Présentation : PlayerZero Le premier modèle mondial d'ingénierie qui met le débogage, la correction et le test de votre code en pilotage automatique. Nous avons levé 20 millions de dollars auprès de Foundation Capital, @matei_zaharia (Databricks), @pbailis (Workday), @rauchg (Vercel), @zoink (Figma), @drewhouston (Dropbox), et d'autres. PlayerZero libère 30 % de votre bande passante d'ingénierie en : 1.⁠ ⁠Trouvant la cause profonde des bugs et incidents en quelques minutes que les équipes d'ingénierie mettent des jours à identifier. 2.⁠ ⁠Prédire en quelques minutes des problèmes de cas limites qu'une équipe QA de 300 personnes mettrait des semaines à trouver. ------ Voici pourquoi cela compte : Personne dans votre organisation n'a une image complète de la façon dont votre logiciel de production se comporte réellement. Le support voit des tickets. SRE voit l'infrastructure. Le développement voit le code. Chaque équipe construit sa propre vue fragmentée - et aucun de ces systèmes ne communique entre eux. Quand quelque chose casse, tout le monde s'affole pour reconstituer l'image à la main. PlayerZero connecte tout cela dans un seul graphe de contexte - → Le fil Slack où votre responsable a dit "nous avons choisi X parce que Y s'est effondré en prod la dernière fois" → La revue de PR où un ingénieur a expliqué le compromis → L'historique complet de votre pipeline CI/CD, de votre pile d'observabilité, des incidents et des tickets de support Ainsi, vous pouvez retracer n'importe quel problème jusqu'à sa cause profonde à travers chaque silo. Et cela s'accumule. Chaque incident diagnostiqué enseigne quelque chose de nouveau au modèle. Plus il fonctionne longtemps, plus il comprend en profondeur - quels chemins de code sont à haut risque, quelles configurations sont fragiles, quels changements ont tendance à casser quels flux clients. Ainsi, lorsque vous vous asseyez pour déboguer un problème en direct, vous avez derrière vous le raisonnement collectif et la mémoire de production de toute votre organisation - instantanément. ------ Zuora, Georgia-Pacific et Nylas ont réduit le temps de résolution de 90 % et ont détecté 95 % des changements critiques, libérant en moyenne 30 millions de dollars de bande passante d'ingénierie. ------ Notre garantie : Si nous ne pouvons pas augmenter votre bande passante d'ingénierie d'au moins 20 % en une semaine, nous ferons un don de 10 000 $ à un projet open-source de votre choix. Réservez une démo -

Chaque industrie a donné ses données à l'IA. Le logiciel lui a accidentellement donné quelque chose de bien plus précieux. Et c'est la raison pour laquelle vos ingénieurs perdent la tête à cause de l'IA, tandis que votre équipe de vente pense que ce n'est qu'un battage médiatique. L'IA est phénoménale en matière de codage. Les raisons que les gens avancent sont que les modèles formés sur du code, que les langages de programmation sont précis, que les développeurs ont poussé les outils à leur maximum. Tout cela est vrai, mais aucun de ces éléments n'est la véritable raison. La véritable raison est la densité de trace : le rapport entre le raisonnement enregistré et les résultats enregistrés dans un domaine. L'IA doit voir comment les décisions sont prises, pas seulement quelle était la décision. Elle a besoin des compromis qui ont été envisagés et rejetés, des échecs qui ont été analysés, du raisonnement entre un problème et une réponse. Les données de résultats lui disent ce qui s'est passé, la trace de décision lui apprend comment penser. Le logiciel a accidentellement construit l'archive de trace la plus dense de toutes les professions de l'histoire humaine, et aucun autre domaine ne s'en approche. Quelques éléments structurels ont rendu cela possible. Dans la plupart des professions, la séniorité remplace l'explication. Un partenaire senior ne documente pas son raisonnement parce que son autorité est le raisonnement. L'open source a brisé cela, car un contributeur aléatoire devait comprendre une décision aussi bien que l'architecte. Le titre ne signifiait rien, et tout le monde se justifiait selon le même standard. Un avocat peut trouver un contrat de 1998, ou le moment où la clause 7 a changé et même les raisons rétrospectives pour lesquelles cela s'est produit. Mais vous ne pouvez pas trouver les délibérations réelles par lesquelles un juge est passé ou les décisions qu'il a presque prises ou les arguments qu'il a considérés. Le logiciel peut le faire, car le raisonnement est attaché au moment exact où il a été utilisé. Les documents juridiques enregistrent la conclusion nette, les commits de code enregistrent le processus désordonné. Dans tous les autres domaines, le retour d'information passe par un humain, un manager, un juge, un partenaire senior. Il est incohérent, politiquement filtré et lent, et au moment où il arrive, vous ne pouvez pas reconstruire ce que vous pensiez avec suffisamment de précision pour en tirer des leçons. Le retour d'information du logiciel arrive en quelques secondes alors que le raisonnement est encore vivant dans votre tête. Le compilateur n'a pas de biais, la suite de tests n'a pas de mauvaise journée, et la production ne vous accorde pas de passe parce que vous êtes senior. En droit, une décision mal documentée reste valable. Dans le logiciel, cela casse la production à 2h du matin et personne ne sait pourquoi. La machine rend le saut de documentation immédiat et douloureux à chaque fois. 30 ans de cela ont produit une profession qui a fait du raisonnement une habitude de survie, et le sous-produit était l'archive de raisonnement la plus riche de l'histoire humaine, sur laquelle l'IA s'est ensuite entraînée. Les agents en action changent cela. Lorsqu'un agent se trouve à l'intérieur de la boucle d'exécution d'un processus commercial, il génère une trace au fur et à mesure qu'il travaille. Chaque décision qu'il prend, chaque structure qu'il découvre, chaque changement dans sa compréhension du problème est encodé, non pas extrait d'un système d'enregistrement, non pas résumé après coup, mais capturé dans les embeddings créés par la trajectoire de l'agent à travers la tâche. Le chemin de l'agent à travers le travail devient l'horloge des événements. C'est pourquoi la manière dont vous construisez des agents est aussi importante que de savoir si vous les construisez, car un agent qui ne renvoie que des résultats produit des résultats, mais un agent conçu pour enregistrer son raisonnement au fur et à mesure qu'il avance produit quelque chose de crucial. Il commence à construire une densité de trace que la plupart des professions n'ont jamais eue, et décision par décision, tâche par tâche, la densité s'accumule. Le logiciel a eu un coup d'avance de 30 ans par accident. Tous les autres domaines peuvent commencer à la construire délibérément, dès maintenant.

Très heureux d'annoncer notre partenariat avec @VirtusaCorp ! Une grande partie de la conversation porte sur l'écriture de code, mais il est facile d'oublier les personnes qui doivent faire fonctionner et soutenir ce logiciel une fois qu'il quitte l'IDE. Il y a une douleur asymétrique ici que le marché doit encore surmonter avant que l'avenir que nous imaginons ne se concrétise vraiment. Dans la plupart des entreprises, le savoir qui compte est éparpillé à travers des tickets, des dépôts, des tableaux de bord et dans la tête des gens. Construire des agents (et les graphes de contexte sur lesquels ils fonctionnent) qui fonctionnent dans ces environnements est difficile, et c'est le travail qui fera la différence. Virtusa est un partenaire incroyablement réfléchi avec une rare capacité à voir où les choses vont et à amener l'avenir dans la réalité chaotique d'aujourd'hui pour les entreprises du monde entier. Super excité de collaborer et d'apporter l'ingénierie de production AI à beaucoup plus d'équipes !