Prince Kohli, Πρόεδρος και Διευθύνων Σύμβουλος της Sauce Labs – Σειρά Συνεντεύξεων

Prince Kohli, Πρόεδρος και Διευθύνων Σύμβουλος της Sauce Labs, είναι ένας έμπειρος στελεχός τεχνολογίας με εκτεταμένη εμπειρία που καλύπτει την τεχνητή νοημοσύνη, το επιχειρησιακό λογισμικό, το cloud computing, τον αυτοματισμό, τις δικτυώσεις και την κυβερνοασφάλεια. Πριν ενταχθεί στη Sauce Labs τον Φεβρουάριο του 2025, πέρασε πάνω από έξι χρόνια ως Διευθυντής Τεχνολογίας της Automation Anywhere, όπου συνέβαλε στην προώθηση τεχνολογιών αυτοματισμού με βάση την AI για μεγάλες επιχειρήσεις. Πριν από αυτό, ο Kohli υπηρέτησε ως Ανώτερος Αντιπρόεδρος Μηχανικής στην ThoughtSpot και κατείχε ανώτερες ηγετικές θέσεις στην Ericsson, συμπεριλαμβανομένης της επίβλεψης παγκόσμιων ερευνητικών & αναπτυξιακών οργανώσεων που περιλάμβαναν πάνω από 10.000 μηχανικούς. Επίσης, πέρασε σχεδόν μια δεκαετία στην Citrix ηγούμενος πρωτοκόλλων, cloud networking, μηχανικής και πρωτοβουλιών λειτουργίας. Στο αρχικό του επάγγελμα, συνέστησε την εταιρεία ασφάλειας εφαρμογών Teros και εργάστηκε ως τεχνικός επικεφαλής στην SGI. Παράλληλα με τις εκτελεστικές του θέσεις, ο Kohli έχει συμβάλει σε πρωτοβουλίες διακυβέρνησης τεχνολογίας μέσω του Ethical AI Governance Group και προηγουμένως συμμετείχε στην ομάδα εργασίας Safe Systems and Technologies του Παγκόσμιου Οικονομικού Φόρουμ.

Sauce Labs είναι μια εταιρεία ποιότητας λογισμικού και συνεχούς δοκιμής που παρέχει σε επιχειρήσεις υποδομή και εργαλεία για τη δοκιμή web και κινητών εφαρμογών σε διάφορα προγράμματα περιήγησης, λειτουργικά συστήματα, εικονικά περιβάλλοντα και πραγματικές συσκευές. Η πλατφόρμα της υποστηρίζει δυνατότητες όπως αυτοματοποιημένη και χειροκίνητη δοκιμή, οπτική δοκιμή, διανομή κινητών εφαρμογών, αναφορά σφαλμάτων, και δημιουργία δοκιμών και ανάλυση με τεχνητή νοημοσύνη, ενώ ενσωματώνεται σε κοινές ροές συνεχούς ενσωμάτωσης και παράδοσης. Η Sauce Labs τοποθετεί όλο και περισσότερο την τεχνολογία της γύρω από το AURA, την πλατφόρμα AI-Unified Release Assurance, η οποία χρησιμοποιεί πράκτορες AI για να βοηθήσει στη δημιουργία, εκτέλεση και ανάλυση δοκιμών, διατηρώντας την ανθρώπινη επίβλεψη καθ’ όλη τη διαδικασία κυκλοφορίας λογισμικού. Η εταιρεία δηλώνει ότι η υποδομή της έχει υποστηρίξει πάνω από 8,7 δισεκατομμύρια εκτελέσεις δοκιμών και πάνω από 300.000 επιχειρηματικούς χρήστες, αντλώντας από σχεδόν δύο δεκαετίες δεδομένων δια-πλατφορμικής δοκιμής.

Πριν ενταχθείτε στη Sauce Labs, ηγήθηκες της αυτοματοποίησης με βάση την AI στην Automation Anywhere και διαχειρίστηκες μεγάλες οργανώσεις cloud και μηχανικής σε εταιρείες όπως η Ericsson και η Citrix. Πώς αυτές οι εμπειρίες διαμόρφωσαν την αντίληψή σου για το πρόβλημα ποιότητας λογισμικού, και τι σε έπεισε να κάνεις την AI-φυσική διασφάλιση κυκλοφορίας κεντρική προτεραιότητα στη Sauce Labs;

