في حين أن العديد من منصات AIOps تعد بالأتمتة والذكاء، إلا أن معظمها لا يزال يعتمد على المنطق الشرطي، أو سير العمل المكتوب، أو لوحات المعلومات، أو ملخصات نمط مساعد الطيار. يمكن لهذه الأساليب تحسين الرؤية، ولكنها في كثير من الأحيان لا توفر استقلالية حقيقية.
والسبب بسيط: فهي تفتقر إلى ذاكرة المؤسسة، والتفكير عبر المجالات، والتنفيذ المتحكم فيه.
المؤسس والرئيس التنفيذي لشركة Grokstream، LLC.
وفي الوقت نفسه، تتزايد الإثارة في كل مكان الوكلاء الذين يستخدمون نموذج اللغة الكبير (LLM). في حين أن LLMs وحدها قوية، إلا أنها ليست كافية لضمان العمليات المستقلة.
يستمر المقال أدناه
تتطلب الأنظمة الفعالة حقًا مزيجًا من التعلم الآلي الكلاسيكي والذكاء الاصطناعي التوليدي، اللذين يعملان معًا لتوفير ذكاء تنبؤي وسببي ونتائج موثوقة.
يمثل Agentic AI التطور القادم لعمليات تكنولوجيا المعلومات. لكن تحقيق هذه الغاية يتطلب أكثر من مجرد اعتماد أدوات جديدة. يتطلب بناء الأساس المناسب. فيما يلي خمس خطوات رئيسية يجب على المؤسسات اتخاذها للتحرك نحو عمليات آمنة وقابلة للتطوير ومستقلة.
1. ابدأ بقاعدة بيانات موحدة
بيئات تكنولوجيا المعلومات اليوم معقدة ومجزأة. وتنتشر البيانات عبر أدوات المراقبة والسجلات والمقاييس وأنظمة إدارة خدمات تكنولوجيا المعلومات والمزيد. يقدم كل نظام رؤية جزئية، ولكن لا شيء يقدم الصورة الكاملة.
لكي يعمل الذكاء الاصطناعي بفعالية، فإنه يحتاج إلى الوصول إلى طبقة بيانات موحدة ومحسنة باستمرار. وهذا يعني أخذ البيانات من جميع أنحاء البيئة، وتطبيعها، وإثرائها بالسياق، وتمكين استخدامها في الوقت الفعلي.
وبدون هذا الأساس، لا يمكن لأنظمة الذكاء الاصطناعي أن تعمل إلا في صوامع، مما يؤدي إلى رؤى غير مكتملة وقرارات غير متسقة. فهو يمكّن المؤسسات من إنشاء عرض واحد موثوق به للعمليات يتيح فهمًا أعمق وإجراءات أسرع.
2. تجاوز LLM باستخدام الذكاء الاصطناعي المختلط
لقد غيّر الذكاء الاصطناعي التوليدي طريقة تفاعل الفرق مع البيانات، مما يسهل تلخيص الحوادث وإنشاء التقارير ومساعدة المشغلين. لكن التلخيص ليس مثل التفكير.
لتمكين الاستقلالية الحقيقية، تحتاج المؤسسات إلى نهج مختلط يجمع بين التعلم الآلي الكلاسيكي لاكتشاف الأنماط والتنبؤ بالمشكلات، والتحليل السببي لفهم سبب حدوث المشكلات، والذكاء الاصطناعي التوليدي لترجمة الرؤى إلى نتائج وتوصيات صديقة للإنسان.
يسمح هذا الاتصال للأنظمة بالذهاب إلى ما هو أبعد من وصف ما يحدث للتنبؤ بما سيحدث، وما يجب فعله حيال ذلك. وبدون الذكاء التنبؤي والسببي، تظل الأتمتة تفاعلية. وبفضلها يمكن أن تتحول العمليات الجراحية إلى وقاية.
3. إنشاء أنظمة تتعلم بمرور الوقت
إحدى السمات المميزة للذكاء الاصطناعي الوكيل هي قدرته على التحسين المستمر. وهذا يتطلب أكثر من مجرد نماذج ثابتة: فهو يتطلب ذاكرة. تتيح ذاكرة المؤسسة للأنظمة الاحتفاظ بمعرفة الأحداث والقرارات والأنماط السابقة.
وبمرور الوقت، يتيح ذلك للذكاء الاصطناعي التعرف على المشكلات المتكررة بسرعة أكبر، وتطبيق الحلول المثبتة بدقة أكبر، والتكيف مع التغيرات في البيئة.
بدون الذاكرة، تبدأ الأنظمة من الصفر مع كل حدث جديد. ومن خلال الذاكرة، يقومون ببناء ذكاء تشغيلي يتعمق بمرور الوقت، مما يجعلهم أكثر فعالية مع كل تفاعل.
4. وضع الحوكمة وحواجز الحماية في مكانها مبكرًا
ومع تولي أنظمة الذكاء الاصطناعي المزيد من المسؤولية، تزداد المخاطر. يمكن للأنشطة المستقلة، إذا لم تتم إدارتها بشكل مناسب، أن تؤدي إلى مخاطر عبر الأنظمة والفرق. ولذلك، يجب أن تكون الإدارة مدمجة في أنظمة الوكيل منذ البداية.
يتضمن ذلك تحديد الإجراءات التي يمكن أن يتخذها الذكاء الاصطناعي وتحت أي ظروف، وتنفيذ سير عمل الموافقة للسيناريوهات عالية المخاطر، وضمان الوصول إلى البيانات بشكل آمن ومناسب، وضمان الشفافية في صنع القرار.
إن حواجز الحماية القوية لا تحد من الذكاء الاصطناعي؛ يجعلون ذلك ممكنا. إنها توفر البنية التي تحتاجها المؤسسات للثقة وتوسيع نطاق القرارات الآلية بأمان.
5. التقدم التدريجي نحو الحكم الذاتي
لا تتم عمليات تكنولوجيا المعلومات المستقلة بين عشية وضحاها. تستخدم المنظمات الأكثر نجاحًا نهجًا تدريجيًا. يبدأ هذا عادةً بدعم الذكاء الاصطناعي لعمليات العمل البشري من خلال تقديم رؤى وملخصات وتوصيات.
كلما زادت ثقتك بنفسك، يمكن لأدوات الذكاء الاصطناعي البدء في أداء المهام تحت الإشراف. مع مرور الوقت، يمكن للأنظمة أن تعمل بشكل أكثر استقلالية ضمن حدود معينة.
التقدم العملي هو كما يلي:
- العمليات المدعومة: يوفر الذكاء الاصطناعي الرؤية والتوصيات
- الأتمتة الموجهة: يقترح الذكاء الاصطناعي إجراءات بموافقة الإنسان
- التحكم الذاتي: يعمل الذكاء الاصطناعي ضمن حواجز وقائية محددة مسبقًا
- العمليات المستقلة: يقوم الذكاء الاصطناعي بالمراقبة والتنبؤ والتصرف باستمرار
يتيح هذا النهج للفرق بناء الثقة والتحقق من النتائج وتحسين الإدارة قبل توسيع نطاق الاستقلالية.
لماذا تفشل العديد من جهود AIOps
على الرغم من الاستثمار الكبير، تفشل العديد من مبادرات AIOps في تحقيق نتