Gou Rao, CEO og medgrunnlegger av NeuBird – Intervju-serie

Goutham (Gou) Rao er CEO og medgrunnlegger av NeuBird, skaperne av Hawkeye, verdens første generative AI-drevne ITOps-ingeniør, designet for å hjelpe IT-team med å diagnostisere og løse tekniske problemer umiddelbart, og muliggjøre sømløs samarbeid mellom menneskelige team og AI.

En serial entrepreneur med en bevist rekord, har Rao co-grunnlagt og suksessfullt avsluttet flere selskaper. Han co-grunnla Portworx, som ble kjøpt av Pure Storage; Ocarina Networks, som ble kjøpt av Dell; og Net6, som ble kjøpt av Citrix. Han er også en oppfinnende oppfinner med over 50 utstedte patenter som omfatter datanettverk, lagring og sikkerhet.

NeuBird utvikler generative AI-løsninger for IT-drift for å hjelpe med å løse mangelen på kvalifiserte profesjonelle som trengs for å håndtere moderne, komplekse teknologistacker. Selskapet fokuserer på å forenkle dataanalyse og gi sanntidsaksjonable innsikter, med mål om å forbedre effisiens og støtte innovasjon i IT-håndtering.

Hva inspirerte deg til å lansere NeuBird, og hvordan identifiserte du behovet for AI-drevne IT-driftsautomatisering?

NeuBird ble født ut av den økende kompleksiteten i bedrifts-IT-stacker og mangelen på kvalifiserte IT-proff. Tradisjonelle verktøy holdt ikke pace, og tvang IT-team til å bruke 30% av budsjettene på å navigere i siloede datakilder i stedet for å drive innovasjon. Vi så en mulighet til å skape en AI-drevet ITOps-ingeniør – Hawkeye – som kunne umiddelbart peke ut IT-problemer, redusere tid til løsning fra dager til minutter, og muliggjøre at bedrifter kan skalerer IT-drift uten å bli hindret av arbeidskraftsbegrensninger.

Hvordan er NeuBird en pionér innen AI-drevne digitale teammedlemmer, og hva skiller Hawkeye fra tradisjonelle IT-automatiseringsverktøy?

I motsetning til statiske, regelbaserte IT-automatiseringsverktøy, vår AI-drevne digitale teammedlem, Hawkeye, prosesserer dynamisk enorme mengder telemetridata og diagnostiserer problemer umiddelbart. Det eliminerer forutinntakten til forhåndsprogrammerte overvåkingsverktøy ved å trekke innsikter fra diverse bedriftsdatakilder – inkludert Slack, skytjenester, databaser og tilpassede applikasjoner – og gir IT-team en helhetlig, kontekstualisert visning av deres infrastruktur.

Hawkeye gjør ikke bare overflaten av varsler; det samarbeider aktivt med ingeniører gjennom en konversasjonsgrensesnitt, diagnostiserer årsaker og foreslår løsninger for komplekse IT-problemer. Dette endrer fundamentalt hvordan IT-drift fungerer, og hjelper dem med å minimere nedtid og reagere på IT-hendelser med en utenkelig hastighet.

Bedrifter sliter ofte med dataoverbelastning i IT-drift. Hvordan filtrerer Hawkeye gjennom massive datamengder for å gi aksjonable innsikter?

Tradisjonelle IT-verktøy sliter med å prosessere flommen av telemetridata – logger, systemmetrikker og skytjenesteytelseindikatorer – og fører til varselutmattelse og langsom hendelsesløsning.

Hawkeye skjærer gjennom støyen ved å kontinuerlig analysere sanntidsdata og detektere mønster som signaliserer ytelsesproblemer eller feil. Det kompletterer eksisterende overvåkings- og overvåkingsverktøy ved å gå beyond passiv overvåking og ta proaktiv handling. Det fungerer som en ingeniør på ditt team, og tolker IT-telemetri og systemdata fra dine eksisterende verktøy, dykker ned i problemer og løser dem når de oppstår.

Det leverer klare, aksjonable innsikter på naturlig språk, og reduserer responstider fra dager til minutter.

Hawkeyes unike tilnærming utnytter kraften til LLM’er til å guide hendelsesanalyse uten å noen gang dele kundens data med LLM’er, og sikrer en tankefull og sikker tilnærming.

Sikkerhet og tillit er store bekymringer for AI-tilpasning i IT. Hvordan møter NeuBird disse utfordringene?

Hawkeyes unike tilnærming utnytter kraften til LLM’er til å guide hendelsesanalyse uten å noen gang dele kundens data med LLM’er, og sikrer en tankefull og sikker tilnærming.

Hawkeye opererer innenfor en bedrifts sikkerhetsperimeter, og bruker bare interne datakilder for å generere innsikter – og eliminerer hallusinasjoner som plager generiske LLM-baserte systemer. Det sikrer også åpenhet ved å gi sporbar rekommendasjon, så IT-teamene beholder full kontroll over beslutningstaking. Denne tilnærmingen gjør det til en pålitelig og sikker AI-teammedlem, i stedet for en svart boks-løsning.

Hvordan integrerer Hawkeye med eksisterende IT-infrastruktur, og hva ser onboarding-prosessen ut som for bedrifter?

