Man mano che i sistemi software diventano più complessi e gli strumenti di intelligenza artificiale producono codice più velocemente che mai, un problema fondamentale sta peggiorando: Gli ingegneri stanno annegando nel debugTrascorrono metà del loro tempo a ricercare le cause dei guasti del software piuttosto che a sviluppare nuovi prodotti. Il problema è diventato così grave che sta creando una nuova categoria di strumenti: agenti di intelligenza artificiale in grado di diagnosticare errori di produzione in pochi minuti anziché in ore.
Intelligenza artificiale deduttivauna startup uscita dalla modalità invisibile martedì. La società ha annunciato di aver raccolto 7,5 milioni di dollari in finanziamenti iniziali guidati dalla società. CRVcon la partecipazione Iniziative Databricks, Iniziative ThomvestE PrimeSetcommercializzare ciò che ha detto "Broker AI SRE" può aiutare a diagnosticare e correggere i guasti del software alla velocità della macchina.
Questa conversazione riflette una crescente frustrazione all’interno delle organizzazioni ingegneristiche: i moderni strumenti di osservabilità possono mostrare che qualcosa non funziona, ma raramente ne spiegano il motivo. Quando un sistema di produzione si ferma alle 3 del mattino, gli ingegneri devono ancora affrontare ore di lavoro di investigazione manuale, riferimenti incrociati a registri, parametri, cronologie di distribuzione e modifiche al codice su dozzine di servizi interconnessi per determinare la causa principale.
"La complessità e le interdipendenze delle infrastrutture moderne fanno sì che indagare sulla causa principale di un’interruzione o di un incidente possa essere come trovare un ago in un pagliaio; ma il pagliaio è grande quanto un campo da calcio, fatto di milioni di altri aghi, che si rimescola e brucia costantemente – e ogni secondo che non riesci a trovare equivale a una perdita di entrate," Sameer Agarwal, co-fondatore e chief technology officer di Deceptive, ha dichiarato in un’intervista esclusiva con VentureBeat.
Il sistema deduttivo consente all’impresa di “ "infografica" mappatura delle relazioni tra basi di codice, dati di telemetria, discussioni tecniche e documenti interni. Quando si verifica un incidente, più agenti IA lavorano insieme per creare ipotesi, testarle rispetto alle prove del sistema in tempo reale e convergere sulla causa principale; Imita il flusso di lavoro investigativo di ingegneri esperti nell’affidabilità del sito, ma completa il processo in pochi minuti anziché in ore.
La tecnologia ha già dimostrato un impatto misurabile in alcuni degli ambienti produttivi più difficili del mondo. La piattaforma pubblicitaria di DoorDashHa integrato Deduttivo nel flusso di lavoro di risposta agli incidenti, eseguendo aste in tempo reale che dovrebbero essere completate in meno di 100 millisecondi. L’azienda si è posta l’ambizioso obiettivo per il 2026 di risolvere gli incidenti di produzione in 10 minuti.
"La nostra piattaforma pubblicitaria opera a una velocità tale per cui la ricerca manuale e lenta non è più rilevante. Ogni minuto di inattività influisce direttamente sulle entrate dell’azienda," Shahrooz Ansari, direttore senior dell’ingegneria di DoorDash, ha dichiarato in un’intervista con VentureBeat. "La deduzione è diventata un’estensione fondamentale del nostro team, sintetizzando rapidamente segnali da decine di servizi e scoprendo informazioni chiave in pochi minuti."
Indicatore della porta Si stima deduttivamente che sia la causa principale di quasi 100 incidenti di produzione negli ultimi mesi, che rappresentano un impatto annuale sulla produttività ingegneristica e sui ricavi di oltre 1.000 ore "in milioni di dollari," Secondo Ansari. Alla società di localizzazione SedutoDeduttivo ha ridotto del 90% il tempo necessario per diagnosticare gli errori dei processi Apache Spark; ha trasformato un processo che prima richiedeva ore o giorni in un processo completato in meno di 10 minuti, risparmiando più di 275.000 dollari all’anno.
Perché il codice generato dall’intelligenza artificiale crea una crisi di debug?