Στην Ericsson και την Citrix, είδα πόσο γρήγορα μπορεί ένα σφάλμα λογισμικού να εξαπλωθεί και να επηρεάσει παγκόσμια υποδομή, δημιουργώντας σημαντικές επιπτώσεις στην ασφάλεια, τις λειτουργίες πελατών, την εμπιστοσύνη και τα έσοδα. Η Automation Anywhere μου έδειξε πώς η AI αλλάζει την ταχύτητα και τη δομή της εργασίας, και έγινε σαφές ότι οι δοκιμές πρέπει να ξαναχτιστούν για το ρυθμό του λογισμικού που παράγεται από AI. Η Sauce Labs πρωτοπόρησε στην αυτοματοποίηση δοκιμών, έτσι η AI-φυσική διασφάλιση κυκλοφορίας είναι το επόμενο μεγάλο πρόβλημα που έχουμε σχεδιαστεί να λύσουμε.

Η έρευνα της Sauce Labs διαπίστωσε ότι το 80% των οργανισμών έχει εντοπίσει ένα περιστατικό παραγωγής, διακοπή ή σφάλμα που επηρεάζει πελάτες, που αποδίδεται σε κώδικα που δημιουργήθηκε από AI. Υποδεικνύει αυτό κυρίως αδυναμίες στον κώδικα που παράγει η AI, ή τις επιχειρήσεις που υιοθετούν εργαλεία κωδικοποίησης AI χωρίς να ενημερώνουν τις διαδικασίες δοκιμής και διακυβέρνησής τους;

Το ποσοστό του 80% δείχνει ένα πρόβλημα σε όλο το σύστημα παράδοσης λογισμικού. Η βιομηχανία AI έχει προσελκύσει πάνω από ένα τρισεκατομμύριο δολάρια ιδιωτικού κεφαλαίου, μεγάλο μέρος του βασισμένο στην ιδέα ότι η AI κάνει τις επιχειρήσεις δραματικά πιο παραγωγικές. Ωστόσο, η δημιουργία περισσότερου κώδικα δημιουργεί αξία μόνο εάν οι εταιρείες μπορούν να είναι σίγουρες για την ποιότητα και την ασφάλειά του πριν τον ενσωματώσουν στην παραγωγή.

Ο κώδικας που δημιουργείται από AI μπορεί να εισάγει λεπτές αδυναμίες και προβλήματα ασφαλείας, και οι επιχειρήσεις αναγκάζονται να προωθήσουν αυτόν τον κώδικα μέσω διαδικασιών δοκιμής και διακυβέρνησης που ήδη δυσκολεύονταν να συμβαδίσουν. Αυτό δημιουργεί ένα τρισεκατομμυριαδολαριο πρόβλημα εκτέλεσης: η AI μπορεί να επιταχύνει τη δημιουργία λογισμικού, αλλά χωρίς σύγχρονη διασφάλιση κυκλοφορίας, επιταχύνει εξίσου και τα σφάλματα. Κάθε σφάλμα θα εντοπιστεί τελικά, έτσι οι εταιρείες πρέπει να βεβαιωθούν ότι το βρίσκουν πριν το κάνει ένας πελάτης ή ένας επιτιθέμενος.

Η αναφορά δηλώνει ότι οι προγραμματιστές παράγουν 741% περισσότερο κώδικα ενώ η ταχύτητα κυκλοφορίας αυξήθηκε λιγότερο από 20%. Τι εμποδίζει τα συστήματα επικύρωσης να συμβαδίσουν, και πού εμφανίζεται συνήθως το μεγαλύτερο εμπόδιο στον κύκλο ζωής ανάπτυξης λογισμικού;

Η δημιουργία κώδικα έχει προχωρήσει πολύ μπροστά από τη δημιουργία, συντήρηση και ανάλυση δοκιμών. Τα μεγαλύτερα εμπόδια εμφανίζονται συνήθως μετά τη συγγραφή του κώδικα και την ανάγκη επαλήθευσής του στο πλαίσιο του ταξιδιού του χρήστη. Αυτό μπορεί να είναι πολύ πολύπλοκο, συχνά πιο πολύπλοκο από τον ίδιο τον κώδικα, καθώς πρέπει να ληφθούν υπόψη διαδρομές end-to-end που καλύπτουν λειτουργίες και αντικείμενα κώδικα, με φαινομενικά μικρές αλλαγές στη σημασιολογία σε ένα σημείο να δημιουργούν μεγάλες επιδράσεις στη συνέχεια. Η συγγραφή αυτών των δοκιμών με τρόπο που καταγράφουν σωστά και πλήρως την πρόθεση της εφαρμογής ήταν παραδοσιακά σχεδόν αδύνατη, επιπλέον απαιτεί πολύ σημαντική ποσότητα χειροκίνητης εργασίας και συντήρησης. Επιπλέον, μετά την εκτέλεση των δοκιμών και την εμφάνιση αποτυχίας, οι ομάδες πρέπει να κατανοήσουν και να διαγνώσουν το ζήτημα, συμπεριλαμβανομένης της απόφασης εάν η αποτυχία προέρχεται από το προϊόν ή από μια ξεπερασμένη δοκιμή. Αυτή η εργασία εξακολουθεί να εξαρτάται σε μεγάλο βαθμό από την χειροκίνητη αξιολόγηση και το πλαίσιο μηχανικής.

