Gou Rao, administrerende direktør og medstifter af NeuBird – Interviewserie

Goutham (Gou) Rao er administrerende direktør og medstifter af NeuBird, skaberne af Hawkeye, verdens første generative AI-drevne ITOps-ingeniør, designet til at hjælpe IT-hold med at diagnosticere og løse tekniske problemer øjeblikkeligt, og muliggøre samarbejde mellem menneskelige hold og AI.

En serieiværksætter med en dokumenteret track record, har Rao co-founder og succesfuldt afsluttet flere virksomheder. Han co-founded Portworx, der blev opkøbt af Pure Storage; Ocarina Networks, der blev opkøbt af Dell; og Net6, der blev opkøbt af Citrix. Han er også en erfaren opfinder med over 50 udstedte patenter, der omfatter computer-netværk, lagring og sikkerhed.

NeuBird udvikler generative AI-løsninger til IT-drift for at hjælpe med at løse manglen på kvalificerede fagfolk, der er nødvendige for at håndtere moderne, komplekse teknologistakke. Virksomheden fokuserer på at forenkle dataanalyse og give real-time-handlingsmuligheder, med det formål at forbedre effektiviteten og støtte innovation i IT-drift.

Hvad inspirerede dig til at lancere NeuBird, og hvordan identificerede du behovet for AI-drevne IT-driftsautomatisering?

NeuBird blev født ud af den voksende kompleksitet af enterprise IT-stakke og manglen på kvalificerede IT-fagfolk. Traditionelle værktøjer kunne ikke følge med, og tvang IT-hold til at bruge 30% af deres budgetter på at navigere i siloede datakilder i stedet for at drive innovation. Vi så en mulighed for at skabe en AI-drevet ITOps-ingeniør – Hawkeye – der kunne øjeblikkeligt identificere IT-problemer, reducere tid-til-løsning fra dage til minutter, og muliggøre, at virksomheder kan skalerer IT-drift uden at være begrænsede af arbejdskraft.

Hvordan er NeuBird en pioner inden for AI-drevne digitale teammedlemmer, og hvad adskiller Hawkeye fra traditionelle IT-automatiseringsværktøjer?

I modsætning til statiske, regelbaserede IT-automatiseringsværktøjer, kan vores AI-drevne digitale teammedlem, Hawkeye, dynamisk behandle store mængder telemetridata og diagnosticere problemer øjeblikkeligt. Det eliminerer fordommene fra forudprogrammerede overvågningsværktøjer ved at trække indsigt fra diverse virksomhedsdatakilder – herunder Slack, cloudtjenester, databaser og brugerdefinerede applikationer – og giver IT-holdene en helhedsorienteret, kontekstualiseret visning af deres infrastruktur.

Hawkeye gør ikke kun overfladeproblemer synlige; det samarbejder aktivt med ingeniører gennem en konversationsinterface, diagnosticerer rodårsager og foreslår løsninger til komplekse IT-problemer. Dette ændrer grundlæggende, hvordan IT-drift fungerer, og hjælper dem med at minimere downtime og reagere på IT-tilfælde med en hidtil uset hastighed.

Virksomheder kæmper ofte med dataoverbelastning i IT-drift. Hvordan filtrerer Hawkeye gennem massive dataforhold for at give håndterbare indsigt?

Traditionelle IT-værktøjer kæmper med at behandle den flod af telemetridata – logfiler, systemmetrik og cloudpræstationsindikatorer – hvilket fører til alerttræthed og langsomt tilfælde-løsning.

Hawkeye skærer gennem støjen ved at analysere realtidsdata kontinuerligt og opdage mønstre, der signalerer ydelsesproblemer eller fejl. Det supplerer eksisterende overvågnings- og monitoreringsværktøjer ved at gå ud over passiv overvågning til at tage proaktiv handling. Det fungerer som en ingeniør på dit hold, og fortolker IT-telemetri og systemdata fra dine nuværende værktøjer, og dykker ned i problemer og løser dem, så snart de opstår.

Det leverer klare, håndterbare indsigt i naturlig sprog, og reducerer respons tid fra dage til minutter.

Hawkeyes unikke tilgang udnytter kraften fra LLM’er til at guide tilfældeanalyse uden at dele kundedata med LLM’er, og sikrer en omhyggelig og sikker tilgang.

Sikkerhed og tillid er store bekymringer for AI-adopteringsmuligheder i IT. Hvordan løser NeuBird disse udfordringer?

Hawkeyes unikke tilgang udnytter kraften fra LLM’er til at guide tilfældeanalyse uden at dele kundedata med LLM’er, og sikrer en omhyggelig og sikker tilgang.

Hawkeye fungerer inden for en virksomheds sikkerhedsperimeter og bruger kun interne datakilder til at generere indsigt – og eliminerer hallucinationer, der plager generiske LLM-baserede systemer. Det sikrer også gennemsigtighed ved at give sporbarlige anbefalinger, så IT-holdene kan beholde fuld kontrol over beslutningstagningen. Denne tilgang gør det til en pålidelig og sikker AI-teammate snarere end en sort-boks-løsning.

Hvordan integrerer Hawkeye med eksisterende IT-infrastruktur, og hvordan ser onboardingprocessen ud for virksomheder?

