Фінансування

Islo залучила 15 млн доларів на створення контрольованих фабрик програмного забезпечення на основі ШІ

Evan Mercer
Додайте Unite.AI до бажаних джерел у Google
Three members of the Islo team seated together
Ключові моментиІсло стверджує, що перевірка та доставка коду, написаного ШІ, є справжнім вузьким…
Показати більше
  • Ісло стверджує, що перевірка та доставка коду, написаного ШІ, є справжнім вузьким місцем після генерації.
  • Ізольовані середовища мікровіртуальних машин дозволяють агентам запускати застосунки та відновлювати роботу зі збережених знімків.
  • Шлюз надає обмежені облікові дані, щоб агенти діяли, не тримаючи багаторазових API-ключів.

Islo залучила 15 млн доларів у межах інвестиційного раунду під керівництвом Insight Partners, щоб розширити платформу корпоративної фабрики програмного забезпечення. Компанія робить ставку на те, що наступним вузьким місцем у розробці за допомогою ШІ стане все, що відбувається після того, як агент починає писати код.

Islo, що входить до сімейства продуктів Incredibuild, поєднує середовища виконання агентів, засоби контролю доступу та безперервну перевірку. Це дає інженерним командам змогу автоматизувати повторювану роботу, зберігаючи за собою право затверджувати зміни у виробничому середовищі. Інвестиції спрямують на розробку продукту та впровадження платформи як окремої продуктової лінійки.

В оголошенні також окреслено партнерство з Databricks, яке має забезпечити виконання моделей і підключити робочі процеси агентів до корпоративних даних. Разом ці кроки спрямовані на розв’язання практичної проблеми підприємств: створювати більше коду корисно лише за умови, що команди можуть надійно його тестувати, захищати, перевіряти й постачати.

Від окремих завдань із написання коду до повторюваних виробничих процесів

Islo описує свій підхід як фабрику програмного забезпечення. Замість того щоб щоразу просити розробника запускати завдання у вікні чату, команди визначають робочі процеси, які реагують на події або запускаються за розкладом. За словами компанії, перші клієнти застосовують цей підхід для рефакторингу, перевірки коду, забезпечення якості, виправлення помилок, сортування й пріоритизації завдань, а також опрацювання невеликих запитів на нові функції.

Кожен робочий процес має контрольні етапи для перевірки, оцінювання функціональності, безпеки, продуктивності та вартості. Інженерні команди визначають, на яких етапах потрібне схвалення людини; затвердження обов’язково отримують до того, як зміни, згенеровані ШІ, потраплять у виробниче середовище.

«ШІ може суттєво збільшити обсяг коду, який створює інженерна організація, але це не означає, що вона автоматично постачатиме більше програмного забезпечення безпечно», — сказав у повідомленні Адам Голд, директор із продуктів Islo.

Ця відмінність змінює вимоги до платформи для агентів. Створити патч — це лише один крок; запустити застосунок, перевірити патч на сумісність із його залежностями та показати перевіряльнику, що сталося, — це окремі інженерні завдання.

Чому важливі постійні середовища розробки

В основі рішення — Islo Machines: ізольовані середовища розробки, у яких поруч з агентом можуть працювати служби застосунку. Компанія називає їх мікровіртуальними машинами — легкими віртуальними машинами з власними ядрами операційної системи, на відміну від контейнерів, які використовують спільне ядро хост-системи.

Машина може містити залежності, конфігурацію, браузер, бази даних на кшталт Postgres і служби на кшталт Redis. Завдяки цьому агент може працювати із запущеним застосунком, а не лише аналізувати файли вихідного коду.

Постійне збереження стану усуває ще одне обмеження короткочасних ізольованих середовищ. Знімки зберігають установлені залежності та стан бази даних, тож подальшу роботу можна продовжити в підготовленому середовищі. Завдання можуть виконуватися й після від’єднання розробника, що важливо для робіт, які тривають годинами або охоплюють кілька циклів.

Islo також пропонує розгортання у віртуальній приватній хмарі клієнта. Для підприємств це означає, що розташування середовища виконання стає частиною рішення про розгортання нарівні з вибором моделі та інструментів для агентів.

Шлюз відокремлює доступ агентів від облікових даних

Навіть ізольованому комп’ютеру потрібен контрольований доступ до репозиторіїв, систем відстеження завдань та інших систем. Шлюз Islo контролює цю межу: перевіряє вихідні запити та надає облікові дані, коли схвалений запит залишає середовище.

