Kristin Isaac, CEO και Συνιδρυτής στο Strudel – Σειρά Συνεντεύξεων

Kristin Isaac, CEO και Συνιδρυτής στο Strudel είναι ένας βετεράνος ηγέτης τεχνολογίας επιχειρήσεων που έχει κατέχει υψηλές θέσεις στη LinkedIn, Udemy, ESPN και Disney πριν από την εκκίνηση του Strudel. Τώρα εστιάζει στην αντιμετώπιση ενός από τα μεγαλύτερα προβλήματα τριβής στις οργανώσεις λογισμικού: το χάσμα μεταξύ της υποστήριξης πελατών και της μηχανικής. Στο Strudel, κατασκευάζει μια πλατφόρμα που οδηγείται από την τεχνητή νοημοσύνη που βοηθά τις τεχνικές ομάδες υποστήριξης να επιλύουν σύνθετα προβλήματα πιο γρήγορα συνδέοντας αιτήσεις υποστήριξης trực tiếp με την ευφυΐα μηχανικής. Η εμπειρία της στη διαρκή ομάδων, την κατασκευή στρατηγικών go-to-market και την οδήγηση της ανάπτυξης σε全球 οργανώσεις έχει βοηθήσει να διαμορφώσει την ταχεία πρώιμη τρακτίωση και τη ισχυρή τοποθέτηση του Strudel στην αγορά επιχειρηματικής τεχνητής νοημοσύνης και εργαλείων αναπτυξιακού.

Strudel είναι μια πλατφόρμα τεχνητής νοημοσύνης που κατασκευάζεται για την αυτοματοποίηση της προηγμένης τεχνικής υποστήριξης αναλύοντας καταγραφές, δεδομένα παραγωγής, αποθετήρια κώδικα και προηγούμενο ιστορικό υποστήριξης για την ταυτοποίηση των ριζικών αιτιών και την προταση λύσεων. Ο στόχος της είναι να μειώσει τον χρόνο και την προσπάθεια μηχανικής που απαιτείται για την επίλυση δυσκόλων περιπτώσεων υποστήριξης, ιδιαίτερα των είδων των αναβαθμίσεων που συνήθως καταναλώνουν υπεύθυνους τεχνικούς πόρους. Συνδέοντας την υποστήριξη trực tiếp με τα υποκείμενα τεχνικά ζητήματα, το Strudel τοποθετείται ως ένα εργαλείο που μπορεί να κάνει τις επιχειρηματικές επιχειρήσεις υποστήριξης ταχύτερες, πιο αποτελεσματικές και πιο κλιμακωτές.

Έχετε κατέχει ηγετικές θέσεις σε οργανώσεις όπως η LinkedIn, Udemy και Disney πριν από την ίδρυση του Strudel το 2025. Ποια εμπειρία από αυτές τις θέσεις σας έπεισε ότι οι ομάδες μηχανικής χρειάζονται ένα νέο είδος πλατφόρμας “ευφυΐας μηχανικής” που οδηγείται από την τεχνητή νοημοσύνη, και πώς αυτή η εντύπωση διαμόρφωσε την ίδρυση του Strudel;

Κάθε εταιρεία στην οποία εργάστηκα είχε μια διαφορετική εκδοχή του ίδιου προβλήματος. Στη Disney, τα στοιχήματα ήταν τεράστια – αν μια πλατφόρμα streaming κατέβαινε κατά τη διάρκεια μιας μεγάλης εκκίνησης, δεν ήταν μόνο ένα χτύπημα εσόδων, ήταν ένα brand moment. Στη LinkedIn, η κλίμακα ήταν αμείωτη. Υπήρχαν χιλιάδες υπηρεσίες που όλες παρήγαγαν θόρυβο, και ακόμη και οι καλύτερες ομάδες αγωνίζονταν να跟θούν. Στη Udemy, είδα μια λιτή ομάδα να κάνει ηρωικά πράγματα με περιορισμένα εργαλεία.

