A Faros AI 16 millió dollárt gyűjt, hogy rávilágítson a fejlesztői termelékenységre, és ingyenes nyílt forráskódú platformot indít

Vitaly Gordon 5-ban elindította a Salesforce Einsteint egy 2016 fős pincében. Nem kellett sok idő ahhoz, hogy a Salesforce egyértelmű sikerévé nőtte ki magát: a belső vállalati működés javítása, amelyet több mint 10 10 ügyfél használ, és naponta több mint XNUMX milliárd előrejelzést produkál, szintén élvonalbeli kutatás, több száz ember dolgozik rajta.

Akkor miért nem élvezi Gordon a Salesforce-nál végzett munkája gyümölcsét?

Mert, ahogy fogalmazott, nem azt gyakorolták, amit prédikálnak. Gordon rájött, hogy a szervezetek mérnöki csapatai egyáltalán nem adatvezéreltek, ahogy kellene. Otthagyta a Salesforce Einstein adattudományi és mérnöki részlegének alelnöki pozícióját, és néhány korábbi kollégájával együtt arra a törekvésre kezdett, hogy a szoftverfejlesztést adatközpontúvá tegye.

Faros AI A Gordon 2019-ben társalapító társasága, hogy a mérnöki csapatok számára alapos rálátást biztosítson tevékenységükre, hogy gyorsabban szállíthassák ki a termékeket. A Faros Engineering Operations Platformot már használják olyanok, mint a Box, a Coursera és a GoFundMe.

A Faros AI ma bejelentette, hogy a SignalFire, a Salesforce Ventures és a Global Founders Capital vezetésével 16 millió dolláros magvető finanszírozást gyűjtött össze olyan tapasztalt technológiai világítók részvételével, mint Maynard Webb, Frederic Kerrest, Adam Gross és mások.

Sőt, a vállalat bejelenti ingyenes, nyílt forráskódú közösségi kiadásának, a Faros CE-nek általános elérhetőségét is. Gordonnal megbeszéltük a Faros AI-vel való utazását, az EngOps filozófiáját és a Faros AI platform létrehozását.

Az Analytics mint a szoftvermérnöki csapatok világítótornya

Faros görögül világítótorony. Ahogy Gordon megjegyezte, a tengeri ihletésű analógiák erősek az infrastruktúra terén. Dockerrel kezdődött, majd jött a Kubernetes, ami görögül tengeri kapitányt jelent. Tehát, ha Kubernetes a kormányos, aki a hajót irányítja, mi mutat az utat? Ez lenne a világítótorony, a Faros AI pedig a világítótorony akar lenni.

Gordon úgy hivatkozik arra, amit Faros csinál EngOps. Ha ismeri a DevOps-t, azt gondolhatja, hogy az EngOps hasonló – de nem az. Valójában a Faros AI tevékenysége a szoftvermérnöki csapatok elemzéseként foglalható össze. Az ok, amiért Faros az EngOps kifejezést használja, Gordon szerint az más tudományágak felé való rábólintás.

Az olyan szerepköröket tekintve, mint az értékesítési műveletek, a marketingtevékenységek vagy a toborzási műveletek, azt találjuk, hogy nagyon analitikus emberek töltik be őket. Feladatuk, hogy több forrásból szerezzenek adatokat, elemezzék a folyamatokat, megtalálják a szűk keresztmetszeteket, majd jelentést készítsenek az illetékes vezetőknek, és együttműködjenek velük a javítandó dolgok javításán.

A Faros AI arra épül, hogy evangelizálja ezt a fajta szerepet a szoftverfejlesztésben. Gordon úgy véli, hogy minden egyes vállalatnak rendelkeznie kell olyan emberekkel, akik elemzik az adatokat, hogy tanácsot adhassanak a mérnöki vezetőknek az erőforrások elosztásában és a döntések meghozatalában.

Azt hinné az ember, hogy ha a szoftverfejlesztés teljesen digitális, bevett gyakorlatokkal és alkalmazott rendszerekkel, akkor valakinek eszébe jutott volna az analitika használata, és ez már megvalósult volna. Elvileg ez elég egyszerű, és a Faros AI a Connect — Analyze — Customize triptichon segítségével írja le.

