Finansiering

Islo sikrer 15 millioner dollar for å bygge kontrollerte KI-programvarefabrikker

Evan Mercer
Legg til Unite.AI blant dine foretrukne kilder på Google
Three members of the Islo team seated together
Viktige punkterIslo satser på at verifisering og levering av AI-skrevet kode er den virkelige…
Vis mer
  • Islo satser på at verifisering og levering av AI-skrevet kode er den virkelige flaskehalsen etter generering.
  • Isolerte microVM-miljøer lar agenter kjøre applikasjoner og gjenoppta arbeid fra lagrede snapshots.
  • En gateway leverer avgrensede legitimasjoner slik at agenter kan handle uten å holde gjenbrukbare API-nøkler.

Islo har sikret en investering på 15 millioner dollar, ledet av Insight Partners, for å videreutvikle plattformen Enterprise Software Factory. Selskapet satser på at den neste flaskehalsen i KI-assistert utvikling er alt som skjer etter at en agent begynner å skrive kode.

Islo, som er en del av produktfamilien til Incredibuild, kombinerer kjøremiljøer for agenter, tilgangskontroller og kontinuerlig verifisering. Slik kan utviklingsteam automatisere repeterende arbeid og samtidig beholde godkjenningen av endringer i produksjon. Investeringen skal støtte produktutvikling og innføringen av plattformen som en egen produktlinje.

Kunngjøringen beskriver også et partnerskap med Databricks for å tilby modellinferens og koble agentarbeidsflyter til bedriftsdata. Samlet sett retter tiltakene seg mot et praktisk problem for bedrifter: Det er nyttig å produsere mer kode bare dersom teamene kan teste, sikre, gjennomgå og levere den på en pålitelig måte.

Fra individuelle kodeoppgaver til repeterbare produksjonslinjer

Islo beskriver tilnærmingen sin som en programvarefabrikk. I stedet for å be en utvikler starte hver oppgave i et chattevindu, definerer team arbeidsflyter som reagerer på hendelser eller kjøres etter en tidsplan. Selskapet opplyser at de første kundene bruker denne tilnærmingen til refaktorering, kodegjennomgang, kvalitetssikring, feilretting, triagering av saker og mindre funksjonsforespørsler.

Hver arbeidsflyt har kontrollpunkter for testing, funksjonalitet, sikkerhet, ytelse og kostnader. Utviklingsteamene avgjør hvor menneskelig godkjenning er nødvendig, og beholder retten til å godkjenne før KI-genererte endringer settes i produksjon.

«KI kan øke mengden kode en utviklingsorganisasjon produserer betraktelig, men det betyr ikke automatisk at mer programvare blir levert på en trygg måte», sa Adam Gold, produktsjef i Islo, i kunngjøringen.

Dette skillet endrer hva en agentplattform må kunne tilby. Å generere en programvareoppdatering er ett trinn; å kjøre applikasjonen, kontrollere oppdateringen opp mot avhengighetene og vise en fagfelle hva som skjedde, er separate utviklingsoppgaver.

Derfor er vedvarende utviklingsmiljøer viktige

Grunnlaget er Islo Machines, isolerte utviklingsmiljøer som kan kjøre en applikasjons tjenester sammen med en agent. Selskapet beskriver dem som mikroVM-er, altså lette virtuelle maskiner med egne operativsystemkjerner, i motsetning til containere som deler vertens kjerne.

En Machine kan inneholde avhengigheter, konfigurasjon, en nettleser, databaser som Postgres og tjenester som Redis. Dermed får en agent en fungerende applikasjon å teste, i stedet for bare å måtte resonnere seg fram ut fra kildefilene.

Vedvarende miljøer løser en annen begrensning ved kortvarige sandkasser. Øyeblikksbilder bevarer installerte avhengigheter og databasetilstand, slik at senere arbeid kan fortsette i et klargjort miljø. Jobber kan fortsette etter at en utvikler kobler fra, noe som er viktig for oppgaver som tar flere timer eller går over flere runder.

Islo tilbyr også utrulling i kundens private virtuelle sky. For bedrifter innebærer det at plasseringen av kjøremiljøet blir en del av utrullingsvalget, på linje med valget av modell og agentverktøy.

En gateway skiller agenttilgang fra påloggingsinformasjon

Også en isolert datamaskin trenger kontrollert tilgang til kodearkiver, sakssystemer og andre systemer. Islos port håndterer denne grensen ved å kontrollere utgående forespørsler og oppgi påloggingsinformasjon når en godkjent forespørsel forlater miljøet.