Τι συνέδεε όλα αυτά και την εμπειρία των συνιδρυτών μου, Shai Rubin και Brian Kaufman, ηγετών ομάδων μηχανικής, ήταν ότι οι μηχανικοί περνούσαν περισσότερο χρόνο ανακατασκευάζοντας το контекст παρά επιλύοντας πραγματικά προβλήματα. Κάποιος λαμβάνει μια σελίδα στις 2 π.μ. και πριν μπορέσει ακόμη να αρχίσει να διαγνώσει, ψάχνει μέσα από νήματα Slack, πίνακες ελέγχου, εισιτήρια Jira, καταγραφές αναπτύξεως – προσπαθώντας να κατανοήσει τι άλλαξε και πότε. Παίζουν πραγματικά ντετέκτιβ πριν μπορέσουν να κάνουν την πραγματική δουλειά τους. Αυτό είναι một σπατάλη εξαιρετικά ταλαντούχων ανθρώπων.

Συνέχισα να σκέφτομαι: πρέπει να υπάρχει ένα έξυπνο τρόπο να επιφέρουμε τι πραγματικά μετράει, όταν μετράει. Αυτό είναι πραγματικά το σπόρο του Strudel.

Πολλές εταιρείες μετρούν τον οικονομικό αντίκτυπο της διακοπής σε όρους χαμένων εσόδων ή ποινών SLA. Από την εμπειρία σας, ποια είναι κάποια από τα λιγότερο ορατά έξοδα των διακοπών που οι οργανώσεις συνεχώς υποτιμούν;

Το ποσό εσόδων που μπαίνει στο board deck, αλλά ο άμεσος οικονομικός αντίκτυπος είναι μόνο một κλάσμα του πραγματικού κόστους της διακοπής. Αυτά που βλέπω τις οργανώσεις να τις λείπουν συνεχώς χωρίζονται σε κάποιες κατηγορίες.

Η πρώτη είναι η εμπιστοσύνη του πελάτη. Οι ποινές SLA είναι ένας νομικός κατασκευής – δεν καταγράφουν τον πελάτη που σιωπηλά απορρίπτει, ή τον επιχειρηματικό προοπτικό που είδε την σελίδα κατάστασης σας στη λάθος στιγμή και επέλεξε έναν ανταγωνιστή. Αυτή η ζημία είναι αργή, αόρατη και μόνιμη με έναν τρόπο που ένα check ανταποδοσης απλά δεν είναι.

Η δεύτερη είναι η αποχώρηση και η εξουθένωση των μηχανικών. Η κόπωση on-call είναι πραγματική. Όταν οι καλύτεροι μηχανικοί σας επαναλαμβάνονται σε υψηλής πίεσης περιστατικά – ιδιαίτερα αυτά που θα μπορούσαν να είχε προληφθεί – αρχίζουν να αμφιβάλλουν εάν αυτό είναι ο σωστός τόπος για να χτίσουν την καριέρα τους. Η αντικατάσταση eines senior μηχανικού κοστίζει όπου από ένα đến δύο φορές το ετήσιο μισθό τους όταν λάβετε υπόψη την προσλήψη, την ενσωμάτωση και την απώλεια θεσμικής γνώσης. Κανείς δεν το βάζει στο post-mortem.

Η τρίτη είναι το κόστος ευκαιρίας. Κάθε ώρα μια ομάδα μηχανικής περνάει πολεμώντας πυρκαγιές είναι μια ώρα που δεν περνάει οικοδομώντας προϊόν. Αυτό είναι δύσκολο να το βάλει σε ένα excel. Αλλά συσσωρευμένο κατά τους μήνες, σιωπηλά ανατινάζει το δρόμο σας.

