كريستين إيزاك، الرئيس التنفيذي و الشريك المؤسس في Strudel – سلسلة المقابلات

كريستين إيزاك، الرئيس التنفيذي و الشريك المؤسس في Strudel هو قائد تقني خبير في مجال التكنولوجيا الذي شغل مناصب عليا في شركات مثل LinkedIn، Udemy، ESPN، و Disney قبل إطلاق Strudel. وهي الآن تركز على حل واحدة من أكبر نقاط الاحتكاك في منظمات البرمجيات: الفجوة بين دعم العملاء و الهندسة. في Strudel، وهي تبني منصة مدعومة بالذكاء الاصطناعي تساعد فرق الدعم الفني على حل المشكلات المعقدة بشكل أسرع من خلال ربط طلبات الدعم مباشرة بالذكاء الهندسي. خلفيتها في توسيع الفرق، و بناء استراتيجيات التسويق، و تعزيز النمو عبر المنظمات العالمية ساهمت في تشكيل زخم Strudel المبكر و وضعها القوي في سوق الذكاء الاصطناعي و أدوات المطورين.

Strudel هي منصة مدعومة بالذكاء الاصطناعي تم بناؤها لتأتمتة الدعم الفني المتقدم من خلال تحليل السجلات، و بيانات الإنتاج، و مخازن الشفرة، و تاريخ الدعم السابق لتحديد الأسباب الجذرية و توصية الحلول. هدفها هو تقليل الوقت و الجهد الهندسي المطلوب لحل حالات الدعم الصعبة، خاصة الحالات التي تستهلك عادة الموارد الفنية العليا. من خلال ربط الدعم مباشرة بالمسائل الفنية التحتية، تعتبر Strudel أداة يمكنها جعل عمليات الدعم في الشركات أسرع، و أكثر كفاءة، و قابلة للتوسيع.

لقد شغلت مناصب قيادية في شركات مثل LinkedIn، Udemy، و Disney قبل تأسيس Strudel في 2025. ما هي الخبرات التي أتقنتها في تلك المناصب التي أقنعتك بأن فرق الهندسة تحتاج إلى نوع جديد من منصات الذكاء الاصطناعي، و كيف ساهمت تلك الرؤية في تأسيس Strudel؟

كل شركة عملت فيها كانت لديها نسخة مختلفة من نفس المشكلة. في Disney، كانت المراهنات enorme – إذا انهار منصة البث أثناء إطلاق كبير، لم يكن الأمر مجرد ضربة إيرادات، بل كان لحظة العلامة التجارية. في LinkedIn، كانت الحجم لا يصدق. كان هناك آلاف الخدمات جميعها تنتج ضوضاء، و حتى أفضل الفرق كانت تعاني لتحافظ على المسار.

ما ربط كل ذلك مع خبرة شركائي المؤسسين، شاي روبين و بريان كوفمان، في قيادة فرق هندسية، كان أن المهندسين يقضون وقتًا أكثر في إعادة بناء السياق بدلاً من حل المشكلات. شخص ما يُستدعى في الساعة 2 صباحًا، و قبل أن يتمكن من بدء التشخيص، يبحث في سجلات Slack، و لوحات التحكم، و تذاكر Jira، و سجلات النشر – فقط لمعرفة ما تغير و متى. هم في الأساس يلعبون دور المحقق قبل أن يتمكنوا من القيام بعملهم الفعلي. هذا هو تبذير لشخصيات موهوبة بشكل استثنائي.

كنت أفكر دائمًا: يجب أن يكون هناك طريقة أكثر ذكاءً لجعل ما يهم يطفو على السطح، عندما يهم. هذا هو بذرة Strudel.

كثير من شركات تقيس التأثير المالي للاختراقات من حيث الإيرادات المفقودة أو غرامات SLA. في خبرتك، ما هي التكاليف الأقل وضوحًا للاختراقات التي تقلل منها المنظمات باستمرار؟

رقم الإيرادات يظهر في تقرير المجلس الإداري، لكن التأثير المالي الفوري للاختراق هو جزء فقط من التكلفة الفعلية للاختراق. تلك التي أراها المنظمات تفوتها باستمرار تنقسم إلى فئات معينة.