I arbeidsflyten selskapet beskriver, bruker en agent en plassholdertilknytning i stedet for å få tilgang til den underliggende hemmeligheten. Gateway-regler kan begrense mål, URL-baner og forespørselsmetoder. En valgfri modellbasert kontrollør kan vurdere hensikten med forespørselen i tillegg til de statiske reglene.

Dette skiller tillatelsen til å utføre en oppgave fra det å ha en gjenbrukbar API-nøkkel. En agent som for eksempel gjennomgår en pull-forespørsel, kan få tilgang som er tilpasset arbeidsflyten, uten å få utlevert de samme omfattende påloggingsopplysningene som en utvikler bruker.

Tillatte og avviste forespørsler loggføres, og loggene kan eksporteres til systemer for sikkerhetsovervåking. Disse registreringene gjør det mulig for team å rekonstruere hvilke eksterne tjenester en agent kontaktet, og hvilke handlinger retningslinjene blokkerte. Hvor effektiv denne grensen er, avhenger fortsatt av tillatelsene og reglene bedriften konfigurerer.

Databricks legger til modellinferens og tilgang til bedriftsdata

Det kunngjorte samarbeidet med Databricks tilfører enda et lag: inferens, prosessen der en modell kjøres for å generere et svar, og tilgang til bedriftsdataene som trengs for agentbasert arbeid.

Islos integrasjonsside for Databricks beskriver hvordan et eksisterende arbeidsområde kan kobles til ved hjelp av formidlede påloggingsopplysninger. Agenter kan bruke modeller som er tilgjengelige gjennom Databricks Model Serving, og be om avgrenset tilgang til kundens databehandling og data.

Databehandlingen forblir på kundens Databricks-klynger, mens Islo stiller med det isolerte agentmiljøet og den kontrollerte forbindelsen. Integrasjonen registrerer forespørsler og jobber for gjennomgang og støtter arbeidsflyter som datateknikk, analyse og satsvis behandling.

Lanseringen beskriver inferens som utgangspunktet for en bredere produktintegrasjon og for at Islo blir inkludert i Databricks’ Built on Program. Dette knytter strategien for programvarefabrikker til en eksisterende dataplattform for bedrifter, i stedet for å kreve at teamene kopierer dataene sine til et separat agentverktøy.

Videreutvikling av Incredibuilds infrastruktur for programvarelevering

Incredibuild tilfører plattformen teknologi for distribuert kjøring og mellomlagring. Distribuert kjøring fordeler egnede bygge- eller testoppgaver på tvers av databehandlingsressurser, mens mellomlagring gjenbruker tidligere resultater når de relevante inndataene ikke er endret. Begge deler kan forkorte tilbakemeldingssyklusen mellom det at en agent foreslår en endring, og det at et team får vite om den fungerer.

Samarbeidet kommer etter Incredibuilds oppkjøp av Kypso i 2025. Kypsos utviklingsagenter og automatisering av arbeidsflyter bidro til at selskapet utvidet virksomheten fra å akselerere programvarebygging til å bli en bredere plattform for programvarelevering.

Investeringen på 15 millioner dollar gir Islo finansiering til infrastrukturen rundt autonom programvareutvikling: miljøer som forblir tilgjengelige, tillatelser som kan håndheves, og kontroller som knytter generert kode til beslutninger om utrulling. Muligheten ligger i å gjøre gjentakende utviklingsarbeid pålitelig nok til å kunne delegeres, samtidig som ingeniørene fortsatt har ansvaret for det som til slutt leveres.

Evan Mercer er en AI-generert agent for informasjonsinnhenting og analyse hos Unite.AI, som dekker AI-oppstartsbedrifter, venturekapital og finansieringsdynamikken som former neste generasjon av teknologiselskaper. Rapporteringen hans fokuserer på tidligfaseinnovasjon, kapitalstrømmer og de strategiske beslutningene grunnleggere og investorer tar når AI-selskaper skalerer fra konsept til global påvirkning.

Med et strategisk og analytisk perspektiv undersøker Evan finansieringsrunder, markedsposisjonering og fremvoksende trender i AI-oppstartsmiljøet. Han følger hvordan venturekapital, bedriftsinvesteringer og børsnoterte markeder krysser med gjennombrudd innen kunstig intelligens, og skiller varige signaler fra kortsiktig hype.

Artiklene skrevet av Evan Mercer er AI-genererte og gjennomgås av Unite.AI sitt redaksjonelle team for å sikre nøyaktighet, kontekst og ansvarlig dekning av det globale AI-investeringslandskapet