Először is a szoftverfejlesztési folyamat szempontjából releváns összes rendszert össze kell kötni, hogy az adataikat lehessen kezelni. A Faros lehetővé teszi a felhasználók számára olyan rendszerek csatlakoztatását, mint a kódtárak, CI / CD, jegykezelő és projektmenedzsment szoftver egyetlen központi nyilvántartási rendszerbe.

Ez az elemzés előfeltétele. Ez sem olyan egyszerű, mint amilyennek hangzik. A csatlakozók helyére helyezésén túl az adatokat integrálni és összehangolni kell, és Gordon szerint „valamiféle intelligencia” szükséges ahhoz, hogy a különböző adatforrásokat összeillesszük. A cél a változások nyomon követése az ötlettől a gyártásig és azon túl, az incidensek a felfedezéstől a helyreállításon át a megoldásig, valamint az identitások egyeztetése a különböző rendszerek között.

Ezután jön az elemzés, ami a folyamat magja. Gordon tapasztalatai szerint a fejlesztői termelékenység mérésére gyakran használt mérőszámok, mint például a kódsorok vagy a jegyvásárlási történetpontok, könnyen mérhetők, de nem igazán reprezentatívak. Gordon szerint ha valami, akkor fordított korreláció lehet e mutatók és a ténylegesen generált érték között.

Gordon és társalapítói annak érdekében, hogy előálljanak azzal, ami állítása szerint a szoftverfejlesztés de facto mérőszámainak halmazává válhat, Gordon és társalapítói magas és alacsony szintű keresést végeztek. Nagyon támaszkodtak rájuk DORA – a Google Cloud DevOps kutatása és értékelése.

A DORA több mint 1000 vállalatot vizsgált meg, és több mint 100 mérőszámot mért fel, és ezek alapján osztályozta a csapatokat 4 csoportba – elit, magas, közepes és alacsony. Gordon szerint ezt olyan mérőszámok alapján tették, amelyek a folyamatokra és nem az emberekre összpontosítanak, és nem az outputokat, hanem az eredményeket mérik. Ezt a filozófiát a Faros AI is felkarolja.

Végül, de nem utolsósorban a testreszabás lehetővé teszi a Faros AI-felhasználók számára, hogy a mérőszámokat saját igényeikhez és környezetükhöz igazítsák. Mivel a szervezetek eltérőek a működési módjukban és az általuk használt környezetekben, ez egy szükséges rendelkezés annak biztosításához, hogy a platform minden forgatókönyv esetén jól működjön, és az összegyűjtött mutatók tükrözzék a gyakorlati valóságot.

Az érték mérése és maximalizálása

Mindez jól és jól hangzik, de hogyan jelent ez kézzelfogható előnyöket a gyakorlatban? A kérdés megválaszolásához Gordon azzal kezdte, hogy az, hogy mindent egy helyen látunk, gyakran elég egy „aha pillanat” generálásához. De ez túlmutat ezen; – folytatta – tette hozzá. Az egyik kulcsfontosságú szempont, amellyel a Faros AI segíteni tudott az ügyfeleknek, az erőforrások elosztása:

„Az egyik dolog, amit folyamatosan hallunk ügyfeleinktől, és ez nagyrészt a magas szintű vezetéstől, sőt néha az igazgatóságtól is a következő: Több mérnököt veszünk fel, de úgy tűnik, nem tudunk több dolgot elvégezni. Miert van az? Főleg egy olyan környezetben, ahol olyan nehéz több mérnököt felvenni, miért nem látunk eredményeket?

Az egyik dolog, amit megmutattunk nekik, hogy ha a szűk keresztmetszet nem a kódot író mérnökökben van, hanem a minőségbiztosításban, és nincs ott elég ember, akkor ha több mérnököt vesz fel több funkció megírására, az valójában lassabb lesz, nem pedig gyorsabb. – mondta Gordon.

Miután a szervezetek rájöttek erre, úgy reagáltak, hogy megváltoztatták munkaerő-felvételi tervüket a szűk keresztmetszetek kezelése érdekében, és ez óriási változást hozott. A meglévő munkaerő átcsoportosítása a szoftverfejlesztési folyamat problémáinak megoldására ahelyett, hogy több embert alkalmazna, Gordon szerint 20%-kal több mérnök felvételét eredményezheti.

