ویتالی گوردون Salesforce Einstein را در زیرزمینی با 5 نفر در سال 2016 راه اندازی کرد. طولی نکشید که به موفقیتی بی چون و چرا برای Salesforce تبدیل شد: بهبود عملیات داخلی شرکت، مورد استفاده بیش از 10 هزار مشتری، تولید بیش از 10 میلیارد پیش بینی هر روز، همچنین تحقیقات پیشرفته، صدها نفر روی آن کار می کنند.
هوش مصنوعی
پس چرا گوردون از ثمره کار خود در Salesforce لذت نمی برد؟
زیرا به قول او، آنها به آنچه موعظه می کنند عمل نمی کردند. گوردون متوجه شد که تیمهای مهندسی در سازمانها به هیچ وجه آنطور که باید مبتنی بر دادهها نیستند. او نقش خود را به عنوان معاون، علم و مهندسی داده در Salesforce Einstein رها کرد و به همراه برخی از همکاران سابق خود تلاش کرد تا مهندسی نرم افزار را مبتنی بر داده ها کند.
فاروس هوش مصنوعی شرکتی است که گوردون در سال 2019 تأسیس کرد تا تیمهای مهندسی را با دید عمیقی در عملیاتهای خود نشان دهد تا بتوانند محصولات را سریعتر ارسال کنند. پلت فرم عملیات مهندسی فاروس در حال حاضر توسط شرکت هایی مانند Box، Coursera و GoFundMe استفاده می شود.
فاروس AI امروز اعلام کرد که 16 میلیون دلار سرمایه اولیه به رهبری SignalFire، Salesforce Ventures و Global Founders Capital با مشارکت افراد برجسته فناوری از جمله Maynard Webb، Frederic Kerrest، Adam Gross و غیره جمع آوری کرده است.
علاوه بر این، این شرکت همچنین در دسترس بودن عمومی نسخه رایگان منبع باز Community Edition، Faros CE را اعلام می کند. ما با گوردون صحبت کردیم تا در مورد سفر او با فاروس AI، فلسفه آنچه EngOps نامیده می شود و ساخت پلتفرم هوش مصنوعی فاروس صحبت کنیم.
تجزیه و تحلیل به عنوان فانوس دریایی تیم های مهندسی نرم افزار
فاروس یونانی به معنای فانوس دریایی است. همانطور که گوردون اشاره کرد، تشابهات الهام گرفته از دریا در فضای زیرساخت قوی هستند. با Docker شروع شد و سپس Kubernetes که یونانی برای کاپیتان دریایی است آمد. بنابراین اگر Kubernetes سکاندار است که کشتی را هدایت می کند، چه چیزی راه را نشان می دهد؟ این فانوس دریایی خواهد بود و هوش مصنوعی فاروس می خواهد فانوس دریایی شود.
گوردون به کاری که فاروس انجام می دهد اشاره می کند EngOps. اگر با DevOps آشنایی دارید، ممکن است فکر کنید که EngOps مشابه است – اما اینطور نیست. در واقعیت، آنچه فاروس AI انجام می دهد را می توان به عنوان تجزیه و تحلیل برای تیم های مهندسی نرم افزار خلاصه کرد. گوردون گفت دلیل اینکه فاروس از اصطلاح EngOps استفاده می کند، اشاره به رشته های دیگر است.
با نگاهی به نقشهایی مانند عملیات فروش، عملیات بازاریابی، یا عملیات استخدام، متوجه میشویم که این نقشها توسط افراد بسیار تحلیلی پر شدهاند. وظیفه آنها دریافت داده ها از منابع متعدد، تجزیه و تحلیل خطوط لوله، یافتن تنگناها، و سپس گزارش به مدیران مربوطه و همکاری با آنها برای بهبود مواردی است که باید بهبود یابد.