Περισσότερο από το ήμισυ των ερωτηθέντων επιχειρήσεων παραδέχτηκαν ότι κυκλοφόρησαν εσκεμμένα λογισμικό με κρίσιμα σφάλματα, ενώ το 66% ανέφερε ότι παραβίασαν τα πρότυπα ποιότητας ή δοκιμής για να τηρήσουν μια προθεσμία. Γιατί οι οργανισμοί αποδέχονται αυτό το επίπεδο κινδύνου, και τι πρέπει να αλλάξει ώστε η ποιότητα λογισμικού να γίνει προτεραιότητα επιπέδου επιχείρησης αντί για τελικό σημείο ελέγχου μηχανικής;

Οι οργανισμοί αποδέχονται τον κίνδυνο επειδή οι στόχοι κυκλοφορίας συνδέονται με άμεσες δεσμεύσεις πελατών, εσόδων και προϊόντων, και το κόστος των σφαλμάτων εμφανίζεται συχνά αργότερα σε πολλές ομάδες. Η ποιότητα γίνεται προτεραιότητα επιπέδου επιχείρησης μόνο όταν οι ηγέτες μετρούν τα περιστατικά παραγωγής, τον αντίκτυπο στους πελάτες, την έκθεση σε κινδύνους ασφαλείας, τα κόστη επανασχεδίασης και τις καθυστερημένες εσόδους μαζί με την ταχύτητα κυκλοφορίας.

Η Sauce Labs τοποθετεί το AURA ως μια πλατφόρμα κλειστού βρόχου που δημιουργεί, εκτελεί και αναλύει δοκιμές ενώ μαθαίνει από κάθε κυκλοφορία. Πώς διαφέρει τεχνικά και λειτουργικά από τη δημιουργία δοκιμών με υποβοήθηση AI, τα αυτό-θεραπευτικά σενάρια δοκιμών ή άλλα εργαλεία αυτοματισμού που χρησιμοποιούνται ήδη από τις ομάδες μηχανικής;

Τα περισσότερα εργαλεία δοκιμών AI αντιμετωπίζουν μια συγκεκριμένη εργασία, όπως η δημιουργία μιας δοκιμής ή η επισκευή ενός σπασμένου εντοπιστή. Το AURA συνδέει ολόκληρη τη διαδικασία κατανοώντας την πρόθεση της εφαρμογής, δημιουργώντας και εκτελώντας δοκιμές, αναλύοντας αποτυχίες και επιστρέφοντας τη συμπεριφορά παραγωγής στην ανάπτυξη. Μπορεί αυτόματα να διαχειριστεί πολλές αλλαγές και να φέρει έναν άνθρωπο στη διαδικασία όταν η σημασία ή η αναμενόμενη συμπεριφορά της εφαρμογής έχει αλλάξει. Επιπλέον, οι δοκιμές που δημιουργεί είναι σταθερές, δηλαδή δεν χρειάζεται να τροποποιηθούν όταν συμβαίνουν αλλαγές που δεν επηρεάζουν τη σημασιολογία σε εφαρμογές, προγράμματα περιήγησης, συσκευές κ.λπ. Τέλος, καθώς το AURA ενσωματώνει μέσα του ένα σύννεφο εκτέλεσης δοκιμών, μπορεί να εκφορτώσει ολόκληρη τη διαδικασία από έναν προγραμματιστή ή ομάδα μηχανικής ποιότητας.

