Selector AI surveille en permanence la disponibilité et les performances des applications, de l'infrastructure et du réseau. (Crédit Selector AI)
Spécialisée dans le NetOps, la start-up Selector AI va utiliser son dernier financement - 33 M$ - pour développer sa plateforme d'IA axée sur la réduction du bruit des alertes réseau et l'optimisation de l'infrastructure en s'appuyant sur des décisions basées sur les données.
C'est en 2019, après des années passées dans les arcanes des réseaux de grands fournisseurs comme Juniper et Cisco, que Kannan Kothandaraman a contribué au lancement de Selector AI. Dès l'origine, l'idée de la start-up était de construire une technologie pour aider les professionnels du réseau à mieux exploiter et optimiser l'infrastructure et les services réseau. En travaillant avec des entreprises de grande taille, les fondateurs de Selector AI ont remarqué que ces entreprises étaient capables d'utiliser des données provenant de plusieurs domaines pour prendre des décisions fondées sur des données pour leurs opérations réseau, plutôt que de laisser le réseau dicter la façon dont l'entreprise devrait être gérée. Ils se sont dits qu'ils pouvaient étendre cette approche basée sur les données avec des entreprises qui ne sont pas des hyperscalers et ils ont commencé à construire une solution avec les premiers partenaires de conception. Cette approche n'a cessé de croître et de s'étendre au fil des ans.
En septembre, la start-up a présenté son modèle de langage réseau pour le NetOps, qui apportait la puissance de l'IA générative à la plateforme. Et cette semaine, suite à la levée d'un fonds de Série B de 33 millions de dollars, l'entreprise a annoncé la dernière étape de son évolution. À ce jour, le financement total de Selector AI s'élève à 66 millions de dollars. Le dernier financement sera utilisé pour aider l'entreprise à développer les ventes et le marketing ainsi que l'innovation technique. « L'un de nos principaux facteurs de différenciation, c'est que notre plateforme peut consommer tous les types de données utilisés par une équipe d'exploitation pour un réseau ou une infrastructure », a déclaré M. Kothandaraman. « Chaque équipe utilise beaucoup de données propriétaires. »
Selector AI tente de réduire la quantité d'alertes qui pèsent sur les équipes d'exploitation du réseau. (Crédit Selector AI)
Transformer les données sales en résultats déterministes
Le chemin qui a mené au succès actuel de Selector AI n'a pas été sans difficultés. Au début, l'équipe a eu du mal à boucler son premier financement. En cause, la pandémie de COVID-19, dont le contexte était peu favorable à la collecte de fonds. De plus, l'équipe a rapidement appris que la réalité du travail avec les données des clients était loin de correspondre à ce qu'elle avait envisagé au départ. « Les données sont très sales et on doit très souvent se contenter de ce qui est disponible », a reconnu M. Kothandaraman. « Il faut compléter une grande partie de ces données avec ses propres données, mais personne n'est disposé à partager ses données avec les autres. » Autre défi non prévu : la nécessité de gérer les limites et le potentiel des différentes formes d'IA. « L'IA et le ML sont intrinsèquement probabilistes, alors que les équipes opérationnelles ne veulent pas de réponses probabilistes. Elles doivent être très déterministes », a-t-il expliqué. Une réponse déterministe doit être à chaque fois précise et cohérente. C'est absolument essentiel pour réussir dans le cadre opérationnel. M. Kothandaraman fait remarquer que pour les équipes d'exploitation du réseau, les tickets d'incident et les alertes doivent se présenter sous forme d'information exploitable. « Nous ne pouvons pas leur demander de résoudre des probabilités », a-t-il ajouté.
Résoudre le problème du bruit du réseau
L'un des principaux avantages de la plateforme Selector AI est sa capacité à réduire la quantité écrasante d'alertes qui pèsent sur les équipes d'exploitation du réseau. « Certains clients utilisent entre 30 et 40 outils différents, et chacun d'entre eux remonte des alertes dès qu'il y a un problème », a pointé M. Kothandaraman. « La réduction du bruit est le critère numéro un sur lequel nous sommes jugés. La plateforme y parvient grâce à une intégration sophistiquée des données et à une cartographie des relations. » Pour y parvenir, Selector AI utilise à la fois des données opérationnelles et des données relationnelles introduites dans le moteur d'apprentissage machine pour identifier les problèmes. « Tous les différents outils signalent un problème, mais où se trouve la racine de ce problème ? C'est sur cela que se concentre la plateforme », a-t-il poursuivi.
Vers des jumeaux numériques et des modèles de langage étendus
Alors que Selector AI vise 2025 et au-delà, M. Kothandaraman a souligné deux domaines clés de développement technologique de l'entreprise. Le premier est celui des jumeaux numériques basés sur les données. Le concept de jumeau numérique consiste à répliquer un réseau existant pour l'utiliser de manière virtuelle afin d'identifier les problèmes dans le réseau réel sans impacter le réseau de production. Selector AI va concentrer ses efforts sur une approche des jumeaux numériques axée sur les données plutôt que sur la configuration. Le second domaine d'investissement concernera les modèles de langage élargis pour les réseaux. « Nous allons concentrer notre développement sur le réseau et l'infrastructure », a précisé M. Kothandaraman. « Comment combiner les données en temps réel avec les modèles de langage ? Ce problème n'a pas encore de solution, et nous cherchons donc à le résoudre pour le réseau et l'infrastructure. »
Suivez-nous