Ronak Desai, grunnlegger og administrerende direktør i Ciroos – intervjuserie

Ronak Desai, grunnlegger og administrerende direktør i Ciroos, leder selskapet med et klart mål om å eliminere IT-arbeid og gi tid tilbake til SRE, DevOps og driftsingeniører. Han har en dyp overbevisning om at AI bør forbedre menneskelig ekspertise på en meningsfull måte, snarere enn å erstatte den, spesielt i miljøer med høy innsats. Før han grunnla Ciroos, tilbrakte Desai mer enn 20 år hos Cisco, hvor han hadde flere lederstillinger, inkludert Senior Vice President og General Manager for Cisco Full-Stack Observability og AppDynamics. Gjennom karrieren har han fokusert på å bygge skalerbare, kundeorienterte plattformer, har mer enn 50 patenter i aktiv bruk i dag, og viderefører prinsippene for innovasjon og kundefokus som formet hans tid hos Cisco.

Ciroos bygger en AI-native SRE-teamkamerat som er utformet for å dramatisk redusere tiden det tar å undersøke og løse komplekse IT-hendelser på tvers av moderne miljøer med flere domener. Plattformen bruker native multiagent-AI for å resonnere på tvers av signaler, automatisere undersøkelser og støtte automatisering, utvidelse og autonom drift – samtidig som den sikrer at mennesker har full kontroll. Ved å korrelere data på tvers av verktøy og domener som tradisjonelt er siloer, lar Ciroos team gå fra reaktiv brannslukking til raskere og mer selvsikker beslutningstaking, noe som frigjør ingeniører til å fokusere på arbeid med større innvirkning i stedet for repeterende og utmattende operasjonelt slit.

Du har jobbet i over to tiår hos Cisco, og har bidratt til å bygge noen av deres mest vellykkede nettverks- og observasjonsprodukter. Hva inspirerte deg til å ta steget og grunnlegge Ciroos?

Gjennom samhandlingene mine med ulike bedriftsteam så jeg den samme historien gjentatte ganger. Driftsteamene var overveldet av dashbord, jaget varsler og var avhengige av institusjonell kunnskap for å feilsøke problemer på tvers av flere systemer. Til tross for at det ble brukt betydelig kapital på observerbarhet, manglet de fortsatt en måte å koble bevis på tvers av domener i sanntid. Mine medgründere og jeg ønsket å endre det. Vi satte oss fore å bygge et AI-system som kunne resonnere som en erfaren operatør og samarbeide med SRE-er fra starten av, slik at teamene kunne fokusere på å forbedre robusthet og pålitelighet i stedet for å bruke tid på å lete etter innsikt eller slukke problemer.

Du har beskrevet Ciroos som et svar på et av de vanskeligste problemene innen drift – undersøkelser som spenner over flere domener. Hvordan formet din erfaring med å lede AppDynamics- og Full-Stack Observability-virksomheten hos Cisco denne erkjennelsen og påvirket arkitekturen til Ciroos?

Hos AppDynamics oppnådde vi et høyt nivå av innsikt i applikasjonsatferd. Men når årsaken til en hendelse lå utenfor applikasjonen (enten i skykonfigurasjon, nettverk eller IAM), var det ikke tilstrekkelig å ha innsikt på applikasjonslaget alene. Utfordringen var å etablere kontekst. Denne erfaringen styrte hvordan vi designet Ciroos. Plattformen vår bringer AI-resonnement til skalaproduksjonsoperasjoner. Den ser på signaler på tvers av domener, justerer hendelser på en felles tidslinje og resonnerer på tvers av domenegrenser for å bestemme de sanne underliggende årsakene til hendelser.

Ciroos introduserer konseptet med en «AI SRE-teamkamerat». Hvordan skiller denne ideen om AI som samarbeidspartner seg fra tradisjonelle automatiserings- eller observasjonsverktøy?

AI SRE-teamkameraten fungerer mer som en ny teamkamerat enn et nytt verktøy. Den lytter først, får en forståelse av miljøet, aksepterer definerte oppgaver og fremmer tillit over tid. Mens tradisjonell automatisering utfører regler, bruker teamkameraten resonnement. Når den identifiserer et problem, velger den relevante domeneekspertene for å spørre, samler støttende bevis og presenterer det i kontekst. Dette samarbeidselementet frigjør ingeniørers tid til å validere og løse problemer i stedet for å utlede korrelasjoner manuelt.

Plattformen deres bruker multiagentbasert AI-resonnement. Kan dere forklare hvordan flere AI-agenter koordinerer seg for å akselerere rotårsaksanalyse og forbedre nøyaktigheten på tvers av komplekse systemer?

Hver agent har domeneekspertise – én i Kubernetes, en annen i skyen, en annen i nettverk og så videre. Når en hendelse inntreffer, jobber disse agentene sammen som en del av et sentralt resonnementslag som korrelerer funn i sanntid. Systemet bestemmer hvilke agenter som skal aktiveres, hvilke oppgaver som skal tildeles hver agent, i hvilken rekkefølge og hvor lenge. Denne koordineringen reduserer etterforskningstiden og forbedrer nøyaktigheten ved å sikre at hvert lag evalueres i kontekst snarere enn i en silo.

Fra et teknisk perspektiv, hvordan kan Ciroos dynamisk resonnere på tvers av ulike datakilder – som skytelemetri, applikasjonslogger og infrastrukturmålinger – uten å overvelde brukerne med støy?