هوش مصنوعی فاروس بر اساس مفهوم بشارت دادن این نوع نقش برای مهندسی نرم افزار ساخته شده است. گوردون معتقد است که هر شرکتی باید افرادی داشته باشد که داده ها را تجزیه و تحلیل می کنند تا به رهبران مهندسی در تخصیص منابع و تصمیم گیری مشاوره دهند.
شما فکر میکنید که با مهندسی نرمافزار کاملاً دیجیتالی، با روشها و سیستمهای شناخته شده استفاده شده، استفاده از تجزیه و تحلیل برای این امر به ذهن کسی میرسید و قبلاً پیادهسازی شده بود. از نظر مفهومی، بسیار ساده است، و هوش مصنوعی فاروس آن را با استفاده از سهگانه Connect – Analyze – Customize توصیف میکند.
ابتدا، تمام سیستمهای مربوط به فرآیند توسعه نرمافزار باید به هم متصل شوند تا بتوان دادههای آنها را جذب کرد. فاروس به کاربران اجازه می دهد تا سیستم هایی مانند مخازن کد را به هم متصل کنند. CI / CD، مدیریت بلیط و نرم افزار مدیریت پروژه را در یک سیستم متمرکز ثبت ثبت کنید.
این یک پیش نیاز برای توانایی انجام تجزیه و تحلیل است. همچنین آنطور که به نظر می رسد ساده نیست. فراتر از قرار دادن کانکتورها، داده ها باید یکپارچه و تراز شوند، و گوردون گفت که به "نوعی هوشمندی" نیاز است تا همه آن منابع داده مختلف را به هم متصل کنیم. هدف ردیابی تغییرات از ایده تا تولید و فراتر از آن، حوادث از کشف تا بازیابی تا حل و فصل، و آشتی دادن هویت ها در سیستم های مختلف است.
سپس تحلیل می آید که هسته اصلی فرآیند است. در تجربه گوردون، معیارهایی که اغلب برای اندازهگیری بهرهوری توسعهدهنده استفاده میشوند، مانند خطوط کد یا نقاط داستانی بلیط، ممکن است به راحتی قابل اندازهگیری باشند، اما واقعاً نماینده نیستند. گوردون گفت، در هر صورت، ممکن است یک همبستگی معکوس بین این معیارها و ارزش واقعی تولید شده وجود داشته باشد.
گوردون و همبنیانگذارانش برای دستیابی به آنچه که او ادعا میکند میتواند به مجموعهای از معیارها برای مهندسی نرمافزار تبدیل شود، بالا و پایین را جستجو کردند. آنها به شدت به آنها تکیه کردند DORA – تحقیق و ارزیابی DevOps Google Cloud.
DORA بیش از 1000 شرکت را مطالعه کرد و بیش از 100 معیار را اندازهگیری کرد و از آنها برای طبقهبندی تیمها در 4 سطل - Elite، High، Medium و Low استفاده کرد. گوردون گفت، آنها این کار را بر اساس معیارهایی انجام دادند که بر فرآیند تمرکز دارد نه افراد، و نتایج را به جای خروجی ها اندازه گیری می کند. این فلسفه ای است که هوش مصنوعی فاروس نیز از آن استقبال می کند.
آخرین اما نه کماهمیت، سفارشیسازی به کاربران هوش مصنوعی فاروس اجازه میدهد تا معیارها را با نیازها و محیط خود تنظیم کنند. از آنجایی که سازمانها در نحوه کار و محیطهایی که استفاده میکنند متفاوت هستند، این یک شرط ضروری است تا اطمینان حاصل شود که پلتفرم برای هر سناریو به خوبی کار میکند و معیارهای جمعآوریشده منعکسکننده واقعیت روی زمین است.