Hawkeye integrerer sømløst med bedriftens IT-miljø ved å koble til eksisterende overvåkings-, overvåkings- og hendelsesresponsverktøy, f.eks. AWS CloudWatch, Azure Monitor, Datadog (DDOG ) og PagerDuty. Det fungerer sammen med IT-, DevOps- og SRE-team uten å kreve store infrastruktur-endringer.

Her er hvordan det fungerer:

• Deployering: Hawkeye deployeres innenfor din miljø, og kobler til eksisterende verktøy og datakilder.
• Læring og tilpasning: Det analyserer historiske hendelser og sanntids-telemetri for å forstå normalt systemdrift og identifisere mønster.
• Tilpasning: Plattformen tilpasser seg bedriftsspesifikke arbeidsflyter, og tilpasser svar og rekommendasjon til operasjonelle behov.
• Samarbeid: Gjennom en chat-basert grensesnitt, mottar team sanntids-diagnostikk, løsninger og automatiserte løsninger hvor det er mulig.

Denne strømlinjeformede integreringsprosessen akselerer hendelsesløsning, reduserer MTTR og forbedrer systemets pålitelighet – og lar bedrifter skalerer IT-drift effektivt uten å øke antall ansatte.

Hva rolle spiller menneskelige ingeniører sammen med AI-teammedlemmer som Hawkeye? Hvordan ser du på denne samarbeidsutviklingen?

Hawkeye supplerer, i stedet for erstatter, menneskelige IT-proff. IT-teamene driver fremdeles strategiske beslutninger, men i stedet for å manuelt feilsøke hver enkelt problem, arbeider de sammen med Hawkeye for å diagnostisere og løse problemer raskere. Etterhvert som AI-teammedlemmer blir mer avanserte, vil IT-proffene skifte mot høyere-verdioppgaver – å optimalisere arkitekturer, forbedre sikkerhet og akselerere ny teknologi-tilpasning.

Hawkeye hevder å redusere gjennomsnittlig tid til løsning (MTTR) med 90%. Kan du dele noen virkelige eksempler eller case-studier som demonstrerer denne effekten?

En nasjonal dagligvarekjede integrerte Hawkeye for å håndtere den økende kompleksiteten i sin e-handelsplattform. Deres SRE-team var overveldet av massive telemetridata og langsom manuell etterforskning, spesielt under topp shoppingsesonger.

Med Hawkeye som en GenAI-drevet teammedlem, så de:

• ~90% MTTR-reduksjon – Umiddelbar data-korrelasjon over AWS CloudWatch, AWS MSK og PagerDuty.
• 24/7 sanntids-analyse – Eliminerte etter-timers eskaleringer.
• Automatisert hendelsesløsning – Forhånds-godkjente løsninger ble deployert autonomt.

Under deres ferie-handels-surge, optimaliserte Hawkeye kapasitet, detekterte tidlige problemer og gjorde sanntids-skalerings-justeringer, og sikret nesten 100% oppetid – en game-changer for deres IT-drift.

Hva er din visjon for utviklingen av AI-agenter fra passive assistenter til aktive problem-løsere i bedriftsdrift, og hva er de viktigste fremgangene som driver denne skiftningen?

AI skifter fra passiv overvåking til aktiv problem-løsning. Hawkeye tilbyr allerede rotårsak-analyse og løsninger, men neste fase er full autonomi – hvor AI proaktivt optimaliserer IT-drift og selv-heler infrastruktur i sanntid. Denne utviklingen, drevet av fremgang i GenAI og kognitive beslutningsmodeller, vil omdefinere bedrifts-IT.

Hvor ser du på AI-drevne bedriftsautomatisering i de neste fem årene, og hva er de største utfordringene eller gjennombruddene du forventer underveis?

AI vil skifte fra å assistere ingeniører til fullt autonome IT-drift, og forutsi og løse problemer før de eskalerer. Multi-agent AI-arbeidsflyter vil muliggjøre sømløst samarbeid over IT, sikkerhet og DevOps, og bryte ned siloer mellom avdelinger. De største gjennombruddene vil inkludere selv-helende infrastruktur, AI-drevet tverrfunksjonelt samarbeid og sterkere menneske-AI-tillit, og lar AI-teammedlemmer ta på seg mer komplekse beslutninger. De største utfordringene vil være å sikre AI-gjennomsiktighet og tilpasse arbeidsstyrken til å arbeide sammen med AI, og balansere automatisering med menneskelig tilsyn.

Etter å ha ledet flere startups til suksess, hva er din råd til entreprenører som bygger AI-drevne selskaper i dag?

Entreprenører bør fokusere på å løse virkelige, høy-verdi-problemer, i stedet for å jage AI-hype. AI må bygges med bedrifts-tillit i mente, og sikre åpenhet og kontroll for bedrifter som tar i bruk det. Tilpasning er nøkkel – AI-systemer må utvikle seg med bedrifts-behov, i stedet for å være stive, en-size-fits-all-løsninger. I stedet for å erstatte menneskelig ekspertise, bør AI være posisjonert som en teammedlem som forbedrer beslutningstaking og operasjonell effisiens. Til slutt, bedrifts-AI-tilpasning tar tid, så selskaper som prioriterer skalerbarhet og langtidsvirkning over kort-tids-trender, vil til slutt oppstå som ledere i rommet.

Takk for det flotte intervjuet, lesere som ønsker å lære mer, kan besøke NeuBird.