Gou Rao, VD & medgrundare av NeuBird – Intervjuserie

Goutham (Gou) Rao är VD och medgrundare av NeuBird, skaparna av Hawkeye, världens första generativa AI-drivna ITOps-tekniker, utformad för att hjälpa IT-team att diagnostisera och lösa tekniska problem direkt, vilket möjliggör sömlös samverkan mellan mänskliga team och AI.

En serieentreprenör med bevisad spårrekord, Rao har varit med och grundat och framgångsrikt avslutat flera företag. Han var med och grundade Portworx, som förvärvades av Pure Storage; Ocarina Networks, som förvärvades av Dell; och Net6, som förvärvades av Citrix. Han är också en framstående uppfinnare med över 50 utfärdade patent inom datanätverk, lagring och säkerhet.

NeuBird utvecklar generativa AI-lösningar för IT-drift för att hjälpa till att hantera bristen på kvalificerade proffs som behövs för att hantera moderna, komplexa teknikstackar. Företaget fokuserar på att förenkla dataanalys och ge realtidsaktionsbara insikter, i syfte att förbättra effektiviteten och stödja innovation inom IT-hantering.

Vad inspirerade dig att lansera NeuBird, och hur identifierade du behovet av AI-drivna IT-driftsautomatisering?

NeuBird föddes ur den växande komplexiteten i företags IT-stackar och bristen på kvalificerade IT-proffs. Traditionella verktyg höll inte jämna steg, vilket tvingade IT-team att spendera 30 % av sina budgetar på att navigera i siloade datakällor istället för att driva innovation. Vi såg en möjlighet att skapa en AI-driven ITOps-tekniker – Hawkeye – som kunde direkt peka ut IT-problem, minska tiden till lösning från dagar till minuter och möjliggöra för företag att skala IT-drift utan att bli flaskhalsade av arbetsbegränsningar.

Hur är NeuBird en pionjär inom AI-drivna digitala medarbetare, och vad särskiljer Hawkeye från traditionella IT-automatiseringsverktyg?

Till skillnad från statiska, regelbaserade IT-automatiseringsverktyg bearbetar vår AI-drivna digitala medarbetare, Hawkeye, dynamiskt stora mängder telemetridata och diagnostiserar problem direkt. Den eliminerar fördomarna från förprogrammerade övervakningsverktyg genom att dra insikter från olika företagsdatakällor – inklusive Slack, molntjänster, databaser och anpassade applikationer – vilket ger IT-team en helhetsbild och kontextuell vy av deras infrastruktur.

Hawkeye gör inte bara att varningar dyker upp; den samarbetar aktivt med ingenjörer genom en konversationsgränssnitt, diagnostiserar rotorsaker och föreslår lösningar för komplexa IT-problem. Detta förändrar grundläggande hur IT-drift fungerar, vilket hjälper dem att minimera nedtid och svara på IT-incidenter med en aldrig tidigare skådad hastighet.

Företag kämpar ofta med dataöverbelastning inom IT-drift. Hur filtrerar Hawkeye igenom stora datamängder för att ge aktionsbara insikter?

Traditionella IT-verktyg kämpar för att bearbeta flödet av telemetridata – loggar, systemmätvärden och molntjänsteindikatorer – vilket leder till varningsutmattning och långsam incidentlösning.

Hawkeye skär igenom bruset genom att kontinuerligt analysera realtidsdata och upptäcka mönster som signalerar prestandaproblem eller fel. Den kompletterar befintliga övervaknings- och monitoreringsverktyg genom att gå utöver passiv övervakning till att vidta proaktiva åtgärder. Den fungerar som en ingenjör i ditt team, tolkar IT-telemetri och systemdata från dina befintliga verktyg, dyker in i problem och löser dem allteftersom de uppstår.

Den ger tydliga, aktionsbara insikter på naturligt språk, vilket minskar svarstiderna från dagar till minuter.

Hawkeyes unika tillvägagångssätt utnyttjar kraften från LLM för att vägleda incidentanalys utan att någonsin dela kunddata med LLM, vilket säkerställer en genomtänkt och säker tillvägagångssätt.

Säkerhet och förtroende är stora problem för AI-antagande inom IT. Hur hanterar NeuBird dessa utmaningar?

Hawkeyes unika tillvägagångssätt utnyttjar kraften från LLM för att vägleda incidentanalys utan att någonsin dela kunddata med LLM, vilket säkerställer en genomtänkt och säker tillvägagångssätt.

Hawkeye fungerar inom ett företags säkerhetsperimeter, använder endast interna datakällor för att generera insikter – eliminerar hallucinationer som plågar generiska LLM-baserade system. Den säkerställer också transparens genom att tillhandahålla spårbara rekommendationer, så att IT-team behåller full kontroll över beslutsfattandet. Detta gör den till en tillförlitlig och säker AI-medarbetare snarare än en svart låda-lösning.

Hur integrerar Hawkeye med befintlig IT-infrastruktur, och vad ser onboardingprocessen ut för företag?

Hawkeye integrerar sömlöst med företags IT-miljöer genom att ansluta till befintliga övervaknings-, monitorerings- och incidenthanteringsverktyg, t.ex. AWS CloudWatch, Azure Monitor, Datadog och PagerDuty. Den fungerar tillsammans med IT-, DevOps- och SRE-team utan att kräva stora infrastrukturändringar.

Så här fungerar det:

• Distribution: Hawkeye distribueras inom er miljö, ansluter till befintliga verktyg och datakällor.
• Inlärning och anpassning: Den analyserar historiska incidenter och realtidsdata för att förstå normala systemåtgärder och identifiera mönster.
• Anpassning: Plattformen anpassar sig till företagsspecifika arbetsflöden, anpassar svar och rekommendationer till operativa behov.
• Samarbete: Genom ett chattbaserat gränssnitt får teamen realtidsdiagnostik, lösningar och automatiserade lösningar där det är tillämpligt.

Denna strömlinjeformade integrationsprocess accelererar incidentlösning, minskar MTTR och förbättrar systemtillförlitligheten – vilket möjliggör för företag att skala IT-drift effektivt utan att lägga till personal.

Vilken roll spelar mänskliga ingenjörer bredvid AI-medarbetare som Hawkeye? Hur ser du på denna samverkan utvecklas?

Hawkeye kompletterar, snarare än ersätter, mänskliga IT-proffs. IT-team driver fortfarande strategiska beslut, men istället för att manuellt felsöka varje problem, arbetar de tillsammans med Hawkeye för att diagnostisera och lösa problem snabbare. När AI-medarbetare blir mer avancerade, kommer IT-proffs att skifta mot högvärdiga uppgifter – optimering av arkitektur, förbättring av säkerhet och acceleration av ny teknikantagande.

Hawkeye hävdar att minska medel tid till lösning (MTTR) med 90 %. Kan du dela några verkliga exempel eller fallstudier som demonstrerar denna påverkan?

En nationell livsmedelsdetaljhandlare integrerade Hawkeye för att hantera den växande komplexiteten i sin e-handelsplattform. Deras SRE-team var överbelastat av stora mängder telemetridata och långsamma manuella utredningar, särskilt under topphandelsperioder.

Med Hawkeye som en GenAI-driven medarbetare, såg de:

• ~90 % MTTR-reduktion – Direkt datakorrelation över AWS CloudWatch, AWS MSK och PagerDuty.
• 24/7 realtidsanalys – Eliminerade eftertimmes eskaleringar.
• Automatiserad incidentlösning – För godkända lösningar distribuerades autonomt.

Under deras julhandelsrush, optimerade Hawkeye kapacitet, upptäckte tidiga problem och gjorde realtidsjusteringar av skalning, vilket säkerställde nästan 100 % uptime – en game-changer för deras IT-drift.

Vad är din vision för utvecklingen av AI-agenter från passiva assistenter till aktiva problemlösare inom företagsdrift, och vilka viktiga framsteg driver denna förändring?

AI förändras från passiv övervakning till aktiv problemlösning. Hawkeye tillhandahåller redan rotorsaksanalys och lösningar, men nästa fas är full autonomi – där AI proaktivt optimerar IT-drift och självläker infrastruktur i realtid. Denna utveckling, driven av framsteg inom GenAI och kognitiva beslutsmodeller, kommer att omdefiniera företags IT.

Där ser du AI-driven företagsautomatisering om fem år, och vilka stora utmaningar eller genombrott förväntar du dig under resan?

AI kommer att förändras från att assistera ingenjörer till fullt autonoma IT-drift. Multiagent AI-arbetsflöden kommer att möjliggöra sömlös samverkan över IT, säkerhet och DevOps, och bryta ner silor mellan avdelningar. De största genombrotten kommer att inkludera självläkande infrastruktur, AI-driven tvärfunktionell samverkan och starkare mänsklig-AI-förtroende, vilket möjliggör för AI-medarbetare att ta på sig mer komplexa beslut. De största utmaningarna kommer att vara att säkerställa AI-transparens och anpassa arbetskraften för att arbeta bredvid AI, balansera automatisering med mänsklig övervakning.

Ha lett flera startups till framgång, vad råd skulle du ge till entreprenörer som bygger AI-drivna företag idag?

Entreprenörer bör fokusera på att lösa riktiga, högvärdesproblem snarare än att jaga AI-hype. AI måste byggas med företagsförtroende i åtanke, säkerställande transparens och kontroll för företag som antar det. Anpassningsförmåga är nyckeln – AI-system måste utvecklas med företagsbehov snarare än att vara rigida, en-storlek-passar-alla-lösningar. Snarare än att ersätta mänsklig expertis, bör AI positioneras som en medarbetare som förbättrar beslutsfattande och operativ effektivitet. Slutligen, antagande av företags AI tar tid, så företag som prioriterar skalbarhet och långsiktig påverkan snarare än kortvariga trender kommer slutligen att framträda som ledare inom området.

Tack för den utmärkta intervjun, läsare som vill veta mer bör besöka NeuBird.