Autoheal keräsi $7,9M siemenrahoituksen itseparantavaan ohjelmistotehtaaseen

Autoheal on kerännyt $7,9 miljoonaa siemenrahoitusta laajentaakseen alustaa, joka on suunniteltu hallitsemaan AI-avusteisen koodauksen jälkeistä työtä: tapahtumien tutkimista, haavoittuvuuksien korjaamista, mallikustannusten hallintaa ja ohjelmistojen agenttien sovittamista yrityksen järjestelmiin ja käytäntöihin.

Innovation Endeavors johti kierrosta, ja mukana olivat Emergent Ventures, U&I Ventures, Darkmode Ventures, Batch Ventures sekä Param Hansa Values. Innovation Endeavorsin Harpinder Singh liittyy Autohealin hallitukseen.

Rahoitus saapuu, kun yritykset oppivat, että nopeampi koodin generointi ei automaattisesti tuota nopeampaa tai turvallisempaa ohjelmistotoimitusta. Enemmän koodia voi tarkoittaa enemmän hälytyksiä, tarkastuksia, haavoittuvuuksia ja pilvimallien kulutusta. Autoheal keskittyy tähän vähemmän näkyvään AI-koodausbuumin kerrokseen.

Nopeammasta koodauksesta syntyvä operatiivinen ongelma

AI-koodausassistentit ovat vähentäneet koodin tuottamiseen tarvittavaa vaivaa, mutta monet alavirtaiset insinööritehtävät ovat edelleen työvoimavaltaisia. Tuotantotapaturmia on edelleen tutkittava, tietoturvatuloksia on korjattava, ja alustan tiimit tarvitsevat edelleen ymmärtää, miksi automatisoitu toimenpide onnistui tai epäonnistui.

Autoheal väittää, että nämä tehtävät tulisi käsitellä koordinoidun ohjelmistotehtaan osana sen sijaan, että ne annettaisiin erillisten, yhteensopimattomien agenttien käyttöön. Sen alusta yhdistää koodausvälineet repositorioihin, CI/CD-järjestelmiin, valvontaplatformeihin, pilviympäristöihin ja vikaseurantajärjestelmiin. Tavoitteena on antaa erikoistuneille agenteille yhteinen näkymä insinöörityöympäristöön, samalla pitäen ne asiakkaan pilvi- ja turvallisuusvalvonnan sisällä.

Tämä arkkitehtuuri on merkittävä säänneltyjen tai teknisesti monimutkaisten organisaatioiden kohdalla, joissa agentti saattaa tarvita tuotantokontekstia, mutta ei voi saada rajoittamatonta pääsyä. Se myös vastaa käytännön hallintahaasteeseen: kun tiimit ottavat käyttöön enemmän agenteja, ne tarvitsevat yhtenäisen tavan arvioida käyttäytymistä, seurata muutoksia ja hallita kustannuksia.

Kuinka Autohealin jatkuva parannussilmukka toimii

Autohealin lähestymistavan ytimessä ovat kaksi valvontaa suorittavaa agenta. Arvioija pisteyttää työntekijäagenttien tuloksia käyttäen signaaleja, kuten koodikatselmuksen kommentteja, jatkuvan integraation epäonnistumisia ja muutokseen liittyviä tapahtumia. Parantaja sitten ehdottaa heikosti suoriutuvien agenttien parannuksia muuttamalla niiden kehotteita, taitoja, työkaluja tai mallivalintoja.

Yritys kertoo, että ehdotetut muutokset testataan historiallisia mittareita vastaan ennen tarkastusta. Agenttien käyttäytyminen on versiohallittu Gitissä, ja insinööreillä on edelleen hyväksyntävaltuus. Käytännössä tämä tekee järjestelmästä vähemmän autonomisen koodausbotin kaltaisen ja enemmän valvonta- ja parannuskerroksen, joka hallitsee tehtäväkohtaisia agenteja.

Ero on tärkeä. Vakuuttavan agenttademon rakentaminen on melko suoraviivaista; luotettavan suorituskyvyn ylläpitäminen koodikantojen, infrastruktuurin ja organisaatiosääntöjen muuttuessa on vaikeampaa. Autoheal panostaa siihen, että jatkuva arviointi ja hallittu revisio tulevat standardivaatimukseksi yritysagenttien käyttöönotossa.

Varhaiset käyttöönotot keskittyvät tapahtumavasteeseen

Autoheal kertoo jo toimivansa yritysympäristöissä, kuten Nomura Bank ja AvidXchange. Yrityksen toimittamien lukujen mukaan Nomura vähensi keskimääräistä ratkaisuaikaa kahdesta tunnista 15 minuuttiin yhdessä käyttöönotossa. AvidXchange raportoi, että järjestelmä on lyhentänyt perimmäisen syyn analysointia minuuteiksi ja vapauttanut insinöörien kapasiteettia tuotekehitykseen.

Nämä tulokset ovat yrityksen ja asiakkaan väitteitä, eivät itsenäisiä mittareita, mutta ne viittaavat Autohealin uskomaan kiireellisimpään alkuperäiseen käyttötapaukseen: tapahtumavasteeseen. Vianmääritys vaatii usein todisteiden keräämistä lokitiedostoista, valvontajärjestelmistä, tukipyyntöistä, koodimuutoksista ja pilvipalveluista. Agentti, jolla on pääsy tähän kontekstiin, voi mahdollisesti koota hyödyllisen diagnoosin nopeammin kuin insinööri, joka siirtyy manuaalisesti järjestelmien välillä.

Empiric Earth käyttää myös alustaa vianmääritykseen ja ohjelmistokustannusten optimointiin, ilmoituksen mukaan. Yhdessä nämä käyttöönotot viittaavat siihen, että Autoheal aloittaa työnkulkujen kanssa, joissa hajautetun tiedon kustannus on helposti havaittavissa ja parannuksia voidaan mitata insinööreille palautetun ajan perusteella.

Mihin siemenrahoitus on tarkoitettu

Autoheal perustettiin Utkarsh Ohm, Sid Choudhury ja Puneet Saraswat toimesta, hyödyntäen kokemusta yrityksissä Harness, Microsoft Azure, ThoughtSpot ja AppDynamics. Tiimi sanoo, että uusi pääoma tukee vahvistusoppimisen järjestelmien ja yksityisten, yrityskohtaisen mallien kehittämistä, jotka on koulutettu insinööritietoihin ja pysyvät asiakkaan rajoissa.

Pitkän aikavälin suunnitelma ulottuu ohjelmistokehityksen ulkopuolelle data- ja turvallisuusoperaatioihin. Tämä laajentuminen riippuu siitä, pystyykö alusta yleistämään arviointi‑ja‑korjausmallinsa eri riskiprofiileja ja menestyskriteerejä omaavien työnkulkujen välillä.

Toistaiseksi rahoituskierros korostaa siirtymää yritys‑AI‑markkinassa. Seuraava rajoite ei ehkä ole enemmän koodin tuottaminen, vaan kasvavan agenttien väestön hallinta ja niiden luoman operatiivisen työn absorboiminen. Autoheal:n mahdollisuus perustuu siihen, että tämä rajoite muutetaan infrastruktuuriksi, jonka alusta‑tiimit voivat mitata, tarkastaa ja parantaa.