Hawkeye integrerer nærmest uden problemer med virksomhedens IT-miljø ved at tilslutte sig eksisterende overvågnings-, monitorerings- og tilfælderespons-værktøjer, f.eks. AWS CloudWatch, Azure Monitor, Datadog (DDOG ) og PagerDuty. Det fungerer sammen med IT-, DevOps- og SRE-hold uden at kræve store infrastrukturændringer.

Her er, hvordan det fungerer:

• Installation: Hawkeye installeres inden for jeres miljø og tilsluttes eksisterende værktøjer og datakilder.
• Lærings- og tilpasningsprocessen: Det analyserer historiske tilfælde og realtids-telemetri for at forstå normal systemdrift og identificere mønstre.
• Tilpasning: Platformen tilpasser sig virksomhedsspecifikke arbejdsgange og tilretter svar og anbefalinger til operationelle behov.
• Samarbejde: Gennem en chat-baseret interface modtager holdene realtids-diagnosticering, løsninger og automatiserede løsninger, hvor det er muligt.

Denne strømlinede integrationsproces accelererer tilfælde-løsning, reducerer MTTR og forbedrer systemets pålidelighed – og giver virksomheder mulighed for at skalerer IT-drift effektivt uden at tilføje nye medarbejdere.

Hvad er rollen for menneskelige ingeniører sammen med AI-teammates som Hawkeye? Hvordan ser du på denne samarbejdsudvikling?

Hawkeye supplerer, snarere end erstatter, menneskelige IT-fagfolk. IT-holdene driver stadig strategiske beslutninger, men i stedet for at løse hvert problem manuelt, arbejder de sammen med Hawkeye for at diagnosticere og løse problemer hurtigere. Da AI-teammates bliver mere avancerede, vil IT-fagfolk skifte til højere-værdi-opgaver – optimering af arkitektur, forbedring af sikkerhed og acceleration af ny teknologi-adopteringsprocesser.

Hawkeye hævder at reducere gennemsnitlig tid til løsning (MTTR) med 90%. Kan du dele nogen virkelige eksempler eller cases, der demonstrerer denne effekt?

En national dagligvarekæde integrerede Hawkeye for at håndtere den voksende kompleksitet af deres e-handelsplatform. Deres SRE-hold var overvældet af massive telemetridata og langsom manuel undersøgelse, især under højsæson.

Med Hawkeye som en GenAI-drevet teammate så de:

• ~90% MTTR-reduktion – Instant datakorrelation på tværs af AWS CloudWatch, AWS MSK og PagerDuty.
• 24/7 realtidsanalyse – Eliminerede eftertimer-escaleringer.
• Automatiseret tilfælde-løsning – Forhånds godkendte løsninger blev udrullet autonomt.

Under deres feriehandelssurge optimerede Hawkeye kapacitet, opdagede tidlige problemer og foretog realtids-justeringer, og sikrede næsten 100% op tid – en game-changer for deres IT-drift.

Hvad er din vision for udviklingen af AI-agenter fra passive assistenter til aktive problemløsere i virksomhedsdrift, og hvilke nøglefremgang er drivende for denne udvikling?

AI skifter fra passiv overvågning til aktiv problemløsning. Hawkeye giver allerede rodårsagsanalyse og løsninger, men næste fase er fuld autonomi – hvor AI proaktivt optimerer IT-drift og selvhelbrede infrastruktur i realtid. Denne udvikling, der drives af fremgang i GenAI og kognitive beslutningsmodeller, vil gendefinere virksomheds-IT.

Hvor ser du AI-drevne virksomhedsautomatisering i de næste fem år, og hvilke store udfordringer eller gennembrud kan du forvente undervejs?

AI vil skifte fra at assistere ingeniører til fuldt autonom IT-drift, forudse og løse problemer, før de eskalerer. Multi-agent AI-arbejdsgange vil muliggøre samarbejde på tværs af IT, sikkerhed og DevOps, og bryde ned siloer mellem afdelinger. De største gennembrud vil inkludere selvhelbredende infrastruktur, AI-drevet tværfunktionelt samarbejde og stærkere menneske-AI-tillid, og giver AI-teammates mulighed for at tage på sig mere komplekse beslutninger. De største udfordringer vil være at sikre AI-gennemsigtighed og tilpasse arbejdskraften til at arbejde sammen med AI, og balancere automatisering med menneskelig oversigt.

Med din erfaring fra at have ledt flere startups til succes, hvad ville du råde iværksættere, der bygger AI-drevne virksomheder i dag, til at gøre?

IVærksættere bør fokusere på at løse virkelige, højværdi-problemer snarere end at jage AI-hype. AI skal bygges med virksomhedstillid i mente, og sikre gennemsigtighed og kontrol for forretninger, der adopterer det. Tilpasningsevne er nøgle – AI-systemer skal udvikle sig med forretningsbehov i stedet for at være stive, en-size-fits-all-løsninger. Snarere end at erstatte menneskelig ekspertise skal AI være positioneret som en teammate, der forbedrer beslutningstagning og driftseffektivitet. Til sidst, så tager AI-adopteringsprocessen i virksomheder tid, så virksomheder, der prioriterer skalerbarhed og langsigtede effekter over kortsigtede trends, vil til sidst opstå som ledere i branchen.

Tak for det gode interview, læsere, der ønsker at lære mere, skal besøge NeuBird.