Resolve AI تجمع 40 مليون دولار في جولة تمويل سلسلة A بمبلغ 1.5 مليار دولار لت解决 أصعب مشكلة في البرمجيات: الإنتاج

Resolve AI قد حصلت على 40 مليون دولار في جولة تمويل سلسلة A بمبلغ 1.5 مليار دولار ، بقيادة DST Global و Salesforce Ventures (CRM ) . يأتي التمويل في момент عندما تسارع الذكاء الاصطناعي بشكل كبير كيفية بناء البرمجيات – ولكن ليس كيفية صيانتها مرة واحدة يتم نشرها.

بالإضافة إلى جمع التمويل ، قدمت الشركة Resolve AI Labs ، وهي مبادرة بحثية مخصصة لسد ما يصبح واحدًا من الفجوات الحاسمة في مكدس الذكاء الاصطناعي: القدرة على تشغيل البرمجيات بشكل موثوق في بيئات الإنتاج.

الانسداد الذي لم يُحل أحد: الإنتاج

لقد جعل الذكاء الاصطناعي كتابة الشفرة أسرع من أي وقت مضى. يمكن لأدوات مدعومة بنماذج اللغة الكبيرة الآن توليد تطبيقات كاملة في دقائق. ولكن بمجرد نشر تلك الشفرة ، يصبح الواقع أكثر تعقيدًا.

بيئات الإنتاج هي أنظمة متجزئة تتكون من البنية التحتية وبيانات التелеметري والتسجيلات والاعتماديات والخدمات المتغيرة باستمرار. يجب على المهندسين تفسير الإشارات عبر جميعها لتشخيص الفشل ، غالبًا تحت ضغط الوقت ومعلومات غير كاملة.

यह هو ما تركز عليه Resolve AI. منصة الشركة تربط عبر الشفرة والبنية التحتية والتелеметري لتحقيق الحوادث وتحديد الأسباب الجذرية واتخاذ الإجراءات – بشكل أساسي يتصرف كمهندس إنتاج tự động.

التحدي ليس فقط التعقيد الفني. إنه أيضًا النطاق. مع تسارع الذكاء الاصطناعي لتوليد الشفرة ، تنتج المنظمات أكثر من البرمجيات التي يمكن لأفرادها إدارتها بشكل واقعي. النتيجة هي فجوة متزايدة بين سرعة التطوير وثبات التشغيل.

لماذا تفشل نماذج الذكاء الاصطناعي العامة

فرضية مركزية خلف نهج Resolve AI هي أن نماذج الذكاء الاصطناعي العامة لا يتم تصميمها للبيئات الإنتاجية.

في حين أن نماذج الأساس تحسنت بسرعة ، إلا أنها لا يتم تحسينها ل现실 الأنظمة التشغيلية. يتطلب الإنتاج التفكير عبر تدفقات البيانات الصاخبة وغير الكاملة والمتناقضة غالبًا. كما ي đòiى مستويات عالية من الدقة والموثوقية والسيطرة ، حيث يمكن أن تؤدي الأخطاء إلى انقطاع أو خسارة مالية أو مخاطر أمنية.

تتناول Resolve AI هذا الأمر من خلال بناء نماذج محددة بال 领域 وأنظمة وكلية مخصصة لعمليات الإنتاج. يمكن لهذه الأنظمة تفسير السجلات وتحليل التغييرات في النظام وترجمة الأحداث وتحقيق عمليات تصحيح متعددة الخطوات عبر الأدوات – مهام ت đòiى عادة مهندسين ذوي خبرة.

داخل Resolve AI Labs

تم إطلاق Resolve AI Labs حديثًا لتحقيق رؤية الشركة من خلال بناء التكنولوجيا الأساسية المطلوبة لتشغيل أنظمة الإنتاج من طرف إلى طرف.

سيتم قيادة المختبر من قبل Dhruv Mahajan ، السابق في Meta ، حيث عمل على ما بعد التدريب على نماذج Llama.

