CodeRabbit mengumpulkan $16 juta untuk membawa AI ke semakan kod
Ulasan kod - ulasan rakan sekerja terhadap kod yang membantu pembangun untuk meningkatkan kualiti kod - memerlukan masa yang banyak. Menurut satu sumber, 50% syarikat menghabiskan dua hingga lima jam seminggu untuk mereka. Tanpa jumlah orang yang mencukupi, ulasan kod boleh menjadi luar biasa dan mengambil pembangun dari kerja penting lain.
Harjot Gill percaya bahawa ulasan kod boleh diautomatiskan dengan menggunakan kecerdasan buatan. Beliau adalah salah seorang pengasas dan CEO CodeRabbit, yang menganalisis kod menggunakan model kecerdasan buatan untuk memberi maklum balas.
Sebelum memulakan CodeRabbit, Gill adalah pengarah teknologi kanan di syarikat perisian pusat data Nutanix. Beliau menyertai syarikat tersebut apabila Nutanix mengambil alih syarikatnya, Netsil, pada Mac 2018. Pengasas lain CodeRabbit, Gur Singh, sebelum ini telah mengetuai pasukan pembangunan di platform pembayaran penjagaan kesihatan berjenama Alegeus.
Menurut Gill, platform CodeRabbit mengautomatikkan ulasan kod menggunakan 'laporan kecerdasan buatan yang canggih' untuk 'memahami niat' di sebalik kod dan memberikan maklum balas 'berguna,' 'seperti manusia' kepada pembangun.
'Alat analisis statik tradisional dan lintah adalah berdasarkan peraturan dan sering menghasilkan kadar positif palsu yang tinggi, sementara ulasan rakan adalah memakan masa dan subjektif,' kata Gill kepada TechCrunch. 'Sebaliknya, CodeRabbit adalah platform pertama AI.'
Ini adalah klaim berani dengan banyak kata kata kesedaran. Malangnya bagi CodeRabbit, bukti anekdot menunjukkan bahawa ulasan kod yang dikuasai AI cenderung tidak setanding dengan ulasan yang melibatkan manusia.
Dalam sebuah catatan blog, Greg Foster dari Graphite bercakap tentang eksperimen dalaman untuk menggunakan GPT-4 OpenAI untuk ulasan kod. Walaupun model ini dapat menangkap beberapa perkara yang berguna - seperti kesalahan logik kecil dan kesalahan ejaan - ia menghasilkan banyak positif palsu. Malah, cubaan untuk menyesuaikan tidak secara dramatik mengurangkan perkara-perkara ini, menurut Foster.
Ini bukanlah pendedahan. Satu kajian Stanford baru-baru ini mendapati bahawa jurutera yang menggunakan sistem penjanaan kod lebih cenderung memperkenalkan kerentanan keselamatan dalam aplikasi yang mereka kembangkan. Hak cipta juga merupakan kebimbangan yang berterusan.
Terdapat juga keburukan logistik untuk menggunakan AI bagi ulasan kod. Seperti yang dijelaskan Foster, ulasan kod tradisional memaksa jurutera untuk belajar melalui sesi dan perbualan dengan rakan pembangun mereka. Memindahkan ulasan ini membahayakan perkongsian pengetahuan ini.
Gill berpendapat sebaliknya. 'Pendekatan AI-pertama CodeRabbit meningkatkan kualiti kod dan secara signifikan mengurangkan usaha manual yang diperlukan dalam proses ulasan kod,' katanya.
Beberapa orang telah membeli pemasaran. Kira-kira 600 organisasi membayar untuk perkhidmatan CodeRabbit hari ini, tuntutan Gill, dan CodeRabbit sedang dalam ujian dengan 'beberapa' syarikat Fortune 500.
Ia juga memiliki pelaburan: CodeRabbit hari ini mengumumkan ronde dana Series A sebanyak $16 juta yang dipimpin oleh CRV, dengan penyertaan dari Flex Capital dan Engineering Capital. Dengan pengumpulan semula sebanyak hampir $20 juta, wang baru ini akan digunakan untuk memperluaskan fungsi-fungsi jualan dan pemasaran CodeRabbit yang terdiri daripada 10 orang, dan tawaran produk, dengan fokus pada meningkatkan kemampuan analisis kerentanan keselamatan.
'Kami akan melabur dalam integrasi yang lebih dalam dengan platform seperti Jira dan Slack, serta alat-alat analisis dan pelaporan yang dipacu AI,' kata Gill, menambah bahawa CodeRabbit berpusat di Bay Area dalam proses menubuhkan pejabat baru di Bangalore ketika ia hampir duplikan saiz pasukan. 'Platform ini juga akan memperkenalkan automasi AI yang canggih untuk pengurusan ketergantungan, penjanaan kod semula, pengujian unit dan penjanaan dokumentasi.'