الأول هو ثقة العملاء. غرامات SLA هي بنية قانونية – لا تصل إلى العميل الذي يغادر بكل هدوء، أو العميل المحتمل الذي رأى صفحة الحالة في اللحظة الخاطئة واختار منافسًا. هذا الضرر هو بطيء، و غير مرئي، و دائم بطرق لا يمكن أن تصل إليها شيك تعويض.

الثاني هو انحراف و إرهاق المهندسين. إرهاق الدورية هو حقيقي. عندما يتم استدعاء أفضل مهندسيك بشكل متكرر إلى حوادث عالية التوتر – خاصة تلك التي يمكن أن تكون قد تم منعها – يبدأون في التساؤل عما إذا كان هذا المكان الصحيح لبناء مسيرتهم المهنية. استبدال مهندس كبير يكلف أيplace من مرة إلى مرتين راتبه السنوي عندما تضع في الحسبان التوظيف، و التوجيه، و فقدان المعرفة المؤسسية. لا أحد يضع هذا في تقرير ما بعد الحادث.

الثالث هو تكلفة الفرصة. كل ساعة تقضيها فريق الهندسة في مكافحة الحرائق هي ساعة لا تقضيها في بناء المنتج. هذا صعب وضعها في جدول، لكنه يفجر خريطة الطريق الخاصة بك ببطء.

يتم سحب المهندسين غالبًا من بناء الميزات الجديدة للاستجابة لحوادث الإنتاج. كيف يؤثر هذا القتال المستمر على الابتكار في المنتج و خارطة الطريق للتطوير على المدى الطويل؟

يخلق ضريبة على قدرة فريق الهندسة على البناء. كل فريق لديه قدرة نهائية من النطاق، و عندما يتم تحويل جزء كبير من ذلك باستمرار إلى حوادث، فإن التأثير المركب على تطوير المنتج هو شديد. يتم تجاوز التزامات خارطة الطريق. لا يتم سداد الديون الفنية. يتم شحن الميزات بقليل من الدقة لأن هناك ضغطًا لتعويض الوقت المفقود.

ما هو مدمر بشكل خاص هو عدم التنبؤ به. يمكن لفريق التخطيط لسباقه بكل نية، و ثم يفجر حادث كبير في يوم الثلاثاء و يصبح كل شيء آخر ثانوي. هذا النوع من عدم التنبؤ المستدام يجعل من الصعب بناء ثقافة العمل العميق – الذي ي تدفع ر في النهاية أفضل النتائج الهندسية.

كما أنه يخلق دورة خودي. الاستثمار المؤجل يعني أكثر حوادث، و التي تعني أكثر مكافحة حرائق، و التي تعني وقتًا أقل للاستثمار في المشكلات التحتية. في Strudel، جزء كبير من ما نبني هو تحديدًا لأفرقة SRE الذين يعيشون هذا كل يوم.

Strudel يربط بيانات الدعم، و السجلات، و الأنظمة الإنتاجية، و مخازن الشفرة لتحديد الأسباب الجذرية بشكل أسرع. كيف يجمع الذكاء الاصطناعي بين هذه الإشارات الفنية المختلفة بطريقة لا يمكن أن تفعلها أدوات المراقبة التقليدية؟

أدوات المراقبة التقليدية هي في الأساس أنظمة إنذار. وهي رائعة في إخبارك بأن شيء ما عبر عتبة – انخفاض في التأخير، و ارتفاع في معدل الخطأ، و انهيار بود. ما لا يمكنهم فعله هو التفكير عبر المجالات.

هم لا يعرفون أن ارتفاع معدل الخطأ في خدمة الدفع حدث بعد أربع دقائق من نشر التبعية، و أن تذكرة دعم العملاء التي ذكرت فشل الدفع جاءت في نفس الوقت، و أن النمط نفسه ظهر في سجلاتك قبل ستة أشهر خلال هجرة قاعدة البيانات.

