Штучний інтелект (ШІ) перетворюється з інструменту, що допомагає у виконанні завдань, на систему, здатну самостійно мислити, планувати та діяти. В результаті змінюється і спостережуваність інфраструктури.
В останні роки моделі генеративного штучного інтелекту (GenAI) були інтегровані в рішення для моніторингу, спостережуваності та ITSM, щоб допомагати ІТ-фахівцям у генерації тексту, пропозиціях щодо виправлення, аналізі стану системи та багато чому іншому. Наступним кроком в еволюції ШІ стануть архітектури, в яких кілька ШІ-агентів будуть працювати разом для вирішення завдань. Агентний ШІ обіцяє перетворити штучний інтелект з допоміжного інструменту на все більш автономний елемент ІТ-операцій, змінивши підхід підприємств до управління своїми середовищами.
Виникнення агентного ШІ
Чим же відрізняється агентний ШІ? Традиційні великі мовні моделі (LLM) в основному зосереджені на генерації тексту, відповіді на запити та пропозиції варіантів. Вони відповідають на запити користувачів безпосередньо, в один крок, часто без ітеративного мислення. На відміну від цього, агентні ШІ використовують такі стратегії, як ланцюжок думок, для розбиття завдань на частини, оцінки проміжних результатів і коригування дій, що призводить до більш точних рішень для складних робочих процесів. ШІ-агенти працюють на базі LLM, але розширюють свої можливості за рахунок інтеграції з іншими інструментами та даними. Агентний ШІ – це не автономні системи, а LLM, які перетворюються на орієнтованих на мету помічників, здатних розуміти завдання, адаптуватися до контексту і самостійно орієнтуватися в робочих процесах.
Перехід від окремих агентів до складних систем штучного інтелекту
Складні системи штучного інтелекту, в яких кілька спеціалізованих агентів співпрацюють для вирішення різних частин завдання, стають наступним етапом у розвитку штучного інтелекту. Ось як окремі системи можуть працювати разом для вирішення завдань.
- Один агент може виявляти аномалії та аналізувати телеметричні дані для оцінки впливу, замінюючи статичні порогові значення динамічною контекстно-залежною оцінкою.
- Другий агент може ітеративно запитувати дані MELT для виявлення першопричин, усуваючи необхідність ручного дослідження даних і перевірки гіпотез.
- Третій агент може виконувати робочі процеси усунення несправностей, адаптуючи дії до стану системи в реальному часі, а не покладаючись виключно на заздалегідь визначені сценарії.
Ці агенти створюють цілісний, наскрізний робочий процес, який імітує людський досвід, при цьому виходячи далеко за межі людських можливостей. Для спостереження та реагування на інциденти Agentic AI означає перехід від «орієнтованих на завдання» робочих процесів до «орієнтованих на результат». Ці агенти оцінюють поточний стан системи, планують відповідні дії, взаємодіють з відповідними інструментами або джерелами даних, виконують завдання та ітеративно уточнюють свої стратегії на основі результатів. Ця еволюція відкриває широкий спектр можливостей для операційно стійких систем. Агентний ШІ пропонує більш широкі можливості для навігації по великих телеметричних даних з урахуванням контексту системи і намірів користувача, а також може координувати робочі процеси усунення несправностей, що виходять за рамки заздалегідь визначених сценаріїв, і це лише деякі з його переваг.
Доагентний та агентний ШІ в спостережуваності інфраструктури
Давайте проведемо детальний аналіз того, як агентські системи ШІ можуть поліпшити ІТ-операції в порівнянні з традиційним ШІ.
- Панелі моніторингу проти автономного прийняття рішень: Системи доагентного робочого процесу збирають показники продуктивності (наприклад, час відгуку, частоту помилок) і представляють їх операторам-людям. На відміну від цього, агентна ШІ безперервно відстежує показники продуктивності та індикатори працездатності системи (наприклад, завантаження сервера, затримки). При виявленні аномалій вона позначає їх і визначає найкращий курс дій на основі вивчених політик.
- Повідомлення та рекомендації проти автоматичного усунення несправностей: Генеративний ШІ надсилає повідомлення (наприклад, електронною поштою або в чаті) операторам-людям, коли продуктивність падає нижче певних порогових значень. Агентний ШІ, однак, може автоматично масштабувати ресурси або перенаправляти трафік при виявленні потенційних вузьких місць. Він також може перезапустити службу або відкотити розгортання в разі погіршення якості обслуговування, з інтегрованими в разі необхідності затвердженнями та обмеженнями з боку людини.
- Ескалація, орієнтована на людину, проти прогнозованого обслуговування: У системах без агентів інженери вручну досліджують проблеми на основі попереджень, приймають рішення про необхідні дії, такі як відкат розгортання або перерозподіл ресурсів, а потім виконують ці дії. Агентні системи, навпаки, проактивно прогнозують потенційні збої і планують завдання з технічного обслуговування або повторного розгортання (наприклад, розширення розгортання за схемою «синій/зелений») замість того, щоб чекати перевищення порогових значень.
- Обмежена автономність проти динамічного розподілу ресурсів: Доагентний ШІ в основному реагує на події і залежить від дій користувача. Агентний ШІ коригує інфраструктуру в режимі реального часу на основі моделей використання, збільшуючи потужності в періоди високого навантаження і зменшуючи їх в періоди низького навантаження.
- Передбачуваний, але повільніший час відгуку в порівнянні з безперервною петлею зворотного зв’язку: Оскільки для впровадження виправлень або змін потрібне втручання людини, критичні проблеми можуть вирішуватися повільніше за допомогою доагентного ШІ. На відміну від цього, агентний ШІ вчиться на попередніх інцидентах або інцидентах, що майже сталися, щоб вдосконалювати свої моделі прийняття рішень. Згодом він стає кращим у прогнозуванні проблем і виборі стратегій їх усунення.
Як організації можуть використовувати агентний ШІ
Організації, які бажають отримати вигоду від досягнень в області агентного ШІ, повинні зосередитися на забезпеченні чистоти, узгодженості та хорошої інтеграції даних з різних джерел. Вони також повинні інвестувати в підготовку та найм талановитих фахівців у галузі ШІ, машинного навчання та науки про дані, оскільки це матиме вирішальне значення для підтримки передових систем моніторингу. Важливо, щоб організації розвивали культуру інновацій та постійного вдосконалення, щоб заохочувати команди експериментувати з новими технологіями. Нарешті, впровадження суворих етичних принципів та заходів безпеки допоможе зміцнити довіру до цих систем.
Джерело: Agentic AI Is Set to Transform Infrastructure Observability