Ciroos betrakter hver datakilde som én linse i et større bilde. Den justerer observasjoner på tvers av datakilder på en enhetlig tidslinje og avdekker bare de relevante årsakssammenhengene. Hvis for eksempel en pod-omstarthendelse inntreffer etter en liten endring i IAM eller nettverkspolicy, kobler Ciroos automatisk til denne sekvensen. Den går utover å tilby rå dashbord og setter i stedet sammen en komplett historie basert på bevisene som hjelper ingeniører med å forstå hvorfor noe skjedde.

Tillit og forklarbarhet er sentralt i designfilosofien deres. Hvordan sikrer dere at AI-drevne anbefalinger forblir transparente og at menneskelige ingeniører beholder full kontroll?

Hver anbefaling kommer med støttende bevis og begrunnelsen som førte til den. Ingeniører kan spore hver konklusjon, teste antagelsene sine og administrere systemets nivå av autonomi, fra assisterende til semi-autonomt. Systemet beholder kontekstuell kunnskap over tid gjennom menneskelig tilbakemelding, slik at det kan forbedre beslutningskvaliteten samtidig som det forblir fullstendig styrt. Vår tilnærming ligner på måten et team ville tatt i bruk nye lagkamerater, med tydelige rekkverk, direkte resonnement og full menneskelig tilsyn. Tillit bygges opp etter hvert som systemet viser stadig mer pålitelig ytelse over tid.

Tidlige brukere rapporterer at Ciroos reduserer etterforskningstiden fra timer til minutter. Hvilke typer mønstre eller innsikter overrasket dere mest da teamene begynte å bruke AI SRE Teammate i produksjon?

Det har vært to hyggelige overraskelser – for det første har det vært oppmuntrende hvor raskt selv store bedrifter har reagert positivt på vårt kjerneverdiforslag. For det andre har kundene våre sett nøye på teknologien vår og kommet opp med noen svært unike brukstilfeller som går langt utover rotårsaksanalyse. Disse brukstilfellene fremhever de virkelige utfordringene store bedrifter står overfor i sin produksjonsdrift i dag.

Begrepet «KI som lagkamerat» antyder samarbeid snarere enn erstatning. Hvordan ser du for deg at dette konseptet utvikler seg etter hvert som organisasjoner blir mer komfortable med å jobbe sammen med intelligente systemer?

Vi ser på dette som en reise som involverer automatisering, utvidelse og til syvende og sist autopilot. Selv om Ciroos støtter alle tre modusene i dag, ser vi vanligvis at organisatorisk adopsjon av AI følger en modenhetskurve. Til å begynne med bruker bedrifter vårt AI-system til å automatisere klart definerte og repeterbare oppgaver, samtidig som de minimerer kognitiv overbelastning for mennesker. I motsetning til dette legger skreddersydde systemer som ikke er basert på AI, for mye byrde på den menneskelige operatøren med å konfigurere mange parametere og regler før kundene realiserer verdien.

I neste fase utnytter bedrifter AI-systemet til å forbedre menneskers resonnement i stor skala på tvers av flere domener, selv om systemet gir detaljerte forklaringer og anbefalinger for utbedring som mennesket validerer og utfører. Det er her de fleste bedrifter er i dag.

Over tid kan AI-en administrere fullstendige hendelsesarbeidsflyter autonomt for bedriften, og bare eskalere til et menneske når det er nødvendig. Vi forventer at dette gradvis åpnes opp basert på oppgaven. Denne utviklingen ligner på hvordan team utvikler tillit til nyansatte. Etter hvert som man får mer selvtillit, blir partnerskapet dypere.

Mange bedrifter er allerede avhengige av etablerte plattformer for observerbarhet og hendelseshåndtering. Hvordan integreres Ciroos med disse eksisterende økosystemene uten å forstyrre arbeidsflyter?

Helt fra starten av var integrering aldri valgfritt. Vi tror at en samlet datamodell gir bedrifter den raskeste tiden til verdiskaping, mest mulig valgfrihet og laveste totale eierkostnader. Ciroos AI SRE Teammate integreres med syv forskjellige kategorier av bedriftssystemer i dag – observerbarhet, hendelsesrespons, samarbeidsverktøy, skyplattformer, billettsystemer, CI/CD-verktøy og fysisk infrastruktur via åpne API-er og protokoller som MCP og A2A. Den integreres i etablerte arbeidsflyter i stedet for at team må ta i bruk nye. Denne designen har bidratt til å gjøre det enkelt for bedrifter å ta i bruk. Team får raskere svar uten å endre sine eksisterende arbeidsflyter.

Du har lagt vekt på kundefokus og innovasjon gjennom hele karrieren din. Hvordan styrer disse verdiene Ciroos' kultur og deres langsiktige visjon for å omdefinere pålitelighetsteknikk?

Å være kundefokusert betyr å være nådeløst fokusert på de virkelige utfordringene som kundenes driftsteam står overfor, som lange arbeidsdager, tretthet, slit og den konstante søken etter svar på spørsmål som dukker opp i driften. Innovasjon handler om å løse disse problemene på måter som gir meningsfull tilbake tid og fokus. Vi ser for oss at alle driftsteam har en AI-teamkamerat som lærer kontinuerlig, skalerer med etterspørsel og bidrar til å sikre pålitelighet på tvers av systemer. På lang sikt ser vi for oss at AI-tjenester som programvare blir standard på tvers av hele utviklings- til produksjonssyklusen – systemer som tenker, handler og forbedrer seg sammen med sine menneskelige jevnaldrende. Hvis vi kan gi brukerne våre den klarheten og pusterommet de alltid har trengt, har vi gjort jobben vår riktig. Disse brukerne kan være SRE-er, IT-driftsmedarbeidere, produksjonsdriftsingeniører, skydriftsingeniører eller DevOps-teammedlemmer som utfører produksjonsoperasjoner.