هذا الارتباط عبر المجالات هو ما يمكّننا الذكاء الاصطناعي من فعله. يمكننا معاملة تذكرة Zendesk، و تعهد GitHub، و تتبع Datadog (DDOG )، و سجل CloudWatch كجزء من قصة موحدة بدلاً من نقاط بيانات معزولة. الذكاء الاصطناعي يظهر لنا ليس فقط ما هو مكسور، بل أيضًا السبب المحتمل و أين – و يركز ذلك في أدلة يمكن لمهندس بشري التحقق منها و التصرف بناءً عليها. نحن لا نطلب من الفرق الثقة في صندوق أسود. نحن نعطيهم فرضية مدروسة جيدًا و بداية سريعة.

توصف Strudel بأنها توفر “الذكاء الهندسي”. ما يعني هذا المفهوم في الممارسة، و كيف يختلف عن منصات المراقبة التقليدية أو AIOps؟

المراقبة هي في الأساس حول الآلات و الرؤية – ضمان وجود التالقياس عن بعدري و أن الفرق يمكنها استعلامها. AIOps، في معظم تنفيذه الحالي، هو حول تقليل ضوضاء الإنذار من خلال الارتباط و الكشف من العيوب باستخدام التعلم الآلي. كلاهما قيمتان حقيقيتان، و ندمج معهما.

لكن الذكاء الهندسي هو طبقة أعلى. نحن نأخذ ما يفعله AIOps و نوسعه. حيث يخبرك AIOps بأن شيء ما خاطئ، الذكاء الهندسي يساعدك على فهم لماذا هو خاطئ، و أين بدأ، و ماذا تفعل – وجد الإشارات عبر كل مكدسك، بما في ذلك المصادر التقليدية التي لا ينظر إليها أدوات AIOps، مثل تذاكر الدعم أو تغييرات الشفرة. الهدف ليس فقط تقليل الضوضاء. إنه إعطاء فريقك صورة كاملة و قابلة للتنفيذ حتى يتمكنوا من حل المشكلة بشكل أسرع و العودة إلى البناء.

فكر في الأمر كفرق بين كاشف الدخان و محقق الحريق. المراقبة و AIOps هما كاشف الدخان – أساسيان، لكنهما يتوقفان عند الإنذار. الذكاء الهندسي هو ما يأتي بعد ذلك: هنا ما حدث، و لماذا، و أين بدأ.

وكلاء الذكاء الاصطناعي يتم نشرهم بشكل متزايد لتأتمتة سير العمل الفني المعقد. ما الدور الذي ترى وكلاء الذكاء الاصطناعي يلعبونه في تشخيص و حل حوادث البرمجيات خلال الخمس سنوات القادمة؟

أعتقد أن السؤال الأكثر إثارة للاهتمام ليس ما سيفعله الوكلاء – إنما ما سيتوقف المهندسون عن فعله. أفضل المهندسين الذين عملت معهم لم يدخلوا هذا المجال لينفقوا لياليهما في التriage الإنذارات أو البحث في السجلات من أجل تغيير التكوين الذي قام به شخص ما في بعد ظهيرة الجمعة. هذا ليس سبب امتلاكهم مهاراتهم.

خلال الخمس سنوات القادمة، أعتقد أن الوكلاء يأخذون على عاتقهم الكثير من هذا العبء – العمل المتكرر، و مطابقة الأنماط، و تجميع السياق. هذا هو العمل المهم، لكنه ليس حيث يجب أن تنفق مواهب المهندسين الكبار وقتها. القرارات الصعبة، و القرارات الهندسية، و الأشياء التي تتطلب حكمًا بشريًا.

ما هو مثير للاهتمام لي هو أن هذا ليس فقط حالة مستقبلية – نحن نراه يحدث الآن، بما في ذلك في Strudel. خريطة الطريق الخاصة بنا موجهة حول إزالة العمل الإداري و الصيانة من ألواح المهندسين. و ما نجد هو أن هذا يغير ما هو ممكن للفريق. يمكنك بناء المزيد، و التحرك بشكل أسرع، و فعل ذلك بقليل من الناس – لأن الناس الذين لديك يركزون على الاستراتيجية و التعقيد بدلاً من دفعهم إلى العمل المتكرر. هذا يشبه تغييرًا معنويًا في كيفية بناء الفرق و هيكلتها في المستقبل.