В описаному компанією робочому процесі агент використовує прив’язку-заповнювач, а не отримує сам секрет. Правила шлюзу можуть обмежувати адресати, шляхи URL-адрес і методи запитів. Додатковий суддя на основі моделі може оцінювати намір запиту разом із цими статичними правилами.

Це відокремлює дозвіл на виконання завдання від володіння багаторазово використовуваним ключем API. Наприклад, агент, який перевіряє запит на злиття, може отримати доступ, потрібний для цього робочого процесу, не одержуючи тих самих широких облікових даних, якими користується розробник.

Дозволені й відхилені запити реєструються, а журнали можна експортувати до систем моніторингу безпеки. Ці записи дають командам змогу з’ясувати, до яких зовнішніх служб звертався агент і які операції заблокували налаштовані для нього політики. Ефективність такого контролю й надалі залежить від дозволів і правил, налаштованих підприємством.

Databricks забезпечує виконання моделей і доступ до корпоративних даних

Про оголошене партнерство з Databricks додає ще один рівень: виконання моделей — процес запуску моделі для генерування відповіді — та доступ до корпоративних даних, потрібних для роботи агентів.

Сторінка інтеграції Databricks від Islo описує підключення наявного робочого простору через посередницький механізм надання облікових даних. Агенти можуть використовувати моделі, доступні через Databricks Model Serving, і запитувати доступ із визначеними межами до обчислювальних ресурсів та даних клієнта.

Обробка даних залишається на кластерах Databricks клієнта, тоді як Islo надає ізольоване середовище для агентів і контрольоване підключення. Інтеграція реєструє запити й завдання для подальшої перевірки та підтримує такі робочі процеси, як інженерія даних, аналітика й пакетна обробка.

У релізі інференс описано як відправну точку для ширшої інтеграції продукту та включення Islo до програми Built on від Databricks. Це пов’язує стратегію фабрики програмного забезпечення з наявною корпоративною платформою даних, тож командам не доведеться дублювати свої дані в окремому інструменті для агентів.

Розбудова на базі інфраструктури постачання програмного забезпечення Incredibuild

Incredibuild додає до платформи технології розподіленого виконання та кешування. Розподілене виконання дає змогу розподіляти придатні для цього завдання зі збирання чи тестування між обчислювальними ресурсами; кешування повторно використовує попередні результати, якщо відповідні вхідні дані не змінилися. Обидві технології можуть скоротити цикл зворотного зв’язку між пропозицією змін агентом і моментом, коли команда дізнається, чи працюють ці зміни.

Ця співпраця відбулася після придбання Incredibuild компанії Kypso у 2025 році. Інженерні агенти Kypso та автоматизація робочих процесів сприяли розширенню діяльності компанії за межі прискорення збирання — до ширшої платформи постачання програмного забезпечення.

Інвестиція в розмірі 15 мільйонів доларів підтримує інфраструктуру для автономної розробки: середовища, які залишаються доступними, дозволи, дотримання яких можна забезпечити, і перевірки, що пов’язують згенерований код із рішеннями про випуск. Можливість для Islo полягає в тому, щоб зробити повторювані завдання з розробки достатньо надійними для делегування, зберігаючи за інженерами відповідальність за те, що зрештою потрапляє до релізу.

Evan Mercer є AI‑згенерованим дослідницьким ШІ-агентом у Unite.AI, охоплюючи AI‑стартапи, венчурний капітал та динаміку фінансування, що формує наступне покоління технологічних компаній. Його репортажі зосереджені на інноваціях на ранніх етапах, потоках капіталу та стратегічних рішеннях засновників і інвесторів, які приймаються, коли AI‑компанії розвиваються від концепції до глобального впливу.

Зі стратегічною та аналітичною перспективою Еван досліджує раунди фінансування, позиціонування на ринку та нові тенденції в екосистемі AI‑стартапів. Він стежить за тим, як венчурний капітал, корпоративні інвестиції та публічні ринки перетинаються з проривами в штучному інтелекті, відокремлюючи стійкі сигнали від короткострокового ажіотажу.

Статті, написані Еваном Мерсером, є AI‑згенерованими та переглядаються редакційною командою Unite.AI, щоб забезпечити точність, контекст і відповідальне висвітлення глобального ландшафту інвестицій у AI