Autoheal برای بهبود عامل‌های هوش مصنوعی ۷.۹ میلیون دلار جذب کرد

استارتاپ Autoheal در ۲۸ سپتامبر اعلام کرد که در دور سرمایه‌گذاری بذر ۷.۹ میلیون دلار جذب کرده است؛ سرمایه‌ای که قرار است به توسعه پلتفرمی برای ارزیابی و اصلاح عامل‌های هوش مصنوعی در فرایندهای مهندسی نرم‌افزار کمک کند. این شرکت می‌خواهد به سازمان‌ها امکان دهد مجموعه‌ای از عامل‌های تخصصی را در محیط‌های امن خود مدیریت کنند و با کمک عامل‌های هوش مصنوعی دیگر، عملکرد آن‌ها را به‌طور مستمر بهبود دهند؛ موضوعی که با گسترش استفاده از ابزارهای تولید کد و افزایش فشار بر تیم‌های مهندسی اهمیت بیشتری پیدا کرده است.

پاسخ به افزایش خطاها و پیچیدگی عامل‌ها

به گفته Autoheal، ابزارهای هوش مصنوعی تولید کد باعث شده‌اند شرکت‌ها بتوانند نرم‌افزارهای بیشتری را سریع‌تر عرضه کنند؛ اما شتاب بیشتر در توسعه، مشکلات تازه‌ای هم به همراه داشته است. تیم‌های مهندسی پلتفرم باید با افزایش رخدادهای عملیاتی و آسیب‌پذیری‌های نرم‌افزاری روبه‌رو شوند و در عین حال، هزینه مصرف توکن‌ها را نیز مدیریت کنند. توکن واحدهای متنی کوچکی هستند که مدل‌های هوش مصنوعی برای پردازش ورودی و تولید پاسخ از آن‌ها استفاده می‌کنند و مصرف بیشترشان می‌تواند هزینه کار با مدل را افزایش دهد.

برخی شرکت‌ها برای مدیریت مراحل گوناگون توسعه، به الگوی «کارخانه نرم‌افزار» روی آورده‌اند؛ ساختاری که در آن چندین عامل هوش مصنوعی وظایف تخصصی را در جریان کار انجام می‌دهند. با این حال، Autoheal می‌گوید همین عامل‌ها هم ممکن است در مقیاس بزرگ دچار شکست شوند؛ به‌ویژه وقتی زمینه مهندسی مشترکی در اختیار ندارند یا محدودیت‌های امنیتی و مدیریتی یکسانی برایشان تعریف نشده است.

راهکار پیشنهادی Autoheal، مدیریت عامل‌ها از طریق یک بستر یکپارچه است. طبق توضیحات شرکت، این رویکرد می‌تواند زمینه مهندسی مشترک، ارزیابی خصوصی و کنترل هزینه و امنیت را برای عامل‌های مختلف فراهم کند. هدف، تنها اجرای یک وظیفه با یک عامل نیست؛ بلکه ایجاد سازوکاری برای اداره مجموعه‌ای از عامل‌ها در بخش‌های مختلف چرخه عمر توسعه نرم‌افزار است.

عامل ارزیاب و عامل اصلاح‌گر

مدیرعامل و هم‌بنیان‌گذار Autoheal، Sid Choudhury، گفته است پلتفرم این شرکت در محیط ابری خصوصی سازمان‌ها و در محدوده امنیتی خودشان قابل میزبانی است. این پلتفرم به عامل‌های کدنویسی مورد استفاده شرکت، مخازن کد، خط لوله‌های یکپارچه‌سازی و استقرار پیوسته و ابزارهای پایش متصل می‌شود. خط لوله CI/CD مجموعه‌ای از فرایندهای خودکار برای ساخت، آزمایش و انتشار نرم‌افزار است.

