Le rôle des outils d’observabilité connaît une nouvelle évolution. Alors que le marché des solutions visant à assurer la fiabilité des systèmes technologiques s’est considérablement développé au fil des années, le centre d’intérêt s’est progressivement déplacé de la simple surveillance vers la maîtrise de la complexité et des coûts. Parallèlement, l’adoption rapide d’agents IA au sein des entreprises a créé une toute nouvelle catégorie de charges de travail nécessitant une observation attentive. InsightFinder AI, une startup forte de 15 ans de recherche académique, se positionne aujourd’hui pour répondre à ces nouveaux défis en utilisant l’intelligence artificielle pour monitorer, diagnostiquer et prévenir les dysfonctionnements liés à l’IA.
Fondée par la professeure Helen Gu, actuellement CEO de l’entreprise, et ancienne ingénieure chez IBM et Google, InsightFinder a récemment levé 15 millions de dollars lors d’un tour de financement de série B, mené par Yu Galaxy. Selon Gu, le principal enjeu actuel ne réside pas uniquement dans la surveillance ou le diagnostic des erreurs des modèles IA, mais dans la compréhension du fonctionnement de toute la pile technologique intégrant l’IA. « Pour diagnostiquer ces problèmes, il faut surveiller et analyser simultanément les données, le modèle et l’infrastructure, » explique-t-elle. La complexité provient souvent d’une combinaison de facteurs, et InsightFinder s’inscrit dans cette logique holistique.
“Il ne s’agit pas seulement d’un problème de modèle ou de données ; c’est souvent une question d’infrastructure, et notre approche vise à tout analyser en même temps.”
Un exemple concret illustrant leur approche est celui d’un grand groupe de cartes de crédit aux États-Unis. Lorsque l’un de leurs modèles de détection de fraude commença à dériver, InsightFinder, qui surveillait toute l’infrastructure, a identifié une ancienne cache dans certains serveurs comme étant la cause du drift. Cette capacité d’analyse globale permet à l’entreprise de diagnostiquer rapidement l’origine des anomalies, un avantage crucial dans le contexte de l’intégration croissante de l’IA dans les systèmes complexes.
Selon Helen Gu, la perception selon laquelle l’observabilité de l’IA se limite à l’évaluation des modèles lors du développement est erronée. « Une plateforme de observabilité efficace doit couvrir toutes les phases, du développement à la production, » affirme-t-elle. La dernière offre d’InsightFinder, baptisée Autonomous Reliability Insights, exploite un mélange de machine learning non supervisé, de grands modèles de langage, d’intelligence prédictive et d’inférence causale. Cette approche data-agnostique permet d’ingérer des flux de données variés pour repérer des signaux pouvant entraîner des diagnostics précis et approfondis, notamment en croisant différentes sources pour identifier la cause racine d’un problème.
Le marché de l’observabilité, récemment saturé de concurrents tels que Grafana Labs, Fiddler, Datadog, Dynatrace, New Relic ou BigPanda, voit pourtant InsightFinder se défendre grâce à son expertise, sa personnalisation et sa compréhension fine des environnements enterprise. Gu souligne que la clé du succès réside dans la capacité de l’équipe à faire le pont entre la compréhension de l’IA par les data scientists et celle des systèmes par les ingénieurs SRE. La start-up, qui compte aujourd’hui moins de 30 employés, profite d’une clientèle prestigieuse, comprenant UBS, NBCUniversal, Lenovo, Dell, Google Cloud et Comcast. Après avoir connu une croissance de plus de trois fois ses revenus en un an, InsightFinder entend poursuivre son expansion avec ces fonds, notamment pour renforcer ses activités de vente et de marketing.
Grâce à une expertise approfondie et une compréhension intégrée des systèmes et de l’IA, InsightFinder se positionne comme un acteur clé dans la surveillance avancée des modèles dans un marché en pleine expansion.
