Ronak Desai, grundare och VD för Ciroos – Intervjuserie

Ronak Desai, grundare och VD för Ciroos, leder företaget med ett tydligt uppdrag att eliminera IT-arbete och ge tid tillbaka till SRE, DevOps och driftsingenjörer. Han har en djup övertygelse om att AI bör öka mänsklig expertis på ett meningsfullt sätt snarare än att ersätta den, särskilt i miljöer med höga insatser. Innan Desai grundade Ciroos arbetade han mer än 20 år på Cisco, där han innehade flera ledande roller, inklusive Senior Vice President och General Manager för Cisco Full-Stack Observability och AppDynamics. Under sin karriär har han fokuserat på att bygga skalbara, kundcentrerade plattformar, innehar mer än 50 patent i aktiv användning idag och för vidare principerna om innovation och kundfokus som formade hans tid på Cisco.

Ciroos bygger en AI-inbyggd SRE-teamkamrat utformad för att dramatiskt minska den tid det tar att utreda och lösa komplexa IT-incidenter i moderna miljöer med flera domäner. Plattformen använder inbyggd multiagentisk AI för att resonera över signaler, automatisera utredningar och stödja automatisering, förstärkning och autonoma operationer – samtidigt som människor behåller full kontroll. Genom att korrelera data mellan verktyg och domäner som traditionellt är isolerade, gör Ciroos det möjligt för team att gå från reaktiv brandbekämpning till snabbare och mer självsäkert beslutsfattande, vilket frigör ingenjörer att fokusera på arbete med högre effekt snarare än repetitivt och utmattande operativt slit.

Du har arbetat på Cisco i mer än två decennier och hjälpt till att bygga några av deras mest framgångsrika nätverks- och observerbarhetsprodukter. Vad inspirerade dig att ta steget och grunda Ciroos?

Under mina interaktioner med olika företagsteam såg jag samma handling upprepa sig gång på gång. Driftsteamen var överväldigade av dashboards, jagade varningar och förlitade sig på institutionell kunskap för att felsöka problem i flera system. Trots att betydande kapital lades på observerbarhet saknade de fortfarande ett sätt att koppla samman bevis mellan domäner i realtid. Mina medgrundare och jag ville ändra på det. Vi bestämde oss för att bygga ett AI-system som kunde resonera som en erfaren operatör och arbeta i samklang med SRE:er från början, vilket gjorde det möjligt för teamen att fokusera på att förbättra motståndskraft och tillförlitlighet snarare än att lägga tid på att söka efter insikter eller släcka problem.

Du har beskrivit Ciroos som ett svar på ett av de svåraste problemen inom verksamheten – utredningar som spänner över flera domäner. Hur formade din erfarenhet av att leda AppDynamics och Full-Stack Observability-verksamheten på Cisco den insikten och påverkade Ciroos arkitektur?

På AppDynamics uppnådde vi en hög nivå av insikt i applikationsbeteende. Men när orsaken till en incident låg utanför applikationen (vare sig det var i molnkonfiguration, nätverk eller IAM), räckte det inte med att enbart ha insyn på applikationslagret. Utmaningen låg i att etablera sammanhang. Den erfarenheten vägledde hur vi utformade Ciroos. Vår plattform använder AI-resonemang för att skala upp produktionsverksamheter. Den tittar på signaler över domäner, justerar händelser längs en gemensam tidslinje och resonerar över domängränser för att fastställa de verkliga grundorsakerna till incidenter.

Ciroos introducerar konceptet ”AI SRE Teammate”. Hur skiljer sig denna idé om AI som samarbetspartner från traditionella automatiserings- eller observerbarhetsverktyg?

AI SRE-teamkamraten fungerar mer som en ny teamkamrat än ett nytt verktyg. Den lyssnar först, får en förståelse för miljön, accepterar definierade uppdrag och främjar förtroende över tid. Medan traditionell automatisering exekverar regler, tillämpar teamkamraten resonemang. När den identifierar ett problem väljer den relevanta domänexpertagenter att fråga, samlar in stödjande bevis och presenterar det i sitt sammanhang. Detta samarbetselement frigör ingenjörernas tid för att validera och lösa problem snarare än att manuellt härleda korrelationer.

Er plattform använder AI-resonemang med flera agenter. Kan ni förklara hur flera AI-agenter samordnar sig för att påskynda rotorsaksanalys och förbättra noggrannheten i komplexa system?

Varje agent har domänexpertis – en inom Kubernetes, en annan inom molnet, en annan inom nätverk och så vidare. När en incident inträffar arbetar dessa agenter tillsammans som en del av ett centralt resonemangslager som korrelerar resultat i realtid. Systemet avgör vilka agenter som ska anropas, vilka uppgifter som ska tilldelas varje agent, i vilken ordning och hur länge. Denna samordning minskar utredningstiderna och förbättrar noggrannheten genom att säkerställa att varje lager utvärderas i sitt sammanhang snarare än i en silo.

Ur ett tekniskt perspektiv, hur kan Ciroos dynamiskt resonera över olika datakällor – såsom molntelemetri, applikationsloggar och infrastrukturstatistik – utan att överbelasta användarna med brus?