به گفته Choudhury، Autoheal یک نمودار زمینه مهندسی مشترک می‌سازد و دو عامل تخصصی را برای ارزیابی و بهبود عامل‌های دیگر به کار می‌گیرد. عامل «ارزیاب» عملکرد عامل‌های کاری را با معیارهایی مانند شکست‌های CI و گزارش‌های رخداد می‌سنجد. این ارزیابی قرار است نشان دهد عامل‌ها در فرایندهای واقعی مهندسی تا چه اندازه نتیجه قابل‌قبولی دارند، نه اینکه صرفاً وظیفه‌ای را اجرا کرده باشند.

عامل دوم، «اصلاح‌گر» یا Healer، برای بهبود عامل‌هایی طراحی شده است که امتیاز پایین‌تری می‌گیرند. طبق توضیح شرکت، این عامل می‌تواند درخواست‌های تغییر کد یا pull request باز کند و در آن‌ها پیشنهادهایی درباره انتخاب مدل، دستورهای متنی، ابزارها و مهارت‌های عامل ارائه دهد. این تغییرها خودکار و بدون نظارت نهایی اعمال نمی‌شوند: هر تغییر در Git نسخه‌بندی می‌شود، با معیارهای تاریخی سنجیده می‌شود و باید به تأیید یک ناظر انسانی برسد.

این فرایند به معنای کنار گذاشتن نظارت مهندسان نیست. در مدل Autoheal، عامل‌ها بخشی از کار ارزیابی و پیشنهاد اصلاح را انجام می‌دهند، اما تغییرات پیشنهادی در مسیر قابل‌ردیابی قرار می‌گیرند و تأیید نهایی به انسان واگذار می‌شود. شرکت این شیوه را راهی برای اداره عامل‌ها در کنار کنترل‌های امنیتی و مهندسی سازمان معرفی می‌کند.

سرمایه‌گذاران و مشتریان سازمانی

دور سرمایه‌گذاری اعلام‌شده را Innovation Endeavors رهبری کرده است. Emergent Ventures، U&I Ventures، Darkmode Ventures، Batch Ventures و Param Hansa Values نیز در آن مشارکت داشته‌اند. Autoheal درباره نحوه تخصیص دقیق سرمایه تازه جزئیاتی اعلام نکرده، اما توسعه پلتفرم و برنامه‌های مرتبط با عامل‌های سازمانی را در مرکز فعالیت خود قرار داده است.

Choudhury و هم‌بنیان‌گذارانش پیش‌تر در شرکت‌هایی از جمله Microsoft، ThoughtSpot و Harness زیرساخت‌های هوش مصنوعی و مهندسی سازمانی ساخته‌اند. او گفته است تجربه حضور در Harness آن‌ها را به این نتیجه رسانده که عامل‌ها باید مانند کد مدیریت شوند و عامل‌های فرادستی، به‌طور مستمر بر آن‌ها نظارت و آن‌ها را بهبود دهند. از نظر او، ساخت نسخه نخست یک عامل معمولاً دشوارترین بخش کار نیست؛ چالش اصلی، گسترش استفاده از آن در فرایندهای پیچیده سازمانی و حفظ عملکرد قابل‌اتکاست.

به گفته Autoheal، این شرکت تا پیش از اعلام عمومی فعالیت‌هایش در حالت پنهان یا «stealth» کار می‌کرده و اکنون مشتریانی از جمله Normura Holdings، AvidXchange و Empiric Earth دارد. شرکت می‌گوید این مشتریان از پلتفرم آن برای کاهش زمان رسیدگی به رخدادها و صرفه‌جویی در هزاران ساعت کار مهندسی استفاده کرده‌اند. این نتایج، ادعای خود شرکت است و در گزارش، ارقام تفصیلی یا ارزیابی مستقلی درباره میزان صرفه‌جویی ارائه نشده است.

Sameer Jain، مدیر ارشد اطلاعات Normura Bank، گفته است تیم‌های عملیات تولید این بانک پیش‌تر با حجم زیادی از هشدارها روبه‌رو بودند و برای بررسی و دسته‌بندی آن‌ها ساعت‌ها وقت می‌گذاشتند. به گفته او، رسیدگی به بعضی مشکلات مستلزم آن بود که مهندسان از کارهای دیگرشان جدا شوند. Jain مدعی است Autoheal زمان بررسی را از چند ساعت به چند دقیقه کاهش داده است. او همچنین می‌گوید اجرای کامل پلتفرم در ابر خود بانک و سازگاری آن با کنترل‌های داخلی، با شیوه عملیاتی این مجموعه تناسب دارد.

