygnały operacyjne z wielu systemów, ale nie przechowuje samych danych firmowych.
- Dzięki mapowaniu relacji modele AI mogą rozumieć, skąd pochodzi informacja, jak została obliczona i kto za nią odpowiada.
- Rozwiązanie ogranicza kontekst udostępniany agentowi AI zgodnie z rolą i zadaniem użytkownika.
Chaos danych i wiedza, której nie ma w systemach
Sarah Levy, współzałożycielka i CEO Euno, zwraca uwagę, że dane korporacyjne bywają rozproszone, pełne duplikatów, niespójności i sprzecznych informacji. Część wiedzy w ogóle nie jest formalnie udokumentowana. Może chodzić o to, z jakiego arkusza korzysta zespół albo którym wskaźnikom naprawdę ufają menedżerowie.
Wiele informacji, kto czego używa, jak coś jest liczone i co to oznacza, znajduje się w wielu systemach. Jest też wiedza, która istnieje tylko w ludzkich umysłach – mówi Sarah Levy.
W praktyce firma często korzysta z 10 do 12 różnych platform danych i narzędzi analitycznych. Próba ich konsolidacji przed wdrożeniem AI mogłaby zająć lata, na co wiele organizacji nie może sobie pozwolić.
Nie wystarczy podłączyć model do bazy
Podłączenie dużego modelu językowego do bazy danych daje mu dostęp do informacji, ale nie wyjaśnia, które dane są wiarygodne ani jak poszczególne elementy się ze sobą łączą. Platforma Euno działa ponad istniejącymi systemami, zamiast je zastępować. Integruje się z hurtowniami danych, jeziorami danych, narzędziami BI i narzędziami transformacji.
Zbiera przy tym metadane i sygnały operacyjne, takie jak użycie, obliczenia, definicje, własność i przepływy danych. Następnie mapuje relacje między nimi, dzięki czemu system AI może rozumieć, jak informacja powstała i w jaki sposób była używana. Co istotne, platforma nie pobiera ani nie przechowuje bazowych danych firmowych.
Silosy AI i pułapka ręcznej pracy
Problem z kontekstem staje się poważniejszy, gdy firmy wdrażają różne aplikacje AI w poszczególnych działach. Wiele wdrożeń pozostaje związanych z pojedynczymi procesami, na przykład obsługą klienta, fakturowaniem czy zarządzaniem magazynem. Każdy taki obszar tworzy własny słownik, reguły i kontekst danych.
Gdy bazowe dane firmowe się zmieniają, te oddzielne warstwy kontekstu trzeba ręcznie aktualizować. Levy mówi wprost, że w takim układzie to ludzie zaczynają pracować dla robotów.
Przypadek AlphaSense i pytań, które zadają użytkownicy
Levy wskazuje na klienta Euno, firmę AlphaSense. To dostawca analiz rynkowych, który ma lata raportów, pulpitów i starszej logiki w systemach takich jak Tableau i Snowflake. Firma pracuje nad udostępnieniem modelu Claude od Anthropic użytkownikom biznesowym.
Euno mapuje istniejącą logikę Tableau i pomaga przełożyć ją na nadzorowane wskaźniki oraz semantykę w Snowflake. Dzięki temu, gdy pracownik pyta Claude o dane, system może podać kontekst odpowiedzi, w tym pochodzenie informacji i sposób jej obliczenia.
Skąd to masz? Jak do tego doszedłeś? Kto stworzył tę analizę? To jest prawdziwa rozmowa. Nie wystarczy po prostu dostać odpowiedź – wyjaśnia Levy.
Regulacyjna presja na agentów AI
Przekazanie agentom głębszej wiedzy instytucjonalnej rodzi kolejny problem. System AI nie powinien wiedzieć wszystkiego, co wie firma. Euno odpowiada na to przez role i uprawnienia. Agent wspierający raportowanie finansowe może być ograniczony do nadzorowanego zestawu wskaźników efektywności finansowej i tabel. Agent skoncentrowany na produkcie może otrzymać szerszy kontekst, ale granice ustala centralny zespół nadzoru.
Dostajesz tylko dostęp do kontekstu, który jest istotny dla twojej roli i zadania – mówi Sarah Levy.
W sektorze bankowym i płatniczym to pytanie ma wymiar nadzorczy. Czerwcowe badanie KPMG wykazało, że 51% banków pilotażowo wdrażało agentów AI. W tym samym miesiącu Office of the Comptroller of the Currency oraz Rezerwa Federalna dopominały się u banków szczegółowych informacji o kontrolach AI, w tym o tym, czy system może uzyskać dostęp do danych lub je wywnioskować poza swoimi uprawnieniami.
Agent opisany przez Levy może wskazać nadzorowaną tabelę, z której pochodzi odpowiedź, oraz zespół, który ją utrzymuje. Dzięki temu egzaminator i analityk widzą ten sam zapis.