Το AURA σχεδιάστηκε για να επαληθεύει το λογισμικό έναντι του “επιχειρηματικού σκοπού”. Πώς ορίζεται αυτή η πρόθεση και μεταφράζεται σε απαιτήσεις που μπορούν να δοκιμαστούν, ποιος είναι υπεύθυνος για την έγκρισή της, και πώς η πλατφόρμα διαχειρίζεται απαιτήσεις που είναι ασαφείς, ελλιπείς ή ανοιχτές σε ερμηνεία;

Η επιχειρηματική πρόθεση προέρχεται από τις απαιτήσεις προϊόντος, τα κριτήρια αποδοχής, τους επιχειρηματικούς κανόνες, τα ταξίδια των χρηστών και τον τρόπο με τον οποίο οι πελάτες πραγματικά χρησιμοποιούν την εφαρμογή. Οι ηγέτες προϊόντος ορίζουν το αναμενόμενο αποτέλεσμα, και οι ομάδες μηχανικής και ποιότητας μεταφράζουν αυτό το αποτέλεσμα σε συμπεριφορά που το σύστημα μπορεί να επαληθεύσει. Όταν οι απαιτήσεις είναι ελλιπείς ή ασαφείς, το AURA πρέπει να εμφανίζει την αβεβαιότητα και να ζητά ανθρώπινη έγκριση πριν αλλάξει το αναμενόμενο αποτέλεσμα.

Η Sauce Labs αναφέρει ότι οι επιχειρήσεις που χρησιμοποιούν το AURA έχουν βιώσει 90% λιγότερα περιστατικά παραγωγής, 47% ταχύτερους κύκλους κυκλοφορίας και έχουν επανακτήσει 38% της μηχανικής χωρητικότητας. Πώς μετρήθηκαν αυτά τα αποτελέσματα, σε ποια χρονικά διαστήματα υλοποίησης, και ποια ανεξάρτητη επικύρωση χρησιμοποιήθηκε για να διακρίνει την επίδραση του AURA από άλλες οργανωτικές ή μηχανικές αλλαγές;

Σε όλη τη διάρκεια των υλοποιήσεων σε επιχειρήσεις, μετρήσαμε τις αλλαγές στα περιστατικά παραγωγής, την ταχύτητα των κύκλων κυκλοφορίας και τη μηχανική χωρητικότητα μετά την υλοποίηση του AURA από τις ομάδες. Αυτές οι υλοποιήσεις παρουσίασαν πάνω από 90% λιγότερα περιστατικά παραγωγής, 47% ταχύτερους κύκλους κυκλοφορίας και 38% επανακτημένη μηχανική χωρητικότητα, με τα αποτελέσματα να έχουν επικυρωθεί ανεξάρτητα. Πελάτες όπως η Walmart και η Keller Williams έχουν επίσης αναφέρει σημαντικές βελτιώσεις στη συχνότητα κυκλοφορίας, την κάλυψη δοκιμών και το χρόνο κύκλου.

Η έρευνα διαπίστωσε ότι το 64% των οργανισμών αύξησε το προσωπικό διασφάλισης ποιότητας ακόμη και καθώς τα περιστατικά συνέχισαν να αυξάνονται. Γιατί οι επιχειρήσεις δεν μπορούν να λύσουν το χάσμα επαλήθευσης απλώς προσλαμβάνοντας περισσότερους δοκιμαστές, και πώς αναμένετε να αλλάξουν οι ευθύνες των προγραμματιστών, των μηχανικών ποιότητας και των ομάδων αξιοπιστίας ιστοτόπων καθώς η δοκιμή γίνεται πιο αυτόνομη;

Η AI μπορεί να αυξήσει τον όγκο κώδικα πολύ πιο γρήγορα από ό,τι μια εταιρεία μπορεί να αυξήσει το προσωπικό δοκιμών, και η προσθήκη ανθρώπων δημιουργεί επίσης περισσότερα μεταβιβάσματα και συντονισμό. Οι προγραμματιστές θα πρέπει να ορίζουν την πρόθεση με σαφήνεια, οι μηχανικοί ποιότητας θα εστιάσουν περισσότερο στον κίνδυνο, την κάλυψη και τη διακυβέρνηση, και οι ομάδες αξιοπιστίας ιστοτόπων θα επιστρέφουν τη συμπεριφορά παραγωγής στην διαδικασία κυκλοφορίας. Οι πράκτορες μπορούν να διαχειριστούν επαναλαμβανόμενη εκτέλεση και ανάλυση στην κλίμακα που απαιτεί αυτό το νέο μοντέλο ανάπτυξης.