برنامه برای مدل‌های اختصاصی و کاربردهای گسترده‌تر

گام بعدی که Choudhury برای شرکت ترسیم کرده، توسعه روش‌های تازه یادگیری تقویتی است؛ روشی در یادگیری ماشین که در آن سامانه با دریافت بازخورد درباره نتیجه اقداماتش، رفتار خود را تنظیم می‌کند. هدف اعلام‌شده این است که عامل‌های مشتریان با داده‌های مهندسی خصوصی همان سازمان‌ها آموزش ببینند. Autoheal می‌خواهد این کار به ساخت مدل‌های زبانی کوچک اختصاصی بینجامد که در فضای ابری خصوصی و امن هر سازمان فعالیت کنند.

مدل زبانی کوچک یا SLM نسخه‌ای با ابعاد محدودتر از مدل‌های زبانی بزرگ است. Autoheal چشم‌انداز خود را استفاده از چنین مدل‌هایی برای اداره ناوگان عامل‌های هر مشتری توصیف می‌کند؛ عاملی که از نگاه شرکت می‌تواند هزینه‌ها را کاهش دهد و شناخت سامانه‌ها از صنعت و محیط کاری اختصاصی مشتری را افزایش دهد. با این حال، این برنامه در حال حاضر هدف آینده شرکت است و گزارش از عرضه یا عملکرد عملی چنین مدل‌هایی خبر نمی‌دهد.

Choudhury همچنین گفته است معماری Autoheal در بلندمدت می‌تواند از مهندسی نرم‌افزار فراتر برود و حوزه‌هایی مانند مهندسی داده و امنیت را نیز پوشش دهد. Harpinder Singh از Innovation Endeavors نیز گفته است شرکت‌ها به دنبال راه‌هایی برای به‌کارگیری ایمن و کارآمد عامل‌ها در مقیاس سازمانی هستند. او Autoheal را در حال ساخت لایه زیرساختی برای استقرار عامل‌های تخصصی در سازمان می‌داند؛ ادعایی که نشان می‌دهد سرمایه‌گذاران، فرصت این شرکت را محدود به یک عامل یا یک جریان کاری نمی‌بینند.

این خبر برای چه کسانی اهمیت دارد

جذب سرمایه Autoheal برای مدیران مهندسی پلتفرم، تیم‌های عملیات نرم‌افزار و شرکت‌هایی اهمیت دارد که عامل‌های هوش مصنوعی را در فرایندهای توسعه به کار می‌گیرند. این گروه‌ها علاوه بر سرعت تولید کد، باید کیفیت، هزینه، امنیت و پیامد خطاهای عامل‌ها را نیز کنترل کنند. رویکرد Autoheal نشان می‌دهد بخشی از بازار در حال حرکت از ساخت عامل‌های منفرد به سمت ابزارهای مدیریت، ارزیابی و نظارت بر مجموعه‌ای از عامل‌هاست.

برای سرمایه‌گذاران و فعالان زیرساخت هوش مصنوعی نیز این دور، نشانه‌ای از توجه به لایه‌ای است که میان مدل‌های هوش مصنوعی و استفاده سازمانی از آن‌ها قرار می‌گیرد. با این حال، میزان اثرگذاری ادعاهای مربوط به کاهش زمان رسیدگی و صرفه‌جویی در کار مهندسی، به شواهد عملی و ارزیابی در محیط‌های گوناگون سازمانی وابسته خواهد بود. همچنین، برنامه آموزش مدل‌ها با داده‌های خصوصی و گسترش محصول به حوزه‌های دیگر هنوز در مرحله هدف‌گذاری شرکت قرار دارد.