Az érték nemcsak a szoftver gyorsabb szállításából fakad, hanem a szoftver minőségének javításából és az állásidő minimalizálásából is – tette hozzá Gordon. A Google kutatása szerint a megtakarítás évente 6 és 250 millió dollár között lehet, a csapat méretétől függően.

A Faros AI a mérnöki csapatok vezetőit, műszaki igazgatókat és hasonló szerepköröket célozza meg. Míg Gordon ügyet vetett arra, hogy milyen értéket tud nyújtani számukra; kíváncsiak voltunk, hogyan fogadják a terméket a mérnöki csapat tagjai, akiknek a munkája kiemelt figyelmet kapott. A Faros AI-ügyfeleivel szerzett tapasztalatok azt mutatják, hogy az alkalmazottak elégedettsége nő, mondta Gordon. Ennek az az oka, hogy csökkenti a „belső bürokráciát”, ami gyorsabb átállást eredményez, és a mérnökök a való világban is láthatják munkájuk hatását.

Ha olyan dolgokról beszélünk, mint a szoftver minősége és a generált érték felkelti az étvágyat, akkor kezelnie kell az elvárásait. Gordon szerint az EngOps szent grálja, hogy a mérnöki csapatok munkáját a magas szintű üzleti mérőszámoknak tulajdonítják, de még nem tartunk ott.

Hozzátette, a legközelebb ahhoz juthatunk, hogy megmérjük, mennyi időbe telik, amíg valami a gyártásba kerül. Figyelembe véve, hogy a mérnöki környezetek és rendszerek hogyan terjeszkednek, ez nem triviális. Gordon tapasztalatai szerint a Connect – Analyze – Customize ciklust sok szervezet csinálja, olyan neveken, mint pl. fejlesztői termelékenység, mérnöki hatékonyság vagy mérnöki felhatalmazás.

A munka nagy része teljesen differenciálatlan, és az infrastruktúra kiépítéséről szól. A gondolkodás az, hogy ahogy a legtöbb szervezet számára logikus egy kész ERP- vagy CRM-rendszer használata és az igényeiknek megfelelő testreszabása, az EngOps sem lehet más.

Gordon számára a Faros AI küldetése, hogy a lehető legtöbb szervezethez eljuttassa az EngOps-t. A Faros CE, a Faros AI platform ingyenes, nyílt forráskódú közösségi kiadásának megjelenése fontos lépés e cél elérése érdekében. Nincsenek valódi különbségek a Faros CE és a Faros AI Enterprise képességei között, kivéve, ha olyan funkciókról van szó, mint a biztonság és a megfelelőség – mondta Gordon.

A Faros CE egy BI, API és automatizálási réteg minden mérnöki működési adathoz, beleértve a forrásvezérlést, a feladatkezelést, az incidenskezelést és a CI/CD-adatokat. A legjobb nyílt forráskódú szoftvereket tartalmazza: Airbyte az adatfeldolgozáshoz, Hasura az API réteghez, Metabase a BI-hoz és n8n az automatizáláshoz. A Faros CE konténer alapú, és bármilyen környezetben képes futni, beleértve a nyilvános felhőt is, külső függőségek nélkül.

A Faros AI Enterprise, amely SaaS-ként érhető el, önálló üzemeltetési lehetőségekkel, továbbra is a Faros AI bevételszerzési hajtóereje lesz. A Faros CE azonban azt a célt is szolgálja majd, hogy lehetővé tegye az ügyfelek számára, hogy olyan tevékenységeket végezzenek, mint például további csatlakozók hozzáadása a választott rendszereikhez. A Faros AI fordítottan működött a nyílt forráskódú és vállalati verziókat használó vállalatoknál, kezdve a vállalati verzióval, majd a nyílt forráskódú verzió kiadásával.

Ez abban is megmutatkozik, ahogyan a cég az adománygyűjtést választotta, mondta Gordon. A 16 millió dolláros magvetési kör azután jött létre, hogy a vállalat már egy ideje működik, teljesen működőképes platformmal és fizető ügyfelekkel. Gordon hozzátette, ez azt jelenti, hogy az alapítók minimálisra csökkentik részvényeik felhígulását, a támogatók pedig minimalizálják kockázatukat. A finanszírozást a termékbe való befektetésre, valamint a Faros AI csapatának bővítésére fordítják.