Οι μηχανικοί συχνά απομακρύνονται από την κατασκευή νέων χαρακτηριστικών για να ανταποκριθούν σε περιστατικά παραγωγής. Πώς επηρεάζει αυτό η συνεχής πυροσβεσία την καινοτομία του προϊόντος και τα μακροπρόθεσμα χρονοδιαγράμματα ανάπτυξης;

Δημιουργεί ένα φόρο στην ικανότητα της ομάδας μηχανικής να χτίσει. Κάθε ομάδα έχει einen πεπερασμένο όγκο banda, και όταν ένα σημαντικό τμήμα αυτού συνεχώς ανακατευθύνεται σε περιστατικά, η συσσωρευτική επίδραση στην ανάπτυξη προϊόντος είναι σοβαρή. Οι δεσμεύσεις του δρόμου χάνουν. Το τεχνικό χρέος δεν πληρώνεται. Τα χαρακτηριστικά αποστέλλονται με λιγότερη αυστηρότητα γιατί υπάρχει πίεση να αναπληρώσετε τον χαμένο χρόνο.

Τι είναι ιδιαίτερα καταστροφικό είναι η αβεβαιότητα. Μια ομάδα μπορεί να σχεδιάσει το sprint με καλές προθέσεις, και μετά ένα σημαντικό περιστατικό εκρήγνυται την Τρίτη και όλα τα άλλα γίνονται δευτερεύοντα. Αυτή η συνεχής αβεβαιότητα κάνει σχεδόν αδύνατο να χτίσετε μια κουλτούρα βαθιάς εργασίας – η οποία είναι τελικά τι οδηγεί τα καλύτερα αποτελέσματα μηχανικής.

Δημιουργεί επίσης ένα αυτοενισχυόμενο κύκλο. Η αναβληθείσα επένδυση σημαίνει περισσότερα περιστατικά, τα οποία σημαίνουν περισσότερη πυροσβεσία, τα οποία σημαίνουν ακόμη λιγότερο χρόνο για επένδυση στα υποκείμενα προβλήματα. Στο Strudel, ένα μεγάλο μέρος του τι χτίζουμε είναι ειδικά για τις ομάδες SRE που ζουν αυτό κάθε μέρα.

Το Strudel συνδέει δεδομένα υποστήριξης πελατών, καταγραφές, συστήματα παραγωγής και αποθετήρια κώδικα για να ταυτοποιήσει τις ριζικές αιτίες πιο γρήγορα. Πώς η τεχνητή νοημοσύνη συνδυάζει αυτά τα διαφορετικά τεχνικά σήματα με έναν τρόπο που τα παραδοσιακά εργαλεία παρακολούθησης δεν μπορούν;

Τα παραδοσιακά εργαλεία παρακολούθησης είναι θεμελιωδώς συστήματα ειδοποίησης. Είναι εξαιρετικά καλά σε να σας πουν ότι κάτι διέσχισε einen όριο – μια σπείρα καθυστέρησης, μια αναλογία σφάλματος που ανεβαίνει, ένας κόμβος που καταρρέει. Τι δεν μπορούν να κάνουν είναι να συλλογισθούν διαμέσω домένιων.

Δεν ξέρουν ότι η σπείρα σφάλματος στο σύστημα πληρωμών σας συνέβη τέσσερις λεπτά μετά μια αναπτύξη σε μια εξάρτηση, και ότι ένα εισιτήριο υποστήριξης που αναφέρει προβλήματα checkout ήρθε περίπου την ίδια ώρα, και ότι το τελευταίο που αυτό το μοτίβο εμφανίστηκε στα logs σας ήταν έξι μήνες πριν κατά τη διάρκεια μιας μετανάστευσης βάσης δεδομένων.

Αυτή η διατομεακή συσχέτιση είναι τι ermöglicht η τεχνητή νοημοσύνη. Μπορούμε να αντιμετωπίσουμε ένα εισιτήριο Zendesk, einen commit GitHub, ένα trace Datadog και μια καταγραφή CloudWatch ως μέρος ενός ενιαίου ιστορικού chứ không ως απομονωμένα δεδομένα. Η τεχνητή νοημοσύνη επιφέρνει όχι μόνο τι είναι κατεστραμμένο, αλλά και το πιθανό γιατί και πού – και το आधικοποιεί σε στοιχεία που ένας ανθρώπινος μηχανικός μπορεί πραγματικά να επικυρώσει και να ενεργήσει. Δεν ζητάμε από τις ομάδες να εμπιστευτούν ένα μαύρο κουτί. Δίνουμε τους μια καλά συλλογισμένη υπόθεση και ένα προβάδισμα.

