Traversal ने AI-संचालित साइट विश्वसनीयता इंजीनियरिंग का विस्तार करने के लिए 1 अरब डॉलर के मूल्यांकन पर 120 मिलियन डॉलर की सीरीज़ B फंडिंग जुटाई

Traversal ने घोषणा की कि उसने 3 नवंबर, 2026 को 1 अरब डॉलर के मूल्यांकन पर 120 मिलियन डॉलर की सीरीज़ B फंडिंग जुटाई है। इसका उद्देश्य ऐसे उत्पादन प्रणालियों के विकास में तेजी लाना है जो खुद काम कर सकें, और अनुसंधान, इंजीनियरिंग तथा बाज़ार-विस्तार से जुड़ी भूमिकाओं में नियुक्तियाँ बढ़ाना है।

Kleiner Perkins, Redpoint Ventures और Khosla Ventures ने इस फंडिंग दौर का सह-नेतृत्व किया। Sequoia Capital, Battery Ventures और Amex Ventures ने भी इसमें भाग लिया। पहले से निवेश कर रहे Kleiner Perkins और Sequoia ने अपना निवेश बढ़ाया। अब कुल फंडिंग 173 मिलियन डॉलर हो गई है। इसमें जून 2025 में गुप्त अवस्था से बाहर आने पर Traversal द्वारा घोषित 48 मिलियन डॉलर और दिसंबर 2025 में Amex Ventures से मिला रणनीतिक निवेश शामिल है।

सॉफ़्टवेयर संचालन का बाहरी चक्र विकसित करना

Traversal ने शुरुआत घटनाओं के मूल कारणों का विश्लेषण करने से की। इसके तीन सह-संस्थापकों ने कारणात्मक मशीन लर्निंग और रीइन्फ़ोर्समेंट लर्निंग में अपने अकादमिक शोध का लाभ उठाया। इसकी मूल धारणा है कि किसी घटना के दौरान एक साथ कई संकेत मिलते हैं, इसलिए केवल संभावित सहसंबंध से यह साबित नहीं होता कि सिस्टम क्यों विफल हुआ। Production World Model कच्चे टेलीमेट्री डेटा, कोड, परिनियोजन इतिहास और संगठन के ज्ञान को उत्पादन परिवेश के ऐसे निरूपण में बदलता है जिसे AI पढ़ सके और जिसे लगातार अद्यतन किया जाता रहे। Causal Search Engine को हज़ारों परिकल्पनाओं की एक साथ जाँच करने, विभिन्न प्रणालियों में निर्भरताओं और घटनाओं के समयक्रम का पता लगाने तथा साक्ष्यों से पुष्ट कारणों तक पहुँचने के लिए बनाया गया है।

करीब दो साल के शोध और इंजीनियरिंग के बाद Traversal ने मार्च 2026 में औपचारिक रूप से इन दोनों प्रणालियों की शुरुआत की। अब वर्कर सक्रिय और लंबे समय तक काम करने वाले एजेंट की तरह काम करते हैं। वे संदर्भ जुटाते हैं, जाँच करते हैं और घटनाएँ या अलर्ट आने पर समस्या का समाधान करने में मदद देते हैं। Traversal MCP उत्पादन-संबंधी इस जानकारी को कोडिंग एजेंटों के लिए उपलब्ध कराता है और परिचालन साक्ष्यों को घटनाओं की रोकथाम के उद्देश्य से किए जा रहे विकास कार्यों से जोड़ता है।

दीर्घकालीन लक्ष्य ऐसा सॉफ़्टवेयर बनाना है जो समस्याओं का पता लगाए, उनके कारणों को समझे, सुधारात्मक कार्रवाई करे, जाँचे कि कार्रवाई कारगर रही या नहीं, और समस्या को दोबारा होने से रोके। इस योजना के तहत यह फंडिंग मौजूदा जाँच-उत्पाद का विस्तार भी है और अधिक स्वायत्त संचालन की दिशा में एक दाँव भी।

मूल कारणों के विश्लेषण से आगे की वृद्धि

Traversal के अनुसार, 2026 के दौरान हर महीने की जाने वाली जाँचों की संख्या 100 गुना से अधिक बढ़कर 513 से करीब 73,000 हो गई। अब उत्पाद के उपयोग का लगभग दो-तिहाई हिस्सा मूल कारणों के विश्लेषण से आगे बढ़कर अलर्ट की प्राथमिकता तय करने, रिलीज़ के जोखिम, CMDB सत्यापन, सुरक्षा, ग्राहक-यात्रा की स्थिति और उत्पादन सहायता से जुड़े सवालों तक पहुँच गया है। उपयोग का यह स्वरूप घटना के बाद निदान के साथ-साथ जारी परिचालन निर्णयों में भी व्यापक इस्तेमाल का संकेत देता है।