I tempi del lancio di Deduttivo riflettono una crescente tensione nello sviluppo del software: gli assistenti di codifica basati sull’intelligenza artificiale consentono agli ingegneri di produrre codice più velocemente che mai, ma il software risultante è spesso più difficile da comprendere e mantenere.
"codifica delle vibrazioni," Un termine reso popolare da un ricercatore di intelligenza artificiale Andrej KarpathySi riferisce all’utilizzo di istruzioni in linguaggio naturale per generare codice tramite assistenti di intelligenza artificiale. Sebbene questi strumenti velocizzino lo sviluppo, possono introdurre ciò che Agarwal descrive come: "ridondanze, rotture nei confini architettonici, ipotesi o modelli di progettazione ignorati" questi si accumulano nel tempo.
"La maggior parte del codice generato dall’intelligenza artificiale introduce ancora ridondanze, supera i confini dell’architettura, fa ipotesi o ignora modelli di progettazione consolidati." Agarwal ha detto a Venturebeat. "In molti modi, ora abbiamo bisogno dell’intelligenza artificiale per aiutare a ripulire il caos che l’intelligenza artificiale ha creato."
L’affermazione secondo cui gli ingegneri dedicano circa la metà del loro tempo al debug non è un’esagerazione. La Computing Machinery Association riporta che gli sviluppatori spendono Dal 35% al 50% del tempo dedicato alla verifica e al debug del software. Più recentemente, Consegna del software di State of Harness nel 2025 Il rapporto ha rilevato che il 67% degli sviluppatori dedica più tempo al debug del codice generato dall’intelligenza artificiale.
"Abbiamo visto ingegneri di livello mondiale dedicare metà del loro tempo al debug invece che alla creazione." ha affermato Rakesh Kothari, co-fondatore e CEO di Deduttivo. "E poiché la codifica jitter genera nuovo codice a una velocità senza precedenti, questo problema non potrà che peggiorare."
In che modo gli agenti IA di Deduction indagano effettivamente sui difetti di produzione?
L’approccio tecnico di Deduttivo differisce in modo significativo dalle funzionalità di intelligenza artificiale aggiunte alle piattaforme di osservabilità esistenti, come: Datadog O Nuova reliquia. Molti di questi sistemi utilizzano modelli linguistici di grandi dimensioni per riassumere i dati o identificare le correlazioni, ma mancano di ciò che Agarwal li definisce. "ragionamento consapevole del codice"—la capacità di capire non solo che qualcosa non funziona, ma anche perché il codice si comporta in quel modo.
"La maggior parte delle organizzazioni utilizza più strumenti di osservabilità tra diversi team e servizi; pertanto, nessun fornitore ha un’unica visione olistica del comportamento, dei guasti e del ripristino del proprio sistema e può abbinarla alla comprensione del codice che definisce il comportamento del sistema." Ha spiegato Agarwal. "Questi sono i componenti di base per risolvere i casi software, e questa è esattamente la lacuna che colma il metodo deduttivo."
Il sistema si connette all’infrastruttura esistente utilizzando l’accesso API di sola lettura a piattaforme di osservabilità, repository di codici, strumenti di gestione degli eventi e sistemi di chat. Quindi crea e aggiorna continuamente il grafico della conoscenza, mappa le dipendenze tra i servizi e tiene traccia delle cronologie di distribuzione.
Quando viene attivato un avviso, Deduttivo avvia quella che l’azienda descrive come un’indagine multi-agente. Diversi agenti sono specializzati in diversi aspetti del problema: uno può analizzare le recenti modifiche al codice, un altro può esaminare i dati di traccia e un terzo può correlare la tempistica dell’evento con le recenti implementazioni. Gli agenti condividono i risultati e perfezionano le loro ipotesi in modo iterativo.
La differenza fondamentale rispetto all’automazione basata su regole è che l’apprendimento deduttivo utilizza l’apprendimento per rinforzo. Il sistema apprende da ciascun caso quali fasi investigative portano a diagnosi accurate e quali sono vicoli ciechi. Quando gli ingegneri forniscono feedback, il sistema incorpora quel segnale nel modello di apprendimento.
"Ogni volta che osservi uno studio, scopri quali passaggi, fonti di dati e decisioni hanno portato al risultato giusto." disse Agarwal. "Impara non solo ad esprimere i problemi ma anche a pensarci."
