Autoheal ระดมทุน Seed มูลค่า $7.9M เพื่อสร้างโรงงานซอฟต์แวร์ที่พัฒนาตนเอง

Autoheal ระดมทุน Seed จำนวน $7.9 ล้านเพื่อขยายแพลตฟอร์มที่ออกแบบมาเพื่อจัดการงานที่ตามมาหลังการเขียนโค้ดด้วย AI: การสืบสวนเหตุการณ์, การแก้ไขช่องโหว่, การควบคุมค่าใช้จ่ายของโมเดล, และการทำให้เอเจนต์ซอฟต์แวร์สอดคล้องกับระบบและนโยบายขององค์กร

Innovation Endeavors นำรอบการระดมทุนนี้, โดยมีส่วนร่วมจาก Emergent Ventures, U&I Ventures, Darkmode Ventures, Batch Ventures, และ Param Hansa Values. Harpinder Singh จาก Innovation Endeavors จะเข้าร่วมคณะกรรมการของ Autoheal

เงินทุนนี้มาถึงในขณะที่บริษัทต่าง ๆ กำลังเรียนรู้ว่าการสร้างโค้ดที่เร็วขึ้นไม่ได้หมายความว่าจะทำให้การส่งมอบซอฟต์แวร์เร็วขึ้นหรือปลอดภัยยิ่งขึ้น การมีโค้ดมากขึ้นอาจนำไปสู่การแจ้งเตือน, การตรวจสอบ, ช่องโหว่, และค่าใช้จ่ายของโมเดลคลาวด์ที่เพิ่มขึ้น Autoheal มุ่งเน้นไปที่ชั้นที่มองเห็นได้น้อยของกระแสการเขียนโค้ดด้วย AI นี้

ปัญหาการดำเนินงานที่เกิดจากการเขียนโค้ดที่เร็วขึ้น

AI coding assistants ได้ลดความพยายามที่ต้องใช้ในการผลิตโค้ดลง, แต่หลายงานด้านวิศวกรรมที่ตามมายังคงต้องใช้แรงงานมาก งานเหตุการณ์การผลิตยังต้องการการสืบสวน, การค้นพบด้านความปลอดภัยยังต้องการการแก้ไข, และทีมแพลตฟอร์มยังต้องเข้าใจว่าการกระทำอัตโนมัติเสร็จสำเร็จหรือไม่

Autoheal แย้งว่างานเหล่านี้ควรได้รับการจัดการเป็นส่วนหนึ่งของโรงงานซอฟต์แวร์ที่ประสานกัน ไม่ใช่ให้กับกลุ่มเอเจนต์ที่แยกจากกัน แพลตฟอร์มของบริษัทเชื่อมต่อเครื่องมือเขียนโค้ดกับที่เก็บโค้ด, ระบบ CI/CD, แพลตฟอร์มการสังเกต, สภาพแวดล้อมคลาวด์, และระบบติดตามปัญหา เป้าหมายคือให้เอเจนต์เฉพาะทางมีมุมมองร่วมของสภาพแวดล้อมวิศวกรรมในขณะที่ยังคงอยู่ภายในคลาวด์และการควบคุมความปลอดภัยของลูกค้า

สถาปัตยกรรมนี้สำคัญในองค์กรที่มีการควบคุมหรือมีความซับซ้อนทางเทคนิค, ที่เอเจนต์อาจต้องการบริบทการผลิตแต่ไม่สามารถได้รับการเข้าถึงโดยไม่มีข้อจำกัด นอกจากนี้ยังแก้ปัญหาการกำกับดูแลเชิงปฏิบัติ: เมื่อทีมใช้งานเอเจนต์มากขึ้น พวกเขาต้องการวิธีที่สอดคล้องในการประเมินพฤติกรรม, ติดตามการเปลี่ยนแปลง, และควบคุมค่าใช้จ่าย

วิธีการทำงานของวงจรการรักษาต่อเนื่องของ Autoheal

ศูนย์กลางของแนวทางของ Autoheal คือเอเจนต์ผู้ดูแลสองตัว เอเจนต์ Evaluator ให้คะแนนผลลัพธ์ของเอเจนต์ทำงานโดยใช้สัญญาณต่าง ๆ เช่น ความคิดเห็นในการตรวจสอบโค้ด, ความล้มเหลวของการรวมต่อเนื่อง, และเหตุการณ์ที่เชื่อมโยงกับการเปลี่ยนแปลง เอเจนต์ Healer จากนั้นเสนอการปรับปรุงให้กับเอเจนต์ที่ทำงานได้ไม่ดีโดยการเปลี่ยนคำสั่ง, ทักษะ, เครื่องมือ, หรือการเลือกโมเดล

บริษัทกล่าวว่าการเปลี่ยนแปลงที่เสนอเหล่านั้นจะถูกทดสอบกับเกณฑ์อ้างอิงทางประวัติศาสตร์ก่อนการตรวจสอบ พฤติกรรมของเอเจนต์ถูกควบคุมเวอร์ชันใน Git, และวิศวกรยังคงมีอำนาจการอนุมัติ ในทางปฏิบัติ สิ่งนี้ทำให้ระบบคล้ายกับชั้นปฏิบัติการสำหรับการตรวจสอบและปรับปรุงกลุ่มเอเจนต์ที่ทำงานเฉพาะงาน มากกว่าบอทเขียนโค้ดอัตโนมัติ

ความแตกต่างนี้สำคัญ การสร้างสาธิตเอเจนต์ที่น่าเชื่อถือค่อนข้างตรงไปตรงมา; แต่การรักษาประสิทธิภาพที่เชื่อถือได้เมื่อฐานโค้ด, โครงสร้างพื้นฐาน, และกฎระเบียบขององค์กรเปลี่ยนแปลงนั้นยากกว่า Autoheal เดิมพันว่าการประเมินต่อเนื่องและการแก้ไขที่ควบคุมได้จะกลายเป็นข้อกำหนดมาตรฐานสำหรับการใช้งานเอเจนต์ระดับองค์กร

การปรับใช้ในช่วงแรกเน้นที่การตอบสนองต่อเหตุการณ์

Autoheal ระบุว่าตอนนี้กำลังทำงานในสภาพแวดล้อมระดับองค์กรรวมถึง Nomura Bank และ AvidXchange ตามตัวเลขที่บริษัทให้ไว้ Nomura ลดเวลาเฉลี่ยในการแก้ไขเหตุการณ์จากสองชั่วโมงเหลือ 15 นาทีในหนึ่งการปรับใช้ AvidXchange รายงานว่าระบบได้ลดระยะเวลาการวิเคราะห์สาเหตุรากฐานเหลือเป็นนาทีและปลดปล่อยความสามารถของวิศวกรให้ทำงานผลิตภัณฑ์

ผลลัพธ์เหล่านั้นเป็นการอ้างอิงของบริษัทและลูกค้า ไม่ใช่การวัดจากบุคคลที่สาม, แต่บ่งบอกถึงกรณีการใช้งานเริ่มต้นที่ Autoheal เชื่อว่ามีความเร่งด่วนที่สุด: การตอบสนองต่อเหตุการณ์ การแก้ไขปัญหาบ่อยครั้งต้องรวบรวมหลักฐานจากบันทึก, ระบบตรวจสอบ, ตั๋ว, การเปลี่ยนแปลงโค้ด, และบริการคลาวด์ เอเจนต์ที่เข้าถึงบริบทเหล่านี้อาจสามารถสรุปการวินิจฉัยที่เป็นประโยชน์ได้เร็วกว่าวิศวกรที่ต้องย้ายมือไปมาระหว่างระบบ

Empiric Earth ยังใช้แพลตฟอร์มนี้สำหรับการแก้ปัญหาและการเพิ่มประสิทธิภาพค่าใช้จ่ายซอฟต์แวร์ ตามที่ประกาศร่วมกัน การปรับใช้เหล่านี้บ่งชี้ว่า Autoheal เริ่มต้นด้วยกระบวนการทำงานที่ค่าใช้จ่ายจากข้อมูลที่กระจัดกระจายง่ายต่อการมองเห็นและที่การปรับปรุงสามารถวัดได้จากเวลาที่คืนให้กับวิศวกร

สิ่งที่รอบระดมทุน Seed มีเป้าหมายจะใช้ในการสนับสนุน

Autoheal ก่อตั้งโดย Utkarsh Ohm, Sid Choudhury, และ Puneet Saraswat, โดยอิงประสบการณ์จาก Harness, Microsoft Azure, ThoughtSpot, และ AppDynamics ทีมบอกว่าทุนใหม่จะสนับสนุนการพัฒนาระบบการเรียนรู้แบบเสริมแรงและโมเดลส่วนตัวที่เฉพาะเจาะจงสำหรับองค์กรซึ่งฝึกด้วยข้อมูลวิศวกรรมที่คงอยู่ภายในขอบเขตของลูกค้า

แผนระยะยาวขยายออกไปไกลกว่าการวิศวกรรมซอฟต์แวร์ไปสู่การดำเนินงานข้อมูลและความปลอดภัย การขยายนี้จะขึ้นอยู่กับว่าพลาตฟอร์มสามารถทั่วไปโมเดลการประเมินและการซ่อมแซมของมันข้ามกระบวนการทำงานที่มีระดับความเสี่ยงและเกณฑ์ความสำเร็จต่างกันได้หรือไม่

ในขณะนี้ การระดมทุนเน้นถึงการเปลี่ยนแปลงในตลาด AI ระดับองค์กร ข้อจำกัดต่อไปอาจไม่ใช่การสร้างโค้ดเพิ่มขึ้น แต่เป็นการควบคุมจำนวนเอเจนต์ที่เพิ่มขึ้นและการดูดรับงานปฏิบัติการที่พวกเขาสร้างขึ้น โอกาสของ Autoheal อยู่ที่การเปลี่ยนข้อจำกัดนั้นให้เป็นโครงสร้างพื้นฐานที่ทีมแพลตฟอร์มสามารถวัด ตรวจสอบ และปรับปรุงได้