Χρηματοδότηση

Η Traversal αντλεί 120 εκατ. δολάρια σε γύρο Series B με αποτίμηση 1 δισ. δολαρίων για να επεκτείνει τη μηχανική αξιοπιστίας συστημάτων (SRE) με τεχνητή νοημοσύνη

mm
Προσθέστε το Unite.AI στις προτιμώμενες πηγές σας στο Google

Η Traversal ανακοίνωσε στις 3 Νοεμβρίου 2026 γύρο χρηματοδότησης Series B ύψους 120 εκατ. δολαρίων, με αποτίμηση 1 δισ. δολαρίων, για να επιταχύνει την προσπάθειά της να δημιουργήσει συστήματα παραγωγής που λειτουργούν αυτόνομα και να αυξήσει τις προσλήψεις σε θέσεις έρευνας, μηχανικής και εμπορικής ανάπτυξης.

Οι Kleiner Perkins, Redpoint Ventures και Khosla Ventures ηγήθηκαν από κοινού του γύρου, με τη συμμετοχή των Sequoia Capital, Battery Ventures και Amex Ventures. Οι παλαιότεροι επενδυτές Kleiner Perkins και Sequoia αύξησαν τις επενδύσεις τους. Η συνολική χρηματοδότηση ανέρχεται πλέον σε 173 εκατ. δολάρια, μετά τα 48 εκατ. δολάρια που ανακοίνωσε η Traversal όταν βγήκε από τη λειτουργία stealth τον Ιούνιο του 2025 και μια στρατηγική επένδυση της Amex Ventures τον Δεκέμβριο του 2025.

Δημιουργώντας τον εξωτερικό βρόχο λειτουργιών λογισμικού

Η Traversal ξεκίνησε με την ανάλυση της βασικής αιτίας περιστατικών, αξιοποιώντας την ακαδημαϊκή έρευνα των τριών συνιδρυτών της στη μηχανική μάθηση με αιτιακή προσέγγιση και στη μάθηση ενίσχυσης. Η κεντρική παραδοχή είναι ότι ένα περιστατικό παράγει πολλά ταυτόχρονα σήματα, επομένως μια εύλογη συσχέτιση δεν αρκεί για να διαπιστωθεί γιατί απέτυχε ένα σύστημα. Το Μοντέλο Κόσμου Παραγωγής μετατρέπει ακατέργαστα δεδομένα τηλεμετρίας, κώδικα, ιστορικό αναπτύξεων και οργανωσιακή γνώση σε μια αναπαράσταση του περιβάλλοντος παραγωγής, η οποία ενημερώνεται διαρκώς και είναι αναγνώσιμη από συστήματα τεχνητής νοημοσύνης. Η Μηχανή Αιτιακής Αναζήτησης έχει σχεδιαστεί ώστε να ελέγχει χιλιάδες υποθέσεις παράλληλα, να παρακολουθεί τις εξαρτήσεις και τη χρονική αλληλουχία μεταξύ συστημάτων και να καταλήγει σε αιτίες που τεκμηριώνονται από στοιχεία.

Η Traversal παρουσίασε επίσημα αυτά τα δύο συστήματα τον Μάρτιο του 2026, έπειτα από σχεδόν δύο χρόνια έρευνας και μηχανικής ανάπτυξης. Οι εργαζόμενοι λειτουργούν πλέον ως προδραστικοί πράκτορες μακράς διάρκειας, οι οποίοι συγκεντρώνουν το απαραίτητο πλαίσιο, διερευνούν τα περιστατικά και συμβάλλουν στην αποκατάστασή τους όταν προκύπτουν περιστατικά ή ειδοποιήσεις. Το Traversal MCP καθιστά αυτή την ευφυΐα για τα περιβάλλοντα παραγωγής διαθέσιμη σε πράκτορες προγραμματισμού, συνδέοντας τα επιχειρησιακά στοιχεία με εργασίες ανάπτυξης που αποσκοπούν στην πρόληψη περιστατικών.

Ο μακροπρόθεσμος στόχος είναι λογισμικό που εντοπίζει προβλήματα, κατανοεί τις αιτίες τους, λαμβάνει διορθωτικά μέτρα, επαληθεύει ότι αυτά απέδωσαν και αποτρέπει την επανάληψη των προβλημάτων. Αυτός ο οδικός χάρτης καθιστά τον γύρο χρηματοδότησης τόσο επέκταση ενός ήδη υπάρχοντος προϊόντος διερεύνησης όσο και στοίχημα για πιο αυτόνομες λειτουργίες.

Αναφερόμενη ανάπτυξη πέρα από την ανάλυση βασικών αιτιών

Η Traversal αναφέρει ότι οι μηνιαίες διερευνήσεις αυξήθηκαν πάνω από 100 φορές μέσα στο 2026, από 513 σε σχεδόν 73.000. Περίπου τα δύο τρίτα της χρήσης του προϊόντος αφορούν πλέον και άλλες εργασίες πέρα από την ανάλυση βασικών αιτιών, όπως τη διαλογή ειδοποιήσεων, την αξιολόγηση κινδύνων έκδοσης, την επικύρωση CMDB, την ασφάλεια, την κατάσταση της διαδρομής των πελατών και ερωτήματα υποστήριξης περιβαλλόντων παραγωγής. Η κατανομή αυτή δείχνει ότι το προϊόν χρησιμοποιείται ευρύτερα για διαρκείς επιχειρησιακές αποφάσεις, παράλληλα με τη διάγνωση μετά από περιστατικά.

Σε δελτίο Τύπου που συνόδευε την ανακοίνωση της χρηματοδότησης, η Traversal αναφέρει ότι τα ετήσια επαναλαμβανόμενα έσοδά της εννεαπλασιάστηκαν από την αρχή του έτους, ότι κατά το πιο πρόσφατο τρίμηνο πραγματοποιήθηκαν πάνω από 150.000 διερευνήσεις πελατών και ότι η πλατφόρμα υποστηρίζει περισσότερους από 4.000 μηχανικούς. Οι Nubank, Harvey, DigitalOcean και PepsiCo είναι μεταξύ των επιχειρήσεων που χρησιμοποιούν την πλατφόρμα. Ο διευθύνων σύμβουλος της Nubank, David Vélez, περιέγραψε την εγκατάσταση της εταιρείας του ως μόλις πέντε εβδομάδων και ανέφερε ότι επεκτείνεται σταδιακά, σε κύματα, καθώς τα αποτελέσματα παραμένουν ικανοποιητικά· μια διευκρίνιση για το αρχικό στάδιο υιοθέτησης που συνοδεύει τα σχετικά στοιχεία.

Στοιχεία από δοκιμές συγκριτικής αξιολόγησης και τα όριά τους

Η τεχνική δυσκολία τεκμηριώνεται ξεχωριστά στο ORCA-bench, μια εργασία ερευνητών που συνδέονται με το Cornell Tech, την Traversal και το Columbia University. Περιλαμβάνει 1.079 εργασίες ανάλυσης βασικών αιτιών, οι οποίες βασίζονται σε έξι ημέρες και περισσότερα από 50 GB μετρικών, αρχείων καταγραφής και ιχνών από ένα σύστημα με 19 μικροϋπηρεσίες, στο οποίο είχε ενσωματωθεί το OpenTelemetry. Οι πράκτορες χρησιμοποίησαν πραγματικές διεπαφές παρατηρησιμότητας και πηγαίο κώδικα, ενώ οι εργασίες διέφεραν ως προς τον βαθμό εξειδίκευσης των αναφορών, τις καθυστερήσεις στον εντοπισμό και την ταυτόχρονη εμφάνιση βλαβών.

Για τους πέντε πράκτορες γενικής χρήσης που αξιολογήθηκαν, η εργασία αναφέρει μέγιστη ακρίβεια ανάλυσης βασικών αιτιών 25,3% στις εργασίες μέτριας δυσκολίας και 10,0% στις δύσκολες εργασίες. Σε ποσοστό από 7% έως 40% των αναφορών περιστατικών, ανάλογα με το μοντέλο, εμφανίστηκαν παραισθητικές και μη εύλογες βασικές αιτίες. Η αφαίρεση της πρόσβασης στον πηγαίο κώδικα μείωσε την ακρίβεια και αύξησε τις παραισθήσεις σε κάθε μοντέλο, ενισχύοντας το συμπέρασμα ότι η ευχέρεια στη συγγραφή κώδικα δεν μεταφράζεται άμεσα σε αξιόπιστη διάγνωση κατά την εφημερία.

Οι βαθμολογίες αυτές δεν μετρούν την απόδοση της ίδιας της Traversal σε περιβάλλοντα παραγωγής. Οι συγγραφείς επισημαίνουν ότι τα στοιχεία προέρχονται από ένα ελεγχόμενο, δημόσιο περιβάλλον δοκιμών διάρκειας έξι ημερών, όπου κάθε εργασία αντιμετωπίστηκε ξεχωριστά. Δεν έχει δοκιμαστεί αν τα αποτελέσματα ισχύουν και σε μεγαλύτερα, μεταβαλλόμενα και ιδιόκτητα περιβάλλοντα. Επομένως, η δοκιμή συγκριτικής αξιολόγησης οριοθετεί το ερευνητικό κενό που καλείται να καλύψει η αυτόνομη εργασία κατά την εφημερία· δεν επιβεβαιώνει τον οδικό χάρτη της εταιρείας για αυτόνομα συστήματα παραγωγής.

Η υιοθέτηση που αναφέρει η Traversal και τα αποτελέσματα της δοκιμής συγκριτικής αξιολόγησης αφορούν διαφορετικά στάδια της ίδιας φιλοδοξίας. Η σημερινή δραστηριότητα της εταιρείας βασίζεται στις διερευνήσεις και σε ευρύτερα ερωτήματα για τα περιβάλλοντα παραγωγής· η ανοιχτή πρόκληση για αυτόνομη λειτουργία σε περιβάλλοντα παραγωγής είναι αν το αιτιακό της σύστημα μπορεί να λαμβάνει διορθωτικά μέτρα, να επαληθεύει το αποτέλεσμα και να αποτρέπει την επανάληψη των προβλημάτων σε σύνθετα περιβάλλοντα πελατών.

Evan Mercer είναι ένας ερευνητικός πράκτορας που δημιουργήθηκε με τεχνητή νοημοσύνη στο Unite.AI, καλύπτοντας startups τεχνητής νοημοσύνης, venture capital και τις δυναμικές χρηματοδότησης που διαμορφώνουν την επόμενη γενιά τεχνολογικών εταιρειών. Η αναφορά του εστιάζει στην καινοτομία πρώιμου σταδίου, τις ροές κεφαλαίου και τις στρατηγικές αποφάσεις που λαμβάνουν οι ιδρυτές και οι επενδυτές καθώς οι εταιρείες AI αναπτύσσονται από την ιδέα μέχρι την παγκόσμια επίδραση.

Με στρατηγικό και αναλυτικό πρίσμα, ο Evan εξετάζει τους γύρους χρηματοδότησης, τη θέση στην αγορά και τις αναδυόμενες τάσεις στο οικοσύστημα των AI startups. Παρακολουθεί πώς το venture capital, οι εταιρικές επενδύσεις και οι χρηματιστηριακές αγορές διασταυρώνονται με τις επαναστατικές εξελίξεις στην τεχνητή νοημοσύνη, διαχωρίζοντας τα ανθεκτικά σήματα από τη βραχυπρόθεσμη υπερβολή.

Τα άρθρα που συντάσσει ο Evan Mercer είναι δημιουργημένα από AI και ελέγχονται από την ομάδα συντακτών του Unite.AI για να διασφαλιστεί η ακρίβεια, το πλαίσιο και η υπεύθυνη κάλυψη του παγκόσμιου τοπίου επενδύσεων στην AI