از هفته‌ها به دقایق؛ Altara چگونه عیب‌یابی سخت‌افزار را متحول می‌کند

اگر هنوز برای عیب‌یابی سخت‌افزار به اکسل‌های قدیمی تکیه می‌کنید، در واقع دارید بهره‌وری تیم خود را می‌کُشید. تصور کنید هفته‌ها وقت خود را صرف جست‌وجو در جداول پراکنده کنید تا بفهمید چرا یک سلول باتری در شرایط عملیاتی شکست خورده است.

در ۵ مه ۲۰۲۶، شرکت Altara مستقر در سان‌فرانسیسکو برای پایان دادن به این کابوس، ۷ میلیون دلار سرمایه‌ی اولیه (Seed funding) جذب کرد. این دور از سرمایه‌گذاری توسط Greylock رهبری شد و مجموعه‌های Neo، BoxGroup، Liquid 2 Ventures و همچنین جف دین در آن مشارکت داشتند.

به نقل از کاترین یو، هم‌بنیان‌گذار Altara و مهندس سابق Warp، این پلتفرم مستقیماً بر روی حجم عظیم داده‌های پراکنده‌ای تمرکز دارد که توسط شرکت‌های سازنده نیمه‌رساناها، تجهیزات پزشکی و باتری‌ها تولید می‌شوند. این لایه‌ی هوش مصنوعی زاینده (Generative AI) مستقیماً به سیستم‌های قدیمی متصل شده و فرآیند تریاژ داده‌ها (Data triage) را که پیش‌تر هفته‌ها زمان می‌برد، به دقایقی کاهش می‌دهد.

اهداف عملیاتی این پلتفرم عبارت‌اند از:

• اتوماسیون بررسی متقاطع گزارش‌های حسگر، داده‌های دما و گزارش‌های رطوبت.
• کاهش زمان تشخیص و رفع خرابی‌های سخت‌افزاری.
• ایجاد یک لایه‌ی هوشمند برای جلوگیری از هزینه‌های سنگین جایگزینی زیرساخت‌های تولید.

همان‌طور که در تحلیل‌های پیشین ما درباره‌ی گذار هوش مصنوعی از دنیای نرم‌افزار به سخت‌افزار اشاره کردیم، گلوگاه اصلی همواره دسترسی به داده‌های ساختاریافته بوده است. طبق اعلام کورین رایلی، شریک Greylock، شرکت Altara در واقع یک مهندس قابلیت اطمینان سایت (Site Reliability Engineer - SRE) برای دنیای فیزیکی است.

در حالی که شرکتی مانند Resolve با ارزش ۱.۵ میلیارد دلار، از هوش مصنوعی برای تشخیص قطعی‌های نرم‌افزاری استفاده می‌کند، Altara معادل سخت‌افزاری این سیستم است تا دقیقاً مشخص کند چرا یک نقشه ویفر نیمه‌رسانا یا یک باتری عملکرد مورد انتظار را ندارد. این رویکرد با استارت‌آپ‌هایی مثل Periodic Labs و Radical AI که سعی در بازسازی کامل تحقیقات علمی دارند متفاوت است؛ Altara روی پشته‌ی مشاهده‌پذیری (Observability stack) تمرکز کرده تا پلی برای ورود هوش مصنوعی به علوم کاربردی باشد.

اما نبرد واقعی زمانی آغاز می‌شود که این لایه‌های هوشمند بتوانند خرابی‌ها را پیش از وقوع پیش‌بینی کنند؛ موضوعی که در تحلیل‌های آینده به آن خواهیم پرداخت.

گام بعدی شما

• بررسی ابزارهای مشاهده‌پذیری سخت‌افزاری برای کاهش چرخه‌ی توسعه.
• تحلیل مدل‌های SRE در محیط‌های فیزیکی برای بهینه‌سازی خط تولید.
• دنبال کردن پیشرفت‌های Altara در حوزه اتوماسیون داده‌های نیمه‌رساناها.