Autoheal pozyskuje $7,9 mln w rundzie seed dla swojej samodoskonalącej się fabryki oprogramowania

Autoheal pozyskało $7,9 miliona w finansowaniu seed, aby rozwinąć platformę przeznaczoną do zarządzania pracą następującą po kodowaniu wspomaganym przez AI: badaniem incydentów, usuwaniem luk bezpieczeństwa, kontrolą kosztów modeli oraz utrzymywaniem agentów oprogramowania w zgodzie z systemami i politykami przedsiębiorstwa.

Innovation Endeavors poprowadziło rundę, z udziałem Emergent Ventures, U&I Ventures, Darkmode Ventures, Batch Ventures oraz Param Hansa Values. Harpinder Singh z Innovation Endeavors dołącza do rady nadzorczej Autoheal.

Finansowanie pojawia się w momencie, gdy firmy zdają sobie sprawę, że szybsze generowanie kodu nie prowadzi automatycznie do szybszej ani bezpieczniejszej dostawy oprogramowania. Więcej kodu może oznaczać więcej alertów, przeglądów, luk bezpieczeństwa i wydatków na modele w chmurze. Autoheal koncentruje się na tej mniej widocznej warstwie boomu kodowania wspomaganego AI.

Problem operacyjny spowodowany szybszym kodowaniem

AI coding assistants obniżyły nakład pracy potrzebny do tworzenia kodu, ale wiele późniejszych zadań inżynieryjnych pozostaje pracochłonnych. Incydenty produkcyjne nadal wymagają badania, odkrycia bezpieczeństwa nadal wymagają usunięcia, a zespoły platformowe nadal muszą rozumieć, dlaczego zautomatyzowana akcja zakończyła się sukcesem lub niepowodzeniem.

Autoheal twierdzi, że te zadania powinny być traktowane jako część skoordynowanej fabryki oprogramowania, a nie przekazywane zbiorowi odłączonych agentów. Ich platforma łączy narzędzia programistyczne z repozytoriami, systemami CI/CD, platformami obserwowalności, środowiskami chmurowymi oraz systemami śledzenia zgłoszeń. Celem jest zapewnienie specjalistycznym agentom wspólnego widoku środowiska inżynieryjnego przy jednoczesnym utrzymaniu ich w chmurze i kontrolach bezpieczeństwa klienta.

Ta architektura ma znaczenie w regulowanych lub technicznie złożonych organizacjach, gdzie agent może potrzebować kontekstu produkcyjnego, ale nie może otrzymać nieograniczonego dostępu. Rozwiązuje to także praktyczny problem zarządzania: gdy zespoły wdrażają więcej agentów, potrzebują spójnego sposobu oceny zachowań, śledzenia zmian i kontrolowania kosztów.

Jak działa ciągła pętla naprawcza Autoheal

W centrum podejścia Autoheal znajdują się dwa agenty nadzorujące. Evaluator ocenia wyniki agentów pracowników, wykorzystując sygnały takie jak komentarze w przeglądach kodu, niepowodzenia ciągłej integracji oraz incydenty powiązane ze zmianą. Healer następnie proponuje usprawnienia słabo działających agentów, zmieniając ich podpowiedzi, umiejętności, narzędzia lub wybory modeli.

Firma twierdzi, że proponowane zmiany są testowane w oparciu o historyczne benchmarki przed przeglądem. Zachowanie agenta jest kontrolowane wersjami w Git, a inżynierowie zachowują uprawnienia zatwierdzające. W praktyce sprawia to, że system przypomina mniej autonomicznego bota kodującego, a bardziej warstwę operacyjną służącą do monitorowania i ulepszania grupy agentów o specyficznych zadaniach.

Rozróżnienie jest istotne. Stworzenie przekonującej demonstracji agenta jest stosunkowo proste; utrzymanie niezawodnej wydajności w miarę zmian baz kodu, infrastruktury i zasad organizacyjnych jest trudniejsze. Autoheal zakłada, że ciągła ocena i kontrolowana rewizja staną się standardowym wymogiem przy wdrażaniu agentów w przedsiębiorstwach.

Wczesne wdrożenia koncentrują się na reagowaniu na incydenty

Autoheal informuje, że działa już w środowiskach przedsiębiorstw, w tym w Nomura Bank i AvidXchange. Według danych przekazanych przez firmę, Nomura skróciła średni czas rozwiązania z dwóch godzin do 15 minut w jednym wdrożeniu. AvidXchange podaje, że system skrócił analizę przyczyn źródłowych do kilku minut i uwolnił zasoby inżynieryjne na pracę nad produktem.

Te wyniki to twierdzenia firmy i klientów, a nie niezależne benchmarki, ale wskazują na początkowy przypadek użycia, który Autoheal uważa za najpilniejszy: reagowanie na incydenty. Rozwiązywanie problemów często wymaga zbierania dowodów z logów, systemów monitorowania, zgłoszeń, zmian w kodzie i usług chmurowych. Agent z dostępem do tego kontekstu może szybciej sporządzić użyteczną diagnozę niż inżynier ręcznie przeskakujący między systemami.

Empiric Earth również korzysta z platformy do rozwiązywania problemów i optymalizacji kosztów oprogramowania, zgodnie z ogłoszeniem. Razem wdrożenia sugerują, że Autoheal zaczyna od przepływów pracy, w których koszt rozproszonej informacji jest łatwy do zauważenia i gdzie ulepszenia można zmierzyć w czasie zwróconym inżynierom.

Na co przeznaczona jest runda seed

Autoheal zostało założone przez Utkarsha Ohma, Sida Choudhuriego i Puneeta Saraswata, czerpiąc z doświadczenia zdobytego w Harness, Microsoft Azure, ThoughtSpot i AppDynamics. Zespół twierdzi, że nowy kapitał wesprze rozwój systemów uczenia ze wzmocnieniem oraz prywatnych, specyficznych dla przedsiębiorstwa modeli trenowanych na danych inżynieryjnych, które pozostają w granicach klienta.

Długoterminowy plan wykracza poza inżynierię oprogramowania, obejmując operacje danych i bezpieczeństwa. Rozszerzenie to będzie zależało od tego, czy platforma będzie w stanie uogólnić swój model oceny i naprawy na przepływy pracy o różnych profilach ryzyka i kryteriach sukcesu.

Na razie pozyskanie funduszy podkreśla zmianę na rynku sztucznej inteligencji w przedsiębiorstwach. Następnym ograniczeniem może nie być generowanie większej ilości kodu, lecz zarządzanie rosnącą populacją agentów oraz absorbowanie pracy operacyjnej, którą tworzą. Szansa Autoheal polega na przekształceniu tego ograniczenia w infrastrukturę, którą zespoły platformowe mogą mierzyć, audytować i ulepszać.