फंडिंग से जुड़ी साथ में जारी घोषणा में, Traversal ने बताया कि साल की शुरुआत से अब तक आवर्ती वार्षिक राजस्व नौ गुना बढ़ा है, हाल की तिमाही में ग्राहकों की 150,000 से अधिक जाँचें की गईं और 4,000 से अधिक इंजीनियरों को सहायता दी जा रही है। Nubank, Harvey, DigitalOcean और PepsiCo उन उद्यमों में शामिल हैं जिनके परिवेश में यह प्लेटफ़ॉर्म इस्तेमाल हो रहा है। Nubank के CEO David Vélez ने बताया कि उनकी कंपनी में इस प्लेटफ़ॉर्म की तैनाती को अभी केवल पाँच सप्ताह हुए हैं और नतीजे संतोषजनक रहने के साथ इसका विस्तार चरणों में हो रहा है। यह टिप्पणी अपनाने के आँकड़ों के शुरुआती चरण को रेखांकित करती है।

बेंचमार्क के साक्ष्य और उनकी सीमाएँ

तकनीकी चुनौती का अलग से दस्तावेज़ीकरण ORCA-bench में किया गया है। यह Cornell Tech, Traversal और Columbia University से संबद्ध शोधकर्ताओं का एक शोधपत्र है। इसमें OpenTelemetry से लैस एक सिस्टम के छह दिनों के 1,079 मूल-कारण विश्लेषण कार्य शामिल हैं। इस सिस्टम में 19 माइक्रोसर्विस थीं और इसके 50 GB से अधिक के मेट्रिक्स, लॉग तथा ट्रेस का उपयोग किया गया। एजेंटों ने वास्तविक निगरानी इंटरफ़ेस और सोर्स कोड का इस्तेमाल किया, जबकि कार्यों में रिपोर्ट की विशिष्टता, पहचान में देरी और एक साथ होने वाली खराबियों के आधार पर बदलाव किया गया।

जाँचे गए पाँच सामान्य-उद्देश्य वाले एजेंटों में, शोधपत्र के अनुसार, मध्यम-कठिनाई वाले कार्यों में मूल कारण की सटीकता अधिकतम 25.3% और कठिन कार्यों में 10.0% रही। मॉडल के आधार पर, 7% से 40% घटना-रिपोर्टों में अविश्वसनीय और असंभव-से लगने वाले मूल कारण गढ़े गए। सभी मॉडलों में सोर्स कोड तक पहुँच हटाने से सटीकता घटी और मनगढ़ंत जवाब बढ़े। इससे यह निष्कर्ष पुष्ट होता है कि कोड लिखने में धाराप्रवाह होना, ऑन-कॉल निदान को सीधे तौर पर भरोसेमंद नहीं बनाता।

ये स्कोर Traversal के अपने उत्पादन-प्रदर्शन को नहीं मापते। लेखकों ने आगाह किया है कि साक्ष्य छह दिनों तक चले नियंत्रित सार्वजनिक परीक्षण-परिवेश से आते हैं और हर कार्य को अलग-अलग संभाला गया था। बड़े, बदलते और मालिकाना परिवेशों में भी ये नतीजे लागू होते हैं या नहीं, इसकी जाँच नहीं हुई है। इसलिए यह बेंचमार्क स्वायत्त ऑन-कॉल कार्य के सामने मौजूद शोध-अंतर को परिभाषित करता है; यह कंपनी की खुद काम करने वाले उत्पादन सिस्टम की योजना को प्रमाणित नहीं करता।

Traversal द्वारा बताई गई स्वीकार्यता और बेंचमार्क के नतीजे एक ही महत्वाकांक्षा के अलग-अलग चरणों को दर्शाते हैं। मौजूदा कारोबार जाँच-पड़ताल और उत्पादन से जुड़े व्यापक सवालों पर आधारित है। खुद काम करने वाले उत्पादन सिस्टम की खुली चुनौती यह है कि क्या इसकी कारणात्मक प्रणाली जटिल ग्राहक-परिवेशों में सुधारात्मक कार्रवाई कर सकती है, उसके नतीजे को सत्यापित कर सकती है और समस्या को दोबारा होने से रोक सकती है।