Κρίστιν Ίσαακ, Διευθύντρια και Συνιδρύτρια της Strudel – Σειρά Συνεντεύξεων

Κρίστιν Ίσαακ, Διευθύντρια και Συνιδρύτρια της Strudel είναι μια βετεράνος ηγέτης της τεχνολογίας επιχειρήσεων που έχει κατέχει υψηλές θέσεις στη LinkedIn, Udemy, ESPN και Disney πριν από την εκκίνηση της Strudel. Τώρα, εστιάζει στην αντιμετώπιση ενός από τα μεγαλύτερα σημεία τριβής στις οργανώσεις λογισμικού: το χάσμα μεταξύ της υποστήριξης πελατών και της μηχανικής. Στη Strudel, κατασκευάζει μια πλατφόρμα που οδηγείται από την τεχνητή νοημοσύνη, η οποία βοηθά τις τεχνικές ομάδες υποστήριξης να επιλύσουν σύνθετα προβλήματα πιο γρήγορα, συνδέοντας αιτήσεις υποστήριξης απευθείας με την ευφυΐα μηχανικής. Η προηγούμενη εμπειρία της στη διαχείριση ομάδων, την κατασκευή στρατηγικών go-to-market και την οδήγηση της αύξησης σε παγκόσμιες οργανώσεις έχει βοηθήσει να διαμορφώσει την ταχεία πρώιμη ελαστικότητα και τη ισχυρή τοποθέτηση της Strudel στην αγορά της επιχειρηματικής τεχνητής νοημοσύνης και των εργαλείων αναπτύξεως.

Strudel είναι μια πλατφόρμα τεχνητής νοημοσύνης που κατασκευάζεται για να αυτοματοποιήσει την προηγμένη τεχνική υποστήριξη, αναλύοντας καταγραφές, δεδομένα παραγωγής, αποθήκες κώδικα και προηγούμενη ιστορία υποστήριξης για να αναγνωρίσει τις ριζικές αιτίες και να συστήσει λύσεις. Ο στόχος της είναι να μειώσει τον χρόνο και την προσπάθεια μηχανικής που απαιτείται για την επίλυση δυσκολών περιπτώσεων υποστήριξης, ιδιαίτερα των ανυψώσεων που συνήθως καταναλώνουν υπεύθυνους τεχνικούς πόρους. Συνδέοντας την υποστήριξη απευθείας με τα υποκείμενα τεχνικά ζητήματα, η Strudel θέτει τον εαυτό της ως ένα εργαλείο που μπορεί να κάνει τις επιχειρηματικές επιχειρήσεις υποστήριξης ταχύτερες, πιο αποτελεσματικές και πιο ευέλικτες.

Έχετε κατέχει ηγετικές θέσεις σε οργανισμούς όπως η LinkedIn, η Udemy και η Disney πριν από την ίδρυση της Strudel το 2025. Ποια εμπειρία από αυτές τις θέσεις σας έπεισε ότι οι ομάδες μηχανικής χρειάζονται ένα νέο είδος πλατφόρμας ευφυούς μηχανικής και πώς διαμορφώθηκε αυτή η ερμηνεία στην ίδρυση της Strudel;

Κάθε εταιρεία στην οποία εργάστηκα είχε μια διαφορετική εκδοχή του ίδιου προβλήματος. Στη Disney, οι ποντίες ήταν τεράστιες – αν μια πλατφόρμα streaming κατέβαινε κατά τη διάρκεια μιας μεγάλης εκκίνησης, δεν ήταν μόνο ένα χτύπημα εσόδου, αλλά και ένα χτύπημα μάρκας. Στη LinkedIn, η κλίμακα ήταν αμείωτη. Υπήρχαν χιλιάδες υπηρεσίες που όλες παράγαν θόρυβο και ακόμη και οι καλύτερες ομάδες δυσκολεύονταν ναακολουθείθούν. Στη Udemy, είδα μια λιτή ομάδα να κάνει ηρωικά πράγματα με περιορισμένα εργαλεία.

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

Συνεχώς σκεφτόμουν: πρέπει να υπάρχει ένας έξυπνος τρόπος να επιφανεί τι πραγματικά μετράει, όταν μετράει. Αυτό είναι πραγματικά το σπόρο της Strudel.

Πολλά σβήματα προέρχονται από μικρά bugs ή αλλαγές διαμόρφωσης που διαφεύγουν από το τεστ. Ποια είναι κάποια από τα λιγότερο ορατά έξοδα των σβημάτων που οι οργανώσεις συνήθως υποτιμούν;

Το ποσό εσόδου που μπαίνει στο board deck, αλλά η άμεση επίδραση εσόδου είναι μόνο ένα τμήμα του τι πραγματικά κοστίζει το σβήσιμο. Αυτά που βλέπω τις οργανώσεις να παραμελούν συνήθως πέφτουν σε κάποιες κατηγορίες.

Η πρώτη είναι η εμπιστοσύνη του πελάτη. Οι ποινές SLA είναι ένας νομικός κατασκευασμένος – δεν καταγράφουν τον πελάτη που σιωπηλά εγκαταλείπει ή τον επιχειρηματικό προοπτικό που είδε τη σελίδα κατάστασης σας στη λάθος στιγμή και επέλεξε έναν ανταγωνιστή. Αυτή η ζημία είναι αργή, αόρατη και μόνιμη με έναν τρόπο που ένα επιταγείο επιστροφής 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 είχαν προληφθεί – αρχίζουν να αμφιβάλλουν αν αυτό είναι ο σωστός τόπος για να χτίσουν την καριέρα τους. Η αντικατάσταση ενός senior μηχανικού κοστίζει οπουδήποτε από ένα έως δύο φορές το ετήσιο μισθό τους όταν λαμβάνετε υπόψη την προσλήψη, την ενσωμάτωση και τη χαμένη θεσμική γνώση. Κανείς δεν το βάζει στο post-mortem.

Η τρίτη είναι το κόστος ευκαιρίας. Κάθε ώρα που μια ομάδα μηχανικής περνάει πολεμώντας πυρκαγιές είναι μια ώρα που δεν passer στην κατασκευή προϊόντων. Αυτό είναι δύσκολο να το βάλεις σε ένα excel, αλλά συσσωρευμένο κατά τους μήνες, σιωπηλά ανατινάζει το δρόμο σας.

Οι μηχανικοί συχνά τραβιούνται μακριά από την κατασκευή νέων χαρακτηριστικών για να ανταποκριθούν σε περιστατικά παραγωγής. Πώς επηρεάζει αυτό το συνεχές πυροσβέστευση την καινοτομία προϊόντων και τους μακροπρόθεσμους δρόμους ανάπτυξης;

Δημιουργεί ένα φόρο στην ικανότητα της ομάδας μηχανικής να χτίσει. Κάθε ομάδα έχει einen πεπερασμένο όγκοζώνη, και όταν ένα σημαντικό τμήμα αυτού συνεχώς ανακατευθύνεται σε περιστατικά, η συσσωρευτική επίδραση στην ανάπτυξη προϊόντων είναι σοβαρή. Οι δεσμεύσεις δρόμου χάνουν. Το χρέος τεχνικής δεν πληρώνεται. Τα χαρακτηριστικά αποστέλλονται με λιγότερη αυστηρότητα επειδή 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 – που είναι τελικά αυτό που οδηγεί τα καλύτερα αποτελέσματα μηχανικής.

Επίσης, δημιουργεί einen αυτοενισχυόμενο κύκλο. Η αναβληθείσα επένδυση σημαίνει περισσότερα περιστατικά, που σημαίνει περισσότερο πυροσβέστευση, που σημαίνει ακόμη λιγότερο χρόνο για επένδυση στα υποκείμενα προβλήματα. Στη Strudel, ένα μεγάλο μέρος του τι χτίζουμε είναι ειδικά για τις ομάδες SRE που ζουν αυτό κάθε μέρα.

Η Strudel συνδέει δεδομένα υποστήριξης πελατών, καταγραφές, συστήματα παραγωγής και αποθήκες κώδικα για να αναγνωρίσει 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 ουσιαστικά συστήματα ενημέρωσης. Είναι εξαιρετικά καλά στο να σας λένε ότι κάτι πέρασε ένα όριο – μια αύξηση καθυστέρησης, μια αύξηση ποσοστού σφαλμάτων, μια πτώση pod. Τι δεν μπορούν να κάνουν είναι να συσχετίσουν μεταξύ σπίτιένιων.

Δεν ξέρουν ότι η αύξηση του ποσοστού σφαλμάτων στην υπηρεσία πληρωμών σας συνέβη τέσσερα λεπτά μετά μια ανάπτυξη σε μια εξάρτηση, και ότι ένα εισιτήριο υποστήριξης που αναφέρει προβλήματα checkout ήρθε περίπου την ίδια ώρα, και ότι η τελευταία φορά που αυτό το πρότυπο εμφανίστηκε στα logs σας ήταν έξι μήνες πριν κατά τη διάρκεια μιας μετανάστευσης βάσης δεδομένων.

Αυτή η διατομεακή συσχετίση είναι τι επιτρέπει η τεχνητή νοημοσύνη. Μπορούμε να αντιμετωπίσουμε ένα εισιτήριο Zendesk, einen commit GitHub, einen trace Datadog (DDOG ) και einen log CloudWatch ως μέρος ενός ενιαίου ιστορικού και όχι ως απομονωμένα σημεία δεδομένων. Η τεχνητή νοημοσύνη επιφανίζει όχι μόνο τι είναι κατεστραμμένο, αλλά και το πιθανό γιατί και πού – και το βάσηικοποιεί σε στοιχεία που ένας ανθρώπινος μηχανικός μπορεί πραγματικά να επιβεβαιώσει και να ενεργήσει. Δεν ζητάμε από τις ομάδες να εμπιστευτούν ένα μαύρο κουτί. Δίνουμε τους einen καλά ερευνημένο υποψήφιο και ένα προβάδισμα.

Περιγράφετε τη Strudel ως μια πλατφόρμα που παρέχει “ευφυΐα μηχανικής”. Τι σημαίνει αυτή η έννοια στην πράξη, και πώς διαφέρει από τις παραδοσιακές πλατφόρμες observability ή AIOps;

Η παρατηρησιμότητα είναι ουσιαστικά για διαμόρφωση και ορατότητα – να βεβαιωθείτε ότι η τηλεμετρία υπάρχει και ότι οι ομάδες μπορούν να την ερωτήσουν. Το AIOps, στις περισσότερες από τις τρέχουσες εφαρμογές του, είναι για τη μείωση του θορύβου ενημερώσεων μέσω ML-βασισμένης συσχετίσεως 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 στοίβα 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, ενεργό 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 παρατηρησιμότητα και το AIOps είναι ο ανιχνευτής καπνού – απαραίτητος, αλλά σταματά στο σήμα. Η ευφυΐα μηχανικής είναι τι έρχεται μετά: εδώ είναι τι συνέβη, εδώ είναι γιατί, εδώ είναι πού ξεκίνησε.

Οι πράκτορες τεχνητής νοημοσύνης αναπτύσσονται ολοένα και περισσότερο για να αυτοματοποιήσουν σύνθετες τεχνικές ροές 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 τριγυρίζοντας ενημερώσεις ή ψάχνοντας μέσα από καταγραφές για μια αλλαγή που κάποιος έκανε την Παρασκευή το απόγευμα. Αυτό δεν είναι γιατί είναι καλοί στη δουλειά τους. Nhưng αυτό είναι τι τρώει ένα τεράστιο μέρος του χρόνου τους.

Τα επόμενα πέντε χρόνια, νομίζω ότι οι πράκτορες παίρνουν ένα μεγάλο μέρος αυτής της δουλειάς – την επαναλαμβανόμενη, την αντιστοίχιση προτύπων, την συναρμολόγηση πλαίσιο – που είναι σημαντική αλλά δεν είναι εκεί που πρέπει να περνάει ο χρόνος των senior μηχανικών. Αυτό απελευθερώνει τους ανθρώπους να εστιάσουν στα σύνθετα προβλήματα, τις αρχιτεκτονικές αποφάσεις, τα πράγματα που πραγματικά απαιτούν ανθρώπινη κρίση.

Τι είναι ενθαρρυντικό είναι ότι αυτό δεν είναι μόνο ένα μελλοντικόκατάσταση – το βλέπουμε να αναπτύσσεται τώρα, συμπεριλαμβανομένης της Strudel. Ολόκληρος 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 κινείστε γρηγορότερα και να το κάνετε με λιγότερους ανθρώπους – επειδή οι άνθρωποι που έχετε εστιάζουν στην στρατηγική και τη σύνθετη δουλειά αντί για την καταβολή των δαπανών σας στην επαναλαμβανόμενη δουλειά. Αυτό μοιάζει με μια σημαντική αλλαγή στο πώς χτίζονται και δομούνται οι ομάδες.

Πολλά σβήματα προέρχονται από μικρά bugs ή αλλαγές διαμόρφωσης που διαφεύγουν από το τεστ. Πώς μπορούν οι συστήματα τεχνητής νοημοσύνης να αναγνωρίσουν λεπτές τάσεις σε κώδικα, καταγραφές ή σήματα υποδομήςαρκετά νωρίς για να προληθούν τα σημαντικά περιστατικά;

Καλώς κατασκευασμένη τεχνητή νοημοσύνη έχει einen πραγματικό πλεονέκτημα εδώ, και δεν είναι ότι είναι έξυπνη από τους μηχανικούς σας – είναι ότι δεν ξεχνά και δεν κοιμάται. Ένας άνθρωπος μπορεί να μην συνδέσει μια λεπτή τάση καταγραφών σήμερα με κάτι που συνέβη έξι μήνες πριν σε ένα πλήρως 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.

Όμως, υπάρχει επίσης κάτι άλλο που ακούω από πελάτες πολύ συχνά: η πρόληψη είναι μόνο τόσο καλή όσο τα δεδομένα που βρίσκονται κάτω από αυτήν. Αν οι καταγραφές σας είναι ασυνεπείς,όχι πλήρεις ή απομονωμένες σε δώδεκα εργαλεία που δεν μιλάνε μεταξύ τους, η τεχνητή νοημοσύνη εργάζεται με μια θραυσματική εικόνα. Σκουπίδια μέσα, σκουπίδια έξω – αυτό vẫn ισχύει. Περνάμε πολύ χρόνο με πελάτες βοηθώντας τους να σκεφτούν για την ποιότητα δεδομένων και τη διαμόρφωση γιατί η καλύτερη τεχνητή νοημοσύνη στον κόσμο δεν μπορεί να επιφανίσει 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 παίρνουν την περισσότερη αξία από αυτήν είναι αυτές που έχουν κάνει τη δουλειά να βεβαιωθούν ότι τα δεδομένα τους είναι πραγματικά αξιολόγητα.

Οι εταιρείες συχνά επενδύουν πολύ σε εργαλεία ανίχνευσης αλλά ακόμη 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;

Η ανίχνευση είναι ουσιαστικά ένα λυμένο πρόβλημα σε αυτό το σημείο. Οι περισσότερες ομάδες έχουν ενημερώσεις. 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 όλο τον σχετικό πλαίσιο να είναι συνεστραμμένος. 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 προηγουμένη εβδομάδα. Ψάχνει μέσα από Slack, από πίνακες ελέγχου, από καταγραφές ανάπτυξης, από εισιτήρια υποστήριξης – κάνει αυτήν την συναρμολόγηση πλαίσιο χειροκίνητα, υπό πίεση, συχνά στη μέση της νύχτας.

Αυτή η συναρμολόγηση πλαίσιο είναι το μπουκάλι. Δεν είναι ότι οι μηχανικοί και οι ομάδες υποστήριξης δεν ξέρουν πώς να επιλύσουν προβλήματα – είναι ότι περνούν το πρώτο 30 έως 60 λεπτά κάθε περιστατικού προσπαθώντας να κατανοήσουν τι βλέπουν. Αυτό είναι όπου ζει η Strudel. Ολόκληρη η θέση μας είναι ότι αν μπορείτε να δώσετε σε einen μηχανικό eine συνεστραμμένη, ενεργό εικόνα του τι συνέβη και γιατί – ακριβώς όταν το χρειάζεται – θα συμπιέσετε δραματικά αυτό το χάσμα. Η δουλειά επίλυσης παραμένει δική τους. Μόνο τους φέρνουμε στην αρχική γραμμή πολύ γρηγορότερα.

Όταν τα συστήματα τεχνητής νοημοσύνης αρχίζουν να αναλύουν δεδομένα παραγωγής, κώδικες και λειτουργικά logs, ποια είναι τα κυριότερα ζητήματα διακυβέρνησης ή ασφάλειας που οι ομάδες μηχανικής πρέπει να λάβουν υπόψη κατά την ανάπτυξη αυτών των εργαλείων;

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

Έχω μιλήσει με πολλούς μηχανικούς γι’ αυτό, και ένα πράγμα που ακούω συνέχεια είναι ότι η τεχνητή νοημοσύνη γράφει bugs αποτελεσματικά και έξυπνα. Πραγματικά έξυπνα, στην πραγματικότητα. Σε έναν τρόπο που μπορεί να είναι πραγματικά δύσκολο να πιάσει – ακόμη και για senior μηχανικούς που αναθεωρούν τον κώδικα προσεκτικά. Τα bugs δεν είναι πάντα προφανή. Μπορούν να φαίνονται hoàn toàn λογικά σε μια ματιά.

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 πιαστούν προβλήματα να διαφεύγουν – όχι επειδή κάποιος ήταν αμέλεια, αλλά επειδή η φύση των προβλημάτων της τεχνητής νοημοσύνης είναι διαφορετική. Δύσκολο να το πιάσει στην αναθεώρηση. Δύσκολο να το πιάσει στο τεστ.

Ειλικρινά; Αυτό είναι ένας από τους λόγους που νομίζω η περίπτωση για τι κάνει η Strudel γίνεται ακόμη ισχυρότερη με τον καιρό. Αν περισσότερα bugs μπαίνουν στην παραγωγή, η ικανότητα να τα βρείτε και να τα επιλύσετε γρηγορότερα γίνεται πιο σημαντική, όχι λιγότερο. Το ζήτημα διακυβέρνησης δεν είναι μόνο για τον έλεγχο πρόσβασης δεδομένων και τις άδειες – αν και αυτά μετράνε και οι ομάδες πρέπει να είναι προσεκτικές με ποια 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 υποδομή πρώτα στην τεχνητή νοημοσύνη, όπου αυτόνομες συστήματα παρακολουθούν, διαγιγνώσκουν και ακόμη και επιλύουν προβλήματα πριν οι άνθρωποι το καταλάβουν;

Νομίζω ότι πηγαίνουμε προς αυτήν την κατεύθυνση, αλλά είμαι πραγματιστικός για το χρονοδιάγραμμα. Πλήρως αυτόνομες συστήματα που επιλύουν περιστατικά παραγωγής χωρίς καμία ανθρώπινη επίγνωση – αυτό δεν είναι όπου είμαστε, και δεν νομίζω ότι θα είμαστε τα επόμενα πέντε χρόνια. Και νομίζω ότι αυτό είναι εντάξει.

Τι πιστεύω είναι ότι ο κύκλος γίνεται πολύ πιο στενός και πολύ λιγότερο επώδυνος. Το μέλλον που με ενθουσιάζει δεν είναι εκείνο όπου οι άνθρωποι αφαιρούνται από την εξίσωση – είναι εκείνο όπου οι άνθρωποι που ενσωματώνονται στη διαδικασία περνούν τον χρόνο τους στα μέρη που πραγματικά απαιτούνται. Κρίσιμες αποφάσεις. Νέα περιστατικά. Ένα περιστατικό που δεν έχετε δει ποτέ. Η τεχνητή νοημοσύνη χειρίζεται την αντιστοίχιση προτύπων, την συναρμολόγηση πλαίσιο, την καθημερινή τριγυρισμένη εργασία. Οι μηχανικοί χειρίζονται τις αποφάσεις.

Για τους μηχανικούς, νομίζω ότι φαίνεται così: λιγότερος χρόνος on-call στη μέση της νύχτας για πράγματα που δεν χρειάζεται να τους ξυπνήσουν, και περισσότερος χρόνος στην κατασκευή συστημάτων που δεν σπάει από την αρχή. Το πυροσβέστευση δεν εξαφανίζεται εντελώς. Αλλά γίνεται η εξαίρεση παρά η mặc định 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.