كثير من حالات الاختراق تنشأ من أخطاء صغيرة أو تغييرات في التكوين التي تمر عبر الاختبار. كيف يمكن أن يحدد أنظمة الذكاء الاصطناعي أنماطًا دقيقة في الشفرة، أو السجلات، أو إشارات البنية التحتية مبكرًا بما يكفي لمنع حوادث كبيرة؟

الذكاء الاصطناعي المصمم جيدًا له ميزة حقيقية هنا، و ليست لأنها أكثر ذكاءً من مهندسيك – إنما لأنها لا تنسى أبدًا و لا تنام أبدًا. مهندس بشري قد لا يربط بين نمط سجل دقيق اليوم و شيء حدث قبل ستة أشهر في جزء مختلف من النظام. الذكاء الاصطناعي يمكنه ذلك. إنه يراقب كل شيء، و دائمًا، و لديه ذاكرة أطول و أوسع من أي فرد في فريقك.

قال ذلك، هناك شيء آخر أسمعه من العملاء كثيرًا: الوقاية ليست جيدة كما البيانات التحتها. إذا كانت سجلاتك غير متسقة، أو غير كاملة، أو معزولة عبر أدوات كثيرة لا تتحدث إلى بعضها البعض، فإن الذكاء الاصطناعي يعمل مع صورة ممزقة. قمامة داخل، قمامة خارج – هذا لا يزال صحيحًا. نقضي وقتًا طويلاً مع العملاء في التفكير في جودة البيانات و الآلات لأن أفضل الذكاء الاصطناعي في العالم لا يمكنه أن يظهر إشارة لم يتم التقاطها في المقام الأول.

لذلك الجواب هو كلا: نعم، يمكن للذكاء الاصطناعي التقاط الأشياء في وقت مبكر و ربط النقاط التي يفوتها البشر. لكن الفرق الذي يحصل على أقصى استفادة منه هو الذي قام بالعمل لجعل بياناته فعلاً تستحق التفكير فيها.

الشركات غالبًا ما تستثمر بكثافة في أدوات الكشف، و لكنها لا تزال تعاني من متوسط وقت الحل. ما هي أكبر الحواجز التي تمنع المنظمات من سد الفجوة بين كشف الحوادث و حل الأسباب الجذرية الفعلي؟

الكشف هو في الأساس مشكلة محلولة في هذه النقطة. معظم الفرق لديها إنذارات. هم يعرفون أن شيء ما خاطئ. الفجوة هي كل شيء يحدث بعد ذلك.

عندما يتم استدعاء مهندس، لا يدخل إلى وضع واضح مع كل السياق المطلوب مجتمعًا. يدخل إلى فوضى. يجب أن يحدد ما تغير، و متى، و أي نظام تلمسه، و ما إذا كان هناك تأثير على العملاء، و ما إذا كان مرتبطًا بشيء حدث الأسبوع الماضي. هو يبحث في Slack، و لوحات التحكم، و سجلات النشر، و تذاكر الدعم – يقوم بذلك التجميع يدوياً، تحت الضغط، غالبًا في منتصف الليل.

تجميع السياق هو العائق. ليس لأن مهندسي و فرق الدعم لا يعرفون كيف يحلون المشكلات – إنما لأنهم يقضون أول 30 إلى 60 دقيقة من كل حادث فقط لمحاولة فهم ما يفعلونه بالفعل. هذا هو المكان الذي تعيش فيه Strudel. أطروحتنا كلها هي أن إذا كنت تستطيع أن تمنح مهندس صورة متسقة و مدعومة بالأدلة لما حدث و لماذا – ngay عندما يحتاجها – فإنك تقلص الفجوة بشكل كبير. عمل الحل لا يزال عليهم. نحن فقط نحصل عليهم إلى خط البداية بشكل أسرع.