Περιγράψτε το Strudel ως την παροχή “ευφυΐας μηχανικής”. Τι σημαίνει αυτή η έννοια στην πράξη, και πώς διαφέρει από τις συμβατικές πλατφόρμες παρακολούθησης ή AIOps;

Kristin: Η παρακολούθηση είναι θεμελιωδώς για την οργάνωση και την ορατότητα – βεβαιωθείτε ότι η τηλεμετρία είναι εκεί και ότι οι ομάδες μπορούν να την αναζητήσουν. Το AIOps, στις περισσότερες από τις τρέχουσες υλοποιήσεις του, είναι για την μείωση του θορύβου ειδοποίησης μέσω ML-βασισμένης συσχέτισης και ανίχνευσης ανωμαλιών. Και τα δύο είναι πραγματικά πολύτιμα, και ενσωματώνουμε μαζί τους.

Αλλά η ευφυΐα μηχανικής είναι ένα επίπεδο πάνω. Παίρνουμε τι κάνει το AIOps και το επεκτείνουμε. Όπου το AIOps σας λέει ότι κάτι είναι λάθος, η ευφυΐα μηχανικής σας βοηθά να κατανοήσετε γιατί είναι λάθος, πού ξεκίνησε, και τι να κάνετε γι’ αυτό – τραβώντας σήματα από όλο το στοίχωμα σας, συμπεριλαμβανομένων πηγών που παραδοσιακά εργαλεία AIOps δεν κοιτάζουν, όπως εισιτήρια υποστήριξης πελατών ή αλλαγές κώδικα. Ο στόχος δεν είναι μόνο να μειώσετε τον θόρυβο. Είναι να δώσετε στην ομάδα σας μια πλήρη, ενεργοποιημένη εικόνα ώστε να μπορέσετε να επιλύσετε το πρόβλημα πιο γρήγορα και να επιστρέψετε στην κατασκευή.

Σκεφτείτε το ως τη διαφορά μεταξύ ενός ανιχνευτή καπνού και ενός ερευνητή πυρκαγιάς. Η παρακολούθηση και το AIOps είναι ο ανιχνευτής καπνού – απαραίτητο, αλλά σταματά στο σήμα. Η ευφυΐα μηχανικής είναι τι έρχεται μετά: εδώ τι συνέβη, εδώ γιατί, εδώ πού ξεκίνησε.

Οι πράκτορες τεχνητής νοημοσύνης αναπτύσσονται όλο και περισσότερο για την αυτοματοποίηση σύνθετων τεχνικών ροών εργασίας. Ποιο ρόλο βλέπετε τους πράκτορες να παίζουν στην διάγνωση και επίλυση περιστατικών λογισμικού τα επόμενα πέντε χρόνια;

Νομίζω ότι το πιο ενδιαφέρον ερώτημα δεν είναι τι θα κάνουν οι πράκτορες – είναι τι θα σταματήσουν να κάνουν οι μηχανικοί. Οι καλύτεροι μηχανικοί με τους οποίους έχω συνεργαστεί δεν μπήκαν σε αυτό το πεδίο για να περάσουν τις νύχτες τους στην τριγωνοποίηση ειδοποιήσεων ή στην αναζήτηση καταγραφών για μια αλλαγή config που κάποιος έκανε μια Παρασκευή το απόγευμα. Αυτό δεν είναι γιατί είναι καλοί στο επάγγελμά τους. Αλλά αυτό είναι τι περνάει ένα τεράστιο μέρος του χρόνου τους.