اندازه گیری و به حداکثر رساندن مقدار
همه اینها خوب و خوب به نظر می رسد، اما چگونه در عمل به مزایای ملموس ترجمه می شود؟ برای پرداختن به این سوال، گوردون با گفتن این که فقط دیدن همه چیز در یک مکان اغلب اوقات برای ایجاد یک "لحظه آها" کافی است، شروع کرد. اما فراتر از آن می رود؛ او در ادامه افزود. یکی از جنبه های حیاتی که هوش مصنوعی فاروس توانسته به مشتریان کمک کند تخصیص منابع است:
ابداع
"یکی از چیزهایی که ما مدام از مشتریان خود می شنویم، و از مدیریت سطح بالا، یا حتی گاهی اوقات هیئت مدیره بسیار ناشی می شود، این است: ما مهندسان بیشتری را استخدام می کنیم، اما به نظر نمی رسد کارهای بیشتری انجام دهیم. چرا اینطور است؟ به خصوص در محیطی که استخدام مهندسان بیشتر بسیار سخت است، چرا نتیجه نمی بینیم؟
یکی از چیزهایی که به آنها نشان دادیم این است که اگر گلوگاه شما روی مهندسین کدنویسی نیست، بلکه در تضمین کیفیت است و افراد کافی در آنجا ندارید، استخدام مهندسان بیشتر برای نوشتن ویژگیهای بیشتر در واقع کار را کندتر میکند، نه سریعتر. " گوردون گفت.
هنگامی که سازمان ها متوجه این موضوع شدند، با تغییر برنامه های استخدام خود به منظور رفع این تنگناها پاسخ دادند و این تفاوت بزرگی ایجاد کرد. تخصیص مجدد نیروی کار موجود برای رسیدگی به مسائل مربوط به خط لوله مهندسی نرم افزار، به جای استخدام افراد بیشتر، می تواند منجر به استخدام 20 درصد مهندسان بیشتر مطابق گفته گوردون شود.
گوردون افزود: ارزش نه تنها از ارائه سریعتر نرم افزار بلکه از بهبود کیفیت نرم افزار و به حداقل رساندن زمان خرابی ناشی می شود. طبق تحقیقات گوگل، بسته به اندازه تیم، پس انداز می تواند بین 6 تا 250 میلیون دلار در سال باشد.
هدف هوش مصنوعی فاروس رهبران تیم مهندسی، مدیران ارشد فناوری و نقشهای مشابه است. در حالی که گوردون ارزشی را که می تواند به آنها ارائه دهد، مطرح کرد. ما تعجب کردیم که چگونه محصول توسط اعضای تیم مهندسی که کار آنها مورد توجه قرار گرفته است، دریافت می شود. گوردون گفت، تجربه با مشتریان هوش مصنوعی فاروس نشان می دهد که رضایت کارکنان افزایش می یابد. این به این دلیل است که «بوروکراسی داخلی» را کاهش میدهد و منجر به چرخش سریعتر میشود و مهندسان تأثیر کارشان را در دنیای واقعی میبینند.
اگر صحبت در مورد چیزهایی مانند کیفیت نرم افزار و ارزش تولید شده اشتهای شما را تحریک می کند، باید انتظارات خود را مدیریت کنید. گوردون گفت که تلاش برای نسبت دادن کار تیم های مهندسی به معیارهای کسب و کار سطح بالا، جام مقدس برای EngOps است، اما ما هنوز به آنجا نرسیده ایم.
او افزود که نزدیکترین چیزی که در این مرحله میتوانیم به دست آوریم، اندازهگیری مدت زمانی است که طول میکشد تا چیزی به تولید برسد. با توجه به پراکندگی محیطها و سیستمهای مهندسی، این موضوع پیش پا افتاده نیست. در تجربه گوردون، چرخه Connect – Analyze – Customize کاری است که بسیاری از سازمانها با نامهایی مانند بهره وری توسعه دهندگان، کارایی مهندسی یا توانمندسازی مهندسی.
بیشتر آن کار کاملاً غیرمتمایز است و مربوط به ساخت زیرساخت است. تصور این است که درست همانطور که برای اکثر سازمان ها منطقی است که از یک سیستم ERP یا CRM خارج از قفسه استفاده کنند و آن را بر اساس نیازهای خود سفارشی کنند، EngOps نیز نباید متفاوت باشد.
