Искусственный интеллект (ИИ) превращается из инструмента, помогающего в выполнении задач, в систему, способную самостоятельно мыслить, планировать и действовать. В результате меняется и наблюдаемость инфраструктуры.
В последние годы модели генеративного искусственного интеллекта (GenAI) были интегрированы в решения для мониторинга, наблюдаемости и ITSM, чтобы помогать ИТ-специалистам в генерации текста, предложениях по исправлению, анализе состояния системы и многом другом. Следующим шагом в эволюции ИИ станут архитектуры, в которых несколько ИИ-агентов будут работать вместе для решения задач. Агентный ИИ обещает превратить искусственный интеллект из вспомогательного инструмента во все более автономный элемент ИТ-операций, изменив подход предприятий к управлению своими средами.
Возникновение агентного ИИ
Чем же отличается агентный ИИ? Традиционные большие языковые модели (LLM) в основном сосредоточены на генерации текста, ответе на запросы и предложении вариантов. Они отвечают на запросы пользователей напрямую, в один шаг, часто без итеративного мышления. В отличие от этого, агентные ИИ используют такие стратегии, как цепочка мыслей, для разбиения задач на части, оценки промежуточных результатов и корректировки действий, что приводит к более точным решениям для сложных рабочих процессов. ИИ-агенты работают на базе LLM, но расширяют свои возможности за счет интеграции с другими инструментами и данными. Агентный ИИ — это не автономные системы, а LLM, которые превращаются в ориентированных на цель помощников, способных понимать задачи, адаптироваться к контексту и самостоятельно ориентироваться в рабочих процессах.
Переход от отдельных агентов к сложным системам искусственного интеллекта
Сложные системы искусственного интеллекта, в которых несколько специализированных агентов сотрудничают для решения различных частей задачи, становятся следующим этапом в развитии искусственного интеллекта. Вот как отдельные системы могут работать вместе для решения задач.
- Один агент может обнаруживать аномалии и анализировать телеметрические данные для оценки воздействия, заменяя статические пороговые значения динамической контекстно-зависимой оценкой.
- Второй агент может итеративно запрашивать данные MELT для выявления первопричин, устраняя необходимость ручного исследования данных и проверки гипотез.
- Третий агент может выполнять рабочие процессы устранения неполадок, адаптируя действия к состоянию системы в реальном времени, а не полагаясь исключительно на заранее определенные сценарии.
Эти агенты создают целостный, сквозной рабочий процесс, который имитирует человеческий опыт, при этом выходя далеко за рамки человеческих возможностей. Для наблюдаемости и реагирования на инциденты Agentic AI означает переход от «ориентированных на задачи» рабочих процессов к «ориентированным на результат». Эти агенты оценивают текущее состояние системы, планируют соответствующие действия, взаимодействуют с соответствующими инструментами или источниками данных, выполняют задачи и итеративно уточняют свои стратегии на основе результатов. Эта эволюция открывает широкий спектр возможностей для операционно устойчивых систем. Агентный ИИ предлагает более широкие возможности для навигации по обширным телеметрическим данным с учетом контекста системы и намерений пользователя, а также может координировать рабочие процессы устранения неполадок, выходящие за рамки заранее определенных сценариев, и это лишь некоторые из его преимуществ.
Доагентный и агентный ИИ в наблюдаемости инфраструктуры
Давайте проведем детальный анализ того, как агентные системы ИИ могут улучшить ИТ-операции по сравнению с традиционным ИИ.
- Панели мониторинга против автономного принятия решений: Системы доагентного рабочего процесса собирают показатели производительности (например, время отклика, частоту ошибок) и представляют их операторам-людям. В отличие от этого, агентный ИИ непрерывно отслеживает показатели производительности и индикаторы работоспособности системы (например, загрузку сервера, задержки). При обнаружении аномалий он помечает их и определяет наилучший курс действий на основе изученных политик.
- Оповещения и рекомендации против автоматического устранения неполадок: Генеративный ИИ отправляет оповещения (например, по электронной почте или в чате) операторам-людям, когда производительность падает ниже определенных пороговых значений. Агентный ИИ, однако, может автоматически масштабировать ресурсы или перенаправлять трафик при обнаружении потенциальных узких мест. Он также может перезапустить службу или откатить развертывание в случае ухудшения качества обслуживания, с интегрированными в случае необходимости утверждениями и ограничениями со стороны человека.
- Эскалация, ориентированная на человека, против прогнозируемого обслуживания: В системах без агентов инженеры вручную исследуют проблемы на основе предупреждений, принимают решения о необходимых действиях, таких как откат развертывания или перераспределение ресурсов, а затем выполняют эти действия. Агентные системы, напротив, проактивно прогнозируют потенциальные сбои и планируют задачи по техническому обслуживанию или повторному развертыванию (например, расширение развертывания по схеме «синий/зеленый») вместо того, чтобы ждать превышения пороговых значений.
- Ограниченная автономность против динамического распределения ресурсов: Доагентный ИИ в основном реагирует на события и зависит от действий пользователя. Агентный ИИ корректирует инфраструктуру в режиме реального времени на основе моделей использования, увеличивая мощности в периоды высокой нагрузки и уменьшая их в периоды низкой нагрузки.
- Предсказуемое, но более медленное время отклика по сравнению с непрерывной петлей обратной связи: Поскольку для внедрения исправлений или изменений требуется вмешательство человека, критические проблемы могут решаться более медленно с помощью доагентного ИИ. В отличие от этого, агентный ИИ учится на предыдущих инцидентах или почти произошедших инцидентах, чтобы совершенствовать свои модели принятия решений. Со временем он становится лучше в прогнозировании проблем и выборе стратегий их устранения.
Как организации могут использовать агентный ИИ
Организации, желающие извлечь выгоду из достижений в области агентного ИИ, должны сосредоточиться на обеспечении чистоты, согласованности и хорошей интеграции данных из различных источников. Они также должны инвестировать в подготовку и найм талантливых специалистов в области ИИ, машинного обучения и науки о данных, поскольку это будет иметь решающее значение для поддержания передовых систем мониторинга. Важно, чтобы организации развивали культуру инноваций и постоянного совершенствования, чтобы поощрять команды экспериментировать с новыми технологиями. Наконец, внедрение строгих этических принципов и мер безопасности поможет укрепить доверие к этим системам.
Источник: Agentic AI Is Set to Transform Infrastructure Observability