Τα επόμενα πέντε χρόνια, νομίζω ότι οι πράκτορες αναλαμβάνουν πολύ από αυτή τη δουλειά – τη επαναλαμβανόμενη, τη συσχέτιση προτύπων, τη συναρμολόγηση контекστ – που είναι σημαντική αλλά δεν είναι όπου πρέπει να περνάει ο χρόνος των senior μηχανικών. Αυτό απελευθερώνει τους ανθρώπους να επικεντρωθούν στα σύνθετα προβλήματα, τις αρχιτεκτονικές αποφάσεις, τα πράγματα που πραγματικά απαιτούν ανθρώπινη κρίση.

Τι είναι ενθουσιαστικό για μένα είναι ότι αυτό δεν είναι μόνο ένα μελλοντικό состояние – το βλέπουμε να αναπτύσσεται τώρα, συμπεριλαμβανομένου και στο Strudel. Όλος ο δρόμος μας είναι προσανατολισμένος στην αφαίρεση διοικητικής και συντηρητικής εργασίας από τις πλάτες των μηχανικών. Και τι βρήκαμε, ειλικρινά, είναι ότι αυτό αλλάζει τι είναι δυνατό για μια ομάδα. Μπορείτε να χτίσετε περισσότερα, να κινηθείτε γρηγορότερα, και να το κάνετε με λιγότερους ανθρώπους – γιατί οι άνθρωποι που έχετε επικεντρώνονται στην στρατηγική και τη σύνθετη εργασία chứ nicht στην επαναλαμβανόμενη δουλειά. Αυτό feels σαν μια σημαντική αλλαγή στο πώς χτίζονται και δομούνται οι ομάδες.

Πολλές διακοπές προέρχονται από μικρά σφάλματα ή αλλαγές.config που διαφεύγουν από τα tests. Πώς μπορούν τα συστήματα τεχνητής νοημοσύνης να αναγνωρίσουν λεπτές τάσεις στο κώδικα, τις καταγραφές ή τα σήματα υποδομής νωρίς enough για να προληφθούν μεγάλες διακοπές;

Καλώς κατασκευασμένη τεχνητή νοημοσύνη έχει einen πραγματικό πλεονέκτημα εδώ, και δεν είναι ότι είναι έξυπνη από τους μηχανικούς σας – είναι ότι δεν ξεχνάει ποτέ και δεν κοιμάται. Ένας άνθρωπος μπορεί να μην συνδέσει μια λεπτή τάση καταγραφών σήμερα με κάτι που συνέβη έξι μήνες πριν σε ένα完全 διαφορετικό μέρος του συστήματος. Η τεχνητή νοημοσύνη μπορεί. Παρακολουθεί όλα, όλη την ώρα, και έχει μια πολύ μεγαλύτερη και ευρύτερη μνήμη από οποιοδήποτε άτομο στην ομάδα σας.

Αυτό όμως, υπάρχει επίσης κάτι άλλο που ακούω από πελάτες πολύ: η πρόληψη είναι μόνο τόσο καλή όσο τα δεδομένα που βρίσκονται κάτω από αυτή. Αν οι καταγραφές σας είναι ασυνεπείς, ατελείς ή απομονωμένες σε δώδεκα εργαλεία που δεν μιλούν μεταξύ τους, η τεχνητή νοημοσύνη εργάζεται με μια θραυσματική εικόνα. Γαρμπάζ σε, γαρμπάζ έξω – αυτό είναι ακόμα αλήθεια. Περνάμε πολύ χρόνο με πελάτες να σκεφτόμαστε για την ποιότητα δεδομένων και την οργάνωση因为 το καλύτερο σύστημα τεχνητής νοημοσύνης στον κόσμο δεν μπορεί να επιφέρσει ένα σήμα που δεν καταγράφηκε ποτέ.

Έτσι, η απάντηση είναι και τα δύο: ναι, η τεχνητή νοημοσύνη μπορεί να πιάσει πράγματα νωρίτερα και να συνδέσει τα σημεία που οι άνθρωποι θα χάσουν. Αλλά οι ομάδες που λαμβάνουν την μεγαλύτερη αξία από αυτή είναι αυτές που έχουν κάνει την δουλειά να βεβαιωθούν ότι τα δεδομένα τους είναι πραγματικά αξιοθρήνητα.

Οι εταιρείες συχνά επενδύουν πολύ σε εργαλεία ανίχνευσης αλλά ακόμα παλεύουν με τον μέσο χρόνο επίλυσης. Ποια είναι τα μεγαλύτερα εμπόδια που εμποδίζουν τις οργανώσεις από το να κλείσουν το χάσμα μεταξύ ανίχνευσης περιστατικών και πραγματικής επίλυσης ριζικών αιτιών;

Η ανίχνευση είναι σε μεγάλο βαθμό ένα λυμένο πρόβλημα αυτή τη στιγμή. Οι περισσότερες ομάδες έχουν ειδοποιήσεις. Ξέρουν ότι κάτι είναι λάθος. Το χάσμα είναι όλα όσα συμβαίνουν μετά.

Όταν ένας μηχανικός λαμβάνει μια σελίδα, δεν μπαίνει σε μια σαφή κατάσταση με όλα τα σχετικά δεδομένα καλά συναρμολογημένα. Μπαίνει σε ένα χάος. Πρέπει να κατανοήσει τι άλλαξε, πότε άλλαξε, ποιο σύστημα άγγιξε, αν υπάρχει επίδραση πελάτη, αν σχετίζεται με κάτι που συνέβη την προηγούμενη εβδομάδα. Τραβούν από το Slack, από πίνακες ελέγχου, από καταγραφές αναπτύξεως, από εισιτήρια υποστήριξης – κάνουν αυτή τη δουλειά συναρμολόγησης контекστ手动, υπό πίεση, συχνά στη μέση της νύχτας.

Αυτή η συναρμολόγηση контекστ είναι το μπουκάλι. Δεν είναι ότι οι μηχανικοί και οι ομάδες υποστήριξης δεν ξέρουν πώς να επιλύσουν προβλήματα – είναι ότι περνούν τα πρώτα 30 με 60 λεπτά κάθε περιστατικού προσπαθώντας να κατανοήσουν τι βλέπουν πραγματικά. Αυτό είναι το Strudel ζει. Η ολόκληρη μας θέση είναι ότι αν μπορείτε να δώσετε σε einen μηχανικό eine συνεκτική, ενεργοποιημένη εικόνα τι συνέβη και γιατί – ακριβώς όταν το χρειάζονται – θα συμπιέσετε δραματικά αυτό το χάσμα. Η δουλειά επίλυσης παραμένει δική τους. Μόνο τους φέρνουμε στην αφετηρία πολύ γρηγορότερα.

Όταν τα συστήματα τεχνητής νοημοσύνης αρχίζουν να αναλύουν δεδομένα παραγωγής, κώδικα και λειτουργικών καταγραφών, ποια gouvernance ή ασφάλεια πρέπει οι ομάδες μηχανικής να έχουν υπόψη τους κατά την ανάπτυξη αυτών των εργαλείων;

Το πράγμα που νιώθω πιο έντονα εδώ είναι ότι οι άνθρωποι πρέπει ακόμα να αναθεωρούν τον κώδικα που μπαίνει στην παραγωγή.

Έχω μιλήσει με πολλούς μηχανικούς για αυτό, και ένα πράγμα που ακούω συνέχεια είναι ότι η τεχνητή νοημοσύνη γράφει σφάλματα αποτελεσματικά και έξυπνα. Πραγματικά έξυπνα,其实. Σε έναν τρόπο που μπορεί να είναι πραγματικά δύσκολο να πιαστεί – ακόμη και για senior μηχανικούς που αναθεωρούν τον κώδικα προσεκτικά. Τα σφάλματα δεν είναι πάντα προφανή. Μπορούν να φαίνονται hoàn hảo όταν τα κοιτάτε.

Έτσι, καθώς η τεχνητή νοημοσύνη γράφει όλο και περισσότερο τον κώδικα που μπαίνει στην παραγωγή, νομίζω ότι θα δούμε περισσότερα από αυτά τα λεπτά, δύσκολα να ανιχνευθούν σφάλματα να διαφεύγουν – όχι因为 κάποιος ήταν αμέλεια, αλλά因为 η φύση των σφαλμάτων της τεχνητής νοημοσύνης είναι διαφορετική. Δύσκολο να το δείτε σε αναθεώρηση. Δύσκολο να το πιάσετε στα tests.

Ειλικρινά; Αυτό είναι ένας από τους λόγους που νομίζω η περίπτωση για τι κάνει το Strudel μόνο γίνεται ισχυρότερη με τον καιρό. Αν περισσότερα σφάλματα μπαίνουν στην παραγωγή, η ικανότητα να τα βρείτε και να τα επιλύσετε γρηγορότερα γίνεται πιο σημαντική, όχι λιγότερο. Το ερώτημα gouvernance δεν είναι μόνο για τα δεδομένα πρόσβασης ελέγχου και άδειες – αν και αυτά μετράει και οι ομάδες πρέπει να είναι προσεκτικές με τι δεδομένα δίνουν πρόσβαση σε οποιοδήποτε σύστημα τεχνητής νοημοσύνης. Είναι επίσης για το να κρατήσετε τους ανθρώπους στα σωστά checkpoints, ιδιαίτερα γύρω από οτιδήποτε αγγίζει την παραγωγή.

Κοιτάζοντας μπροστά, νομίζετε ότι το μέλλον της μηχανικής αξιοπιστίας θα μετατοπιστεί προς μια τεχνητή νοημοσύνη-πρώτη υποδομή, όπου αυτόνομες συστήματα παρακολουθούν, διαγνώσουν και ακόμη και επιλύουν προβλήματα πριν οι άνθρωποι είναι ενήμεροι για αυτά; Αν ναι, τι είναι η εργασία του μελλοντικού μηχανικού;

Νομίζω ότι πηγαίνουμε σε αυτή τη διεύθυνση, αλλά είμαι πραγματιστικός για το χρονοδιάγραμμα. Πλήρως αυτόνομες συστήματα που επιλύουν περιστατικά παραγωγής χωρίς ανθρώπινη επίγνωση – αυτό δεν είναι όπου είμαστε, και δεν νομίζω ότι θα είμαστε εκεί τα επόμενα quelques χρόνια. Και νομίζω ότι αυτό είναι εντάξει.

Τι πιστεύω είναι ότι ο κύκλος γίνεται πολύ πιο στενός και πολύ λιγότερο οδυνηρός. Το μέλλον που είμαι ενθουσιασμένος για δεν είναι ένα όπου οι άνθρωποι αφαιρούνται από την εξίσωση – είναι ένα όπου οι άνθρωποι που ενσωματώνονται στην διαδικασία περνούν τον χρόνο τους στα μέρη που πραγματικά απαιτούνται. Κρίσεις. Νέα περιστατικά. Ένα περιστατικό που δεν έχετε δει ποτέ. Η τεχνητή νοημοσύνη χειρίζεται τη συσχέτιση προτύπων, τη συναρμολόγηση контекστ, τη ρουτίνα τριγωνοποίηση. Οι μηχανικοί χειρίζονται τις αποφάσεις.

Για τους μηχανικούς, νομίζω ότι φαίνεται così: λιγότερος χρόνος on-call στη μέση της νύχτας για πράγματα που δεν χρειάζονταν να τους ξυπνήσουν, και περισσότερος χρόνος οικοδομώντας συστήματα που δεν σπάζουν στην πρώτη θέση. Η πυροσβεσία δεν εξαφανίζεται εντελώς. Αλλά γίνεται η εξαίρεση μάλλον niż η κανονική κατάσταση του να είσαι μηχανικός σε μια εταιρεία που τρέχει λογισμικό σε κλίμακα. Αυτό είναι ένα μέλλον που αξίζει να χτιστεί.

Ευχαριστώ για τη μεγάλη συνέντευξη, οι αναγνώστες που επιθυμούν να μάθουν περισσότερα πρέπει να επισκεφθούν Strudel.