Su DoorDash, un recente picco di latenza in un’API sembrava inizialmente essere un problema di servizio isolato. L’indagine di Degressive ha rivelato che la causa principale erano in realtà errori di timeout di una piattaforma di machine learning downstream distribuita. Il sistema ha collegato questi punti analizzando i volumi di registro, le tracce e i metadati di distribuzione su più servizi.
"Se non fosse deduttivo, il nostro team dovrebbe correlare manualmente l’aumento della latenza tra tutti i registri, le tracce e le cronologie di distribuzione." Ha detto Ansari. "La deduzione è stata in grado di spiegare non solo cosa è cambiato, ma anche come e perché ha influenzato il comportamento produttivo."
Per ora l’azienda tiene le persone informate
Sebbene la tecnologia di Deduction potrebbe teoricamente introdurre soluzioni direttamente nei sistemi di produzione, l’azienda ha deliberatamente scelto di mantenere gli esseri umani coinvolti, almeno per ora.
"Sebbene il nostro sistema sia capace di un’automazione più profonda e possa inviare correzioni alla produzione, attualmente consigliamo correzioni e mitigazioni definitive che gli ingegneri possono rivedere, verificare e implementare." disse Agarwal. "Riteniamo che mantenere un essere umano coinvolto sia importante per la fiducia, la trasparenza e la sicurezza operativa."
Tuttavia, lo ha ammesso "Riteniamo che col tempo arriverà un’automazione più profonda e il modo in cui le persone lavorano nel ciclo si evolverà."
I veterani di Databricks e ThoughtSpot si affidano al ragionamento piuttosto che all’osservabilità
Il team fondatore apporta una profonda esperienza nella creazione di alcune delle piattaforme di infrastruttura dati di maggior successo della Silicon Valley. Agarwal ha conseguito il dottorato di ricerca. creato alla UC Berkeley BlinkDBUn sistema efficiente per l’elaborazione approssimativa delle query. Fu tra i primi ingegneri mattoni datiil luogo che ha contribuito a costruire Apache Spark. Kothari è stato uno dei primi ingegneri Punto di pensierodove ha guidato team focalizzati sull’elaborazione distribuita delle query e sull’ottimizzazione dei sistemi su larga scala.
L’associazione degli investitori riflette sia l’affidabilità tecnica che le opportunità di mercato. Oltre i CRV Max GazorIl tour prevede la partecipazione di: Stoico ionicoFondatore di Databricks e Anyscale; Ajeet SinghFondatore di Nutanix e ThoughtSpot; E Ben SigelmannFondatore di Lightstep.
Invece di competere con piattaforme come Datadog O Chiama QuestLa deduzione si posiziona come uno strato complementare in aggiunta agli strumenti esistenti. Il modello di prezzo riflette questo: tariffazione fissa basata sul numero di eventi esaminati più la tariffa base della piattaforma, anziché tariffazione in base al volume di dati.
L’azienda offre opzioni di distribuzione sia ospitate nel cloud che self-hosted e sottolinea che non archivia i dati dei clienti sui propri server né li utilizza per addestrare modelli per altri clienti; una garanzia fondamentale data la natura specializzata del comportamento sia del codice che del sistema di produzione.
Con capitale fresco e attrazione anticipata dei clienti in aziende come Indicatore della porta, SedutoE TipoDeduttivo prevede di espandere il proprio team e approfondire le capacità di ragionamento del sistema dall’analisi reattiva degli eventi alla prevenzione proattiva. Visione a breve termine: aiutare i team a prevedere i problemi prima che si verifichino.
Ansari di DoorDash offre un supporto pragmatico per lo stato in cui si trova la tecnologia oggi: "Le indagini che in precedenza erano manuali e richiedevano molto tempo sono ora automatizzate, consentendo agli ingegneri di concentrare le proprie energie sulla prevenzione, sull’impatto aziendale e sull’innovazione."
In un settore in cui ogni secondo di inattività si traduce in una perdita di entrate, il passaggio dalla lotta agli incendi all’edilizia sembra sempre più una posta in gioco piuttosto che un lusso.
