Resolve AI, $1,5 Milyar Değerlemeye ulaşarak Üretim Problemini Çözmek için 40 Milyon Dolarlık A Serisi Uzatma Fonu Sağladı

Resolve AI, 40 milyon dolarlık A Serisi uzatma fonunu 1,5 milyar dolarlık değerlemeyle sağladı ve bu fon DST Global ve Salesforce Ventures (CRM ) tarafından liderlik edildi. Fon, yapay zeka tarafından yazılımların nasıl inşa edildiğinin dramatik bir şekilde hızlandığı ancak bir kez dağıtıldıktan sonra nasıl bakıldığının değişmediği bir anda geldi.

Fonun yanı sıra, şirket Resolve AI Labs adlı bir araştırma girişimini tanıttı. Bu girişim, AI yığınının en kritik boşluklarından biri haline gelen şeyi kapatmayı amaçlıyor: yazılım sistemlerini üretim ortamlarında güvenilir bir şekilde çalıştırma yeteneği.

Çözülmemiş Dar Boğaz: Üretim

Yapay zeka, kodu yazma hızını dramatik bir şekilde artırdı. Büyük dil modelleri tarafından çalışan araçlar, şimdi dakikalar içinde tüm uygulamaları oluşturabiliyor. Ancak bu kod dağıtıldıktan sonra, gerçeklik çok daha karmaşık hale geliyor.

Üretim ortamları, altyapı, telemetri, günlükler, bağımlılıklar ve sürekli değişen hizmetler gibi parçalardan oluşan parçalı sistemlerdir. Mühendisler, arızaları teşhis etmek için tüm bunlarda across sinyalleri yorumlamak zorundadırlar, genellikle zaman baskısı altında ve eksik bilgilerle.

Burada Resolve AI odaklanıyor. Platformu, kod, altyapı ve telemetri arasında bağlantı kurarak olayları araştırmak, kök nedenleri belirlemek ve eylemler gerçekleştirmek için tasarlandı – temelde özerk bir üretim mühendisi gibi davranıyor.

Sorun sadece teknik karmaşıklık değil, aynı zamanda ölçek. Yapay zeka, kod oluşturmayı hızlandırırken, organizasyonlar ekiplerinin gerçekçi bir şekilde yönetebileceğinden daha fazla yazılım üretiyorlar. Sonuç, geliştirme hızı ile operasyonel güvenilirlik arasında genişleyen bir uçurum oluyor.

Neden Genel AI Modelleri Yetersiz Kalıyor

Resolve AI’ın yaklaşımının temel tezi, genel amaçlı AI modellerinin üretim ortamları için tasarlanmadığıdır.

Temel modeller hızla gelişiyor olsa da, operasyonel sistemlerin gerçeklerine optimize edilmiyorlar. Üretim, gürültülü, eksik ve souvent çatışan veri akışları boyunca neden-sonuç ilişkisi kurmayı gerektirir. Ayrıca yüksek düzeyde doğruluk, güvenilirlik ve kontrol gerektirir, burada hatalar kesintilere, finansal kayıplara veya güvenlik risklerine neden olabilir.

Resolve AI, bu sorunu, üretim iş akışlarına özgü alanlara özgü modeller ve ajan sistemleri oluşturarak çözmeyi amaçlıyor. Bu sistemler, günlükleri yorumlayabilir, sistem değişikliklerini analiz edebilir, olayları ilişkilendirebilir ve çok adımlı düzeltme işlemlerini çeşitli araçlar boyunca gerçekleştirebilir – geleneksel olarak deneyimli mühendislerin gerçekleştirdiği görevler.

Resolve AI Labs İçinde

Yeni kurulan Resolve AI Labs, bu vizyonu ileriye taşımak için üretim sistemlerini uçtan uca çalıştırmak için gerekli temel teknolojiyi geliştirmek amacıyla tasarlandı.

Laboratuvar, Dhruv Mahajan tarafından yönetilecek, o daha önce Meta’da Llama modelleri için post-education çalışması yaptı.