برای گوردون، ماموریت هوش مصنوعی فاروس این است که EngOps را تا حد امکان به سازمانها بیاورد. انتشار Faros CE، نسخه رایگان و منبع باز Community Edition پلتفرم هوش مصنوعی فاروس، گام مهمی در خدمت این هدف است. گوردون گفت، هیچ تفاوت واقعی در قابلیتها بین Faros CE و Faros AI Enterprise وجود ندارد، مگر زمانی که صحبت از ویژگیهایی مانند امنیت و انطباق باشد.
فاروس CE یک لایه BI، API و اتوماسیون برای تمام داده های عملیاتی مهندسی، از جمله کنترل منبع، مدیریت کار، مدیریت رویداد و داده های CI/CD است. بهترین نرم افزار منبع باز را می سازد: Airbyte برای دریافت داده، Hasura برای لایه API، Metabase برای BI، و n8n برای اتوماسیون. فاروس CE مبتنی بر کانتینر است و قادر است در هر محیطی، از جمله ابر عمومی، بدون وابستگی خارجی اجرا شود.
Faros AI Enterprise که بهعنوان SaaS با گزینههای خود میزبانی در دسترس است، همچنان محرک کسب درآمد برای هوش مصنوعی فاروس خواهد بود. با این حال، فاروس CE همچنین در خدمت این هدف خواهد بود که مشتریان را قادر به انجام کارهایی مانند افزودن کانکتورهای بیشتر به سیستم های انتخابی خود کند. هوش مصنوعی فاروس به روشی معکوس عمل کرد که شرکتهای دارای نسخههای منبع باز و سازمانی معمولاً انجام میدهند، از نسخه سازمانی شروع کردند و سپس نسخه منبع باز را منتشر کردند.
گوردون گفت که این در روشی که شرکت برای جذب سرمایه انتخاب کرد نیز منعکس شده است. دور اولیه 16 میلیون دلاری پس از مدتی فعالیت شرکت با یک پلتفرم کاملاً کاربردی و پرداخت مشتریان آغاز شد. گوردون در ادامه افزود، این بدان معناست که بنیانگذاران رقیق شدن سهام خود را به حداقل میرسانند و حامیان ریسک خود را به حداقل میرسانند. این بودجه برای سرمایه گذاری روی محصول و همچنین رشد تیم هوش مصنوعی فاروس استفاده خواهد شد.
- بزرگ داده
- شرکت های تجزیه و تحلیل داده های بزرگ
- mba تجزیه و تحلیل داده های بزرگ
- فرآیند تجزیه و تحلیل داده های بزرگ
- ابزارهای تجزیه و تحلیل داده های بزرگ
- معماری کلان داده
- تجزیه و تحلیل کسب و کار داده های بزرگ
- داده های بزرگ برای مراقبت های بهداشتی
- چرخه عمر کلان داده
- موتور جستجوی کلان داده
- نرم افزار داده های بزرگ
- ذخیره سازی داده های بزرگ
- داده های بزرگ کنفرانس بلاک چین
- کلان داده های ابری
- فضای ذخیره ابری
- coingenius
- داده های بزرگ کنفرانس کریپتو
- تجزیه و تحلیل داده ها
- آجرهای داده
- مرکز داده
- مهندس داده
- علم اطلاعات
- تجزیه و تحلیل بزرگ علم داده
- پردازش داده های توزیع شده
- github bigdata
- هادوپ
- هادوپ کلان داده
- جرقه هادوپ
- کندو
- کافکا
- MongoDB
- وحی
- افلاطون
- افلاطون آی
- هوش داده افلاطون
- بازی پلاتو
- PlatoData
- بازی پلاتو
- rmdbs
- پایگاه داده دانه های برف
- پایگاه داده جرقه
- ذخیره سازی داده vr
- ZD Net
- زفیرنت