بدلاً من التركيز بشكل ضيق على الوكلاء ، سيتبنى المختبر نهجًا شاملاً لذكاء التشغيل. هذا يشمل تطوير:

• نماذج محددة بال 领域 مدربة على بيانات الإنتاج
• أنظمة يمكنها التفكير عبر سجلات وبيانات ومسارات وتحديدات البنية التحتية
• إطارات تقييم لقياس الموثوقية في سير العمل الحقيقي
• بيئات محاكاة لاختبار وتحسين النماذج
• طبقات الحوكمة لضمان التutomatisation الآمنة والمنضبطة

هذا يعكس تحولًا أوسع في تطوير الذكاء الاصطناعي: الانتقال من القدرة على النموذج الخام إلى أنظمة يمكنها العمل بأمان في بيئات حقيقية عالية المخاطر.

من المساعدة إلى الاستقلالية

Resolve AI هي جزء من فئة متزايدة غالبًا ما يشار إليها باسم “الذكاء الاصطناعي من أجل الإنتاج” أو هندسة الموثوقية المعتمدة على الذكاء الاصطناعي (SRE). على عكس مساعدي البرمجة ، تم تصميم هذه الأنظمة للعمل في بيئات حية – تصنيف التنبيهات ، تشخيص الفشل ، و حل الحوادث في الوقت الفعلي.

تسمح منصة الشركة بالفعل لأفرقة الهندسة بتحقيق الحوادث بشكل أسرع بكثير ، مع قدرة أنظمة الذكاء الاصطناعي على تحليل سلوك النظام وتحديد الأسباب الجذرية عبر الاعتماديات المعقدة.

على مر الوقت ، الطموح هو الانتقال من المساعدة إلى الاستقلالية. بدلاً من استجابة المهندسين يدويًا للتنبيهات ، يمكن لأنظمة الذكاء الاصطناعي التعامل مع معظم العمل التشغيلي ، مع تطبيق الإشراف البشري بناءً على المخاطر والسياق.

النجاح المبكر مع العملاء المؤسسيين

مسار التمويل السريع لشركة Resolve AI يعكس الطلب القوي على هذه القدرة. جمعت الشركة أكثر من 190 مليون دولار في أقل من عامين وتعمل بالفعل مع منظمات مثل Coinbase و DoorDash (DASH ) و Salesforce و MSCI و Zscaler.

هذه هي البيئات التي يكون فيها انقطاع الخدمة مكلفًا وحيويًا. حتى التحسينات الصغيرة في أوقات استجابة الحوادث أو استقرار النظام يمكن أن تترجم إلى تأثير كبير على الأعمال.

ظهور شركات مثل Resolve AI يُشير إلى تطور أوسع في النظام البيئي للذكاء الاصطناعي.

المرحلة الأولى من الذكاء الاصطناعي التوليدي ركزت على الإنشاء: كتابة الشفرة ، توليد المحتوى ، وتسريع سير العمل. المرحلة التالية هي حول التشغيل – ضمان ما يتم بناؤه يمكن تشغيله بشكل موثوق في النطاق.

يُشير هذا التحول إلى تحديات تقنية جديدة. يتطلب أنظمة يمكنها التفكير عبر الوقت وتحمل عدم اليقين والتفاعل مع أدوات متعددة والعمل ضمن قيود صارمة. كما ي đòiى أساليب تقييم جديدة ، حيث لا تحصل المعايير التقليدية على أداء التشغيل في العالم الحقيقي.

ما يعنيه هذا الأمر في المستقبل

مع استمرار تسارع الذكاء الاصطناعي لتطوير البرمجيات ، سيكون الإنتاج بشكل متزايد العامل المحدد. قد تكون القدرة على تشغيل الأنظمة المعقدة بشكل موثوق هي ما يحدد الجيل التالي من منصات الذكاء الاصطناعي المؤسسية.

التمويل الأخير للشركة وإطلاق مختبرها البحثي يُشير إلى أن هذه المشكلة تتحرك إلى الواجهة. إذا نجحت ، فإن الشركة لا تبني مجرد أداة ذكاء اصطناعي – إنها تساعد في إعادة تعريف كيفية تشغيل أنظمة البرمجيات.

الآثار طويلة الأمد هي تحول نحو بيئات حيث يعمل أنظمة الذكاء الاصطناعي والمهندسين البشريين جنبًا إلى جنب ، مع التعامل مع मशiner معقدة الإنتاج والتركيز على التصميم والاستراتيجية والابتكار على مستوى أعلى.