Καθώς οι πράκτορες AI αποκτούν ευθύνη για τη δημιουργία, την εκτέλεση και την ερμηνεία δοκιμών, πού πρέπει οι άνθρωποι να διατηρούν την εξουσία λήψης αποφάσεων; Τι είδους αβεβαιότητα, κίνδυνος ασφαλείας ή πιθανός αντίκτυπος στον πελάτη θα πρέπει αυτόματα να σταματούν μια κυκλοφορία ή να προκαλούν ανθρώπινη ανασκόπηση;

Οι άνθρωποι πρέπει να διατηρούν την τελική εξουσία πάνω στις αποφάσεις κυκλοφορίας, ιδιαίτερα όταν εμπλέκεται κρίση, αντίκτυπος στον πελάτη ή επιχειρηματικός κίνδυνος. Οι πράκτορες AI μπορούν να αυτοματοποιήσουν κουραστικές, επαναλαμβανόμενες και σαφώς ορισμένες εργασίες δοκιμής, αλλά οι άνθρωποι πρέπει να εγκρίνουν τις κυκλοφορίες παραγωγής όποτε ο κώδικας ή τα αποτελέσματα των δοκιμών δεν μπορούν να κατανοηθούν, εξηγηθούν ή αναπαραχθούν πλήρως. Η ανασκόπηση πρέπει επίσης να είναι υποχρεωτική όταν οι απαιτήσεις είναι ασαφείς, υπάρχουν πιθανές ευπάθειες ασφαλείας, τα εξαρτήματα τρίτων δεν έχουν επαρκώς επικυρωθεί, ή οι αποτυχίες θα μπορούσαν να επηρεάσουν έσοδα, ευαίσθητα δεδομένα, την εμπειρία πελατών ή κρίσιμες επιχειρησιακές λειτουργίες.

Σε αυτές τις καταστάσεις, η ανεξήγητη συμπεριφορά, τα ασυνεπή αποτελέσματα δοκιμών ή η ανεπαρκής απόδειξη ετοιμότητας κυκλοφορίας θα πρέπει αυτόματα να σταματούν την κυκλοφορία.

Έχουμε δει περιπτώσεις στους πελάτες μας όπου μια δοκιμή που φαινόταν “ασταθής”, περνώντας ασυνεπώς χωρίς εμφανές μοτίβο αποτυχίας, θα αγνοούνταν σε πολλές περιπτώσεις. Ωστόσο, καλά διακυβερνημένες διαδικασίες σε ορισμένους από αυτούς τους πελάτες απαιτούσαν δέουσα επιμέλεια και με τη βοήθεια της πλατφόρμας μας, μπόρεσαν να εντοπίσουν την αποτυχία σε ένα λεπτό αλλά κρίσιμο σφάλμα χρονισμού που θα μπορούσε να προκαλέσει σημαντικές επιπτώσεις αν κυκλοφορούσε, με πολύ υψηλό κόστος.

Έχετε επίσης συνεργαστεί με το Ethical AI Governance Group και την ομάδα εργασίας Safe Systems and Technologies του Παγκόσμιου Οικονομικού Φόρουμ. Καθώς ο κώδικας που δημιουργείται από AI και η αυτόνομη δοκιμή γίνονται πιο στενά συνδεδεμένα, ποια πρότυπα διακυβέρνησης θα χρειαστούν οι επιχειρήσεις για να διασφαλίσουν ότι η ταχύτερη δημιουργία λογισμικού δεν εισάγει νέους συστημικούς, ασφαλιστικούς ή ευθυνών κινδύνους;

Όσο πιο γρήγορα η AI μπορεί να δημιουργήσει λογισμικό, τόσο πιο ισχυρή πρέπει να γίνει η στρώση επαλήθευσης και διακυβέρνησης. Αυτή η στρώση αποτελείται από πολλά μέρη. Οι επιχειρήσεις πρέπει να έχουν σαφή όρια σχετικά με το τι μπορούν να αποφασίζουν αυτόνομα οι πράκτορες, με ανθρώπινη ανασκόπηση όταν υπάρχει αβεβαιότητα σχετικά με την επιχειρηματική πρόθεση, την ασφάλεια, τη συμμόρφωση ή ουσιαστική σημασιολογική αλλαγή. Επίσης χρειάζονται δυνατότητα ανιχνευσιμότητας για το τι άλλαξε ένας πράκτορας, γιατί το άλλαξε και ποια αποδεικτικά στοιχεία υποστήριξαν την απόφαση κυκλοφορίας. Τελικά, η διακυβέρνηση θα πρέπει να μετράται από την ποιότητα και την προβλεψιμότητα του τι φθάνει στην παραγωγή, όπως η συγκεκριμένη παρακολούθηση του πόσο συχνά ο κώδικας που δημιουργείται προκαλεί περιστατικά εντός 90 ημερών από την κυκλοφορία, όχι από το πόσο γρήγορα η AI μπορεί να δημιουργήσει κώδικα.

Σας ευχαριστούμε για τη σπουδαία συνέντευξη, οι αναγνώστες που θέλουν να μάθουν περισσότερα θα πρέπει να επισκεφθούν το Sauce Labs.