عندما يبدأ نظام الذكاء الاصطناعي في تحليل بيانات الإنتاج، و الشفرة، و سجلات التشغيل، ما هي الاعتبارات الحوكومية أو الأمنية التي يجب أن تأخذها في الاعتبار فرق الهندسة عند نشر هذه الأدوات؟

الأمر الذي أشعر به بقوة هنا هو: يجب أن يظل البشر يراجعون الشفرة التي تدخل الإنتاج.

لقد تحدثت إلى nhiều مهندسين حول هذا، و شيء واحد أسمعه دائمًا هو أن الذكاء الاصطناعي يكتب الأخطاء بفعالية و ذكاء. حقًا ذكاء، في الواقع. بطريقة يمكن أن تكون صعبة على التعرف عليها – حتى للمهندسين الكبار الذين يراجعون الشفرة بدقة. الأخطاء ليست دائمًا واضحة. يمكن أن تبدو معقولة تمامًا في لمحة.

لذلك، عندما يكتب الذكاء الاصطناعي المزيد من الشفرة التي تدخل الإنتاج، أعتقد أننا سنرى المزيد من هذه القضايا الدقيقة و الصعبة التي تمر – ليس لأن أحدًا كان متساهلاً، بل لأن طبيعة أخطاء الذكاء الاصطناعي مختلفة. أكثر صعوبة في الكشف، و أكثر صعوبة في الاختبار.

بصراحة، هذا أحد الأسباب التي تجعل حالة ما نقوم به في Strudel أقوى مع مرور الوقت. إذا تمكن المزيد من الأخطاء من الدخول إلى الإنتاج، فإن القدرة على العثور عليها و حلها بشكل أسرع تصبح أكثر أهمية، لا أقل. سؤال الحوكمة ليس فقط حول ضوابط الوصول إلى البيانات و الأذونات – وإنما أيضًا حول إبقاء البشر في النقاط الصحيحة، خاصة حول أي شيء يلمس الإنتاج.

في المستقبل، هل تعتقد أن مستقبل هندسة الموثوقية سيتجه نحو بنية تحتية مدعومة بالذكاء الاصطناعي، حيث تراقب و تشخص و حتى تحل الأنظمة المستقلة المشكلات قبل أن يدركها البشر؟ إذا كان الأمر كذلك، ما هو شكل سير العمل للمهندسين في ذلك المستقبل؟

أعتقد أننا نتقدم في ذلك الاتجاه، لكنني واقعي حول الجدول الزمني. أنظمة مستقلة تمامًا تحل حوادث الإنتاج بدون أي إدراك بشري – هذا ليس حيث نحن، و لا أعتقد أنه حيث سنكون في السنوات القليلة القادمة. و أعتقد أن هذا أمر جيد.

ما أعتقده هو أن الحلقة يصبح أكثر ضيقًا و أقل ألمًا. المستقبل الذي أهتم به ليس الذي يزيل البشر من المعادلة – بل هو الذي يقضي على الوقت الذي يقضيه البشر في الأجزاء التي تتطلبهم بالفعل. الأحكام و القرارات و الحالات الجديدة التي لم تحدث من قبل. الذكاء الاصطناعي يتعامل مع مطابقة الأنماط، و تجميع السياق، و التriage الروتيني. المهندسون يتعاملون مع القرارات.

للمهندسين أنفسهم، أعتقد أنه يبدو كالتالي: أقل وقتًا في الدورية في منتصف الليل لأشياء لم تكن تحتاج إلى إيقاظهم، و أكثر وقتًا في بناء أنظمة لا تنهار في المقام الأول. مكافحة الحرائق لا تختفي تمامًا. لكنها تصبح الاستثناء بدلاً من الحالة الافتراضية لكونك مهندسًا في شركة تعمل برمجيات على نطاق واسع. هذا مستقبل يستحق بناءه.

شكرًا على المقابلة الرائعة، و يرجى زيارة Strudel لمعرفة المزيد.