Ciroos betraktar varje datakälla som en enda lins i en större bild. Den sammanställer observationer från olika datakällor längs en enhetlig tidslinje och visar endast relevanta orsakssamband. Om till exempel en omstart av en pod inträffar efter en liten förändring i IAM eller nätverkspolicy, kopplar Ciroos automatiskt den sekvensen. Den går utöver att tillhandahålla råa dashboards och sammanställer istället en komplett berättelse baserad på bevis som hjälper ingenjörer att förstå varför något hände.

Förtroende och förklarbarhet är centralt för er designfilosofi. Hur säkerställer ni att AI-drivna rekommendationer förblir transparenta och att mänskliga ingenjörer behåller full kontroll?

Varje rekommendation kommer med stödjande bevis och resonemang som ledde till den. Ingenjörer kan spåra varje slutsats, testa sina antaganden och hantera systemets autonominivå, från assisterande till semi-autonomt. Systemet behåller kontextuell kunskap över tid genom mänsklig feedback, vilket gör att det kan förbättra beslutskvaliteten samtidigt som det förblir helt styrt. Vårt tillvägagångssätt liknar hur ett team skulle introducera nya lagkamrater, med tydliga skyddsräcken, direkt resonemang och fullständig mänsklig tillsyn. Förtroende byggs upp i takt med att systemet visar alltmer tillförlitlig prestanda över tid.

Tidiga användare rapporterar att Ciroos minskar utredningstiden från timmar till minuter. Vilka typer av mönster eller insikter överraskade er mest när team började använda AI SRE Teammate i produktion?

Det har funnits två trevliga överraskningar – för det första har den hastighet med vilken även stora företag har reagerat positivt på vårt kärnvärdeerbjudande varit uppmuntrande. För det andra har våra kunder tittat noga på vår teknik och kommit fram till några mycket unika användningsfall som går långt utöver rotorsaksanalys. Dessa användningsfall belyser de verkliga utmaningar som stora företag står inför idag i sin produktionsverksamhet.

Termen ”AI som lagkamrat” antyder samarbete snarare än ersättning. Hur ser du på att detta koncept utvecklas i takt med att organisationer blir mer bekväma med att arbeta tillsammans med intelligenta system?

Vi ser detta som en resa som involverar automatisering, förstärkning och i slutändan autopilot. Även om Ciroos stöder alla tre lägena idag, ser vi vanligtvis att organisatoriskt införande av AI följer en mognadskurva. Till att börja med använder företag vårt AI-system för att automatisera tydligt definierade och repeterbara uppgifter samtidigt som de minimerar kognitiv överbelastning för människor. Däremot lägger skräddarsydda system som inte är AI-baserade för mycket börda på den mänskliga operatören att konfigurera många parametrar och regler innan kunderna inser värdet.

I nästa fas använder företag AI-systemet för att förbättra människors resonemang i stor skala över flera domäner, samtidigt som systemet ger detaljerade förklaringar och rekommendationer för åtgärder som människan validerar och genomför. Det är här de flesta företag befinner sig idag.

Med tiden kan AI:n hantera fullständiga incidentarbetsflöden autonomt för företaget, och endast eskalera till en människa vid behov. Vi förväntar oss att detta gradvis öppnas upp baserat på uppgiften. Den utvecklingen liknar hur team utvecklar förtroende med nyanställda. Allt eftersom man får mer förtroende fördjupas partnerskapet.

Många företag förlitar sig redan på etablerade plattformar för observerbarhet och incidenthantering. Hur integreras Ciroos med dessa befintliga ekosystem utan att störa arbetsflöden?

Från början var integration aldrig valfri. Vi tror att en federerad datamodell ger företag den snabbaste tiden till värde, mest valfrihet och lägsta totala ägandekostnaden. Ciroos AI SRE Teammate integreras med sju olika kategorier av företagssystem idag – observerbarhet, incidenthantering, samarbetsverktyg, molnplattformar, ärendesystem, CI/CD-verktyg och fysisk infrastruktur via öppna API:er och protokoll som MCP och A2A. Den integreras i etablerade arbetsflöden istället för att kräva att team antar nya. Denna design har bidragit till att göra det enkelt för företag att anamma det. Team får snabbare svar utan att ändra sina befintliga arbetsflöden.

Du har betonat kundfokus och innovation under hela din karriär. Hur styr dessa värderingar Ciroos kultur och dess långsiktiga vision för att omdefiniera tillförlitlighetsteknik?

Att vara kundbesatt innebär att vara obevekligt fokuserad på de verkliga utmaningar som våra kunders driftsteam står inför, såsom långa arbetsdagar, trötthet, slit och det ständiga sökandet efter svar på frågor som uppstår i verksamheten. Innovation handlar om att lösa dessa problem på sätt som meningsfullt ger tillbaka tid och fokus. Vi föreställer oss att alla driftsteam har en AI-teamkamrat som lär sig kontinuerligt, skalar upp med efterfrågan och hjälper till att säkerställa tillförlitlighet i alla system. På lång sikt ser vi AI-tjänster som programvara som blir standard genom hela utvecklings- till produktionscykeln – system som tänker, agerar och förbättras tillsammans med sina mänskliga kollegor. Om vi ​​kan ge våra användare den tydlighet och det andrum de alltid har behövt, har vi gjort vårt jobb rätt. Dessa användare kan vara specialisttjänster, IT-driftspersonal, produktionsingenjörer, molndriftsingenjörer eller DevOps-teammedlemmar som utför produktionsoperationer.