Laboratuvar, yalnızca ajanlara odaklanmak yerine, operasyonel AI için tam yığın yaklaşımı benimseyecek. Bu, şunları içerir:

• Üretim verilerine dayalı alanlara özgü modeller
• Günlükler, ölçümler, izler ve altyapı olayları boyunca neden-sonuç ilişkisi kuran sistemler
• Gerçek dünya iş akışlarında güvenilirliği ölçmek için değerlendirme çerçeveleri
• Modelleri test etmek ve geliştirmek için simülasyon ortamları
• Otomasyonun güvenli ve kontrolsüz olmasını sağlamak için yönetim katmanları

Bu, AI geliştirmesinde daha geniş bir değişimi yansıtıyor: ham model yeteneklerinin ötesine geçerek, yüksek riskli, gerçek dünya ortamlarında güvenli bir şekilde çalışabilen sistemler geliştirmek.

Yardımdan Özerkliğe

Resolve AI, “üretim için AI” veya AI destekli site güvenilirlik mühendisliği (SRE) olarak bilinen bir kategorinin parçasıdır. Kod asistanlarının aksine, bu sistemler canlı ortamları çalıştırmak, uyarıları ayıklamak, arızaları teşhis etmek ve olayları gerçek zamanlı olarak çözmek için tasarlanmıştır.

Şirketin platformu zaten mühendislik ekiplerinin olayları önemli ölçüde daha hızlı bir şekilde araştırmalarını sağlıyor, AI sistemleri karmaşık bağımlılıklar boyunca sistem davranışını analiz edip kök nedenleri belirleyebiliyor.

Zamanda, yardım yerine özerklik hedefleniyor. Mühendislerin uyarılara manuel olarak cevap vermesi yerine, AI sistemleri operasyonel işin çoğunu ele alabilir, insan denetimi risk ve bağlam temelinde uygulanabilir.

Kurumsal Müşterilerle Erken Traction

Resolve AI’ın hızlı fonlama yolu, bu yetenek için güçlü kurumsal talebi yansıtıyor. Şirket, iki yıldan kısa bir sürede 190 milyon doların üzerinde fon sağladı ve bereits Coinbase, DoorDash (DASH ), Salesforce, MSCI ve Zscaler gibi organizasyonlarla çalışıyor.

Bunlar, kesinti maliyetli ve güvenilirliğin kritik olduğu ortamlardır. Küçük geliştirmeler bile olay yanıtlama sürelerinde veya sistem stabilitesinde önemli iş etkileri doğurabilir.

Resolve AI gibi şirketlerin ortaya çıkması, AI ekosisteminin daha geniş bir evrimini işaret ediyor.

İlk AI dalgası, oluşturma üzerine odaklanmıştı: kod yazma, içerik oluşturma ve iş akışlarını hızlandırma. Sonraki aşama, operasyon hakkında – inşa edilenlerin güvenilir bir şekilde ölçeklenebilir şekilde çalışmasını sağlamak.

Bu geçiş, yeni teknik zorluklar getiriyor. Sistemlerin zaman içinde neden-sonuç ilişkisi kurmasını, belirsizliği ele almasını, çoklu araçlarla etkileşim kurmasını ve katı kısıtlamalar içinde çalışmasını gerektiriyor. Ayrıca, geleneksel benchmark’lerin gerçek dünya operasyonel performansını yakalamadığından, yeni değerlendirme yöntemleri gerektiriyor.

İleride Neler Olacak

Yapay zeka, yazılım geliştirmeyi hızlandırmaya devam ederken, üretim giderek daha fazla sınırlayıcı bir faktör haline gelecek. Karmaşık sistemleri güvenilir bir şekilde çalıştırma yeteneği, bir sonraki nesil kurumsal AI platformlarını tanımlayabilir.

Resolve AI’ın son fonlaması ve araştırma laboratuvarının lansmanı, bu sorunun ön plana çıktığını gösteriyor. Şirket, başarılı olursa, yalnızca başka bir AI aracı inşa etmiyor, yazılım sistemlerinin nasıl çalıştırıldığını yeniden tanımlamaya yardımcı oluyor.

Uzun vadeli sonuç, AI sistemleri ve insan mühendislerinin birlikte çalıştığı ortamlara doğru bir kayma olacak – makineler üretim karmaşıklığını ele alırken, insanlar daha yüksek düzeyde tasarım, strateji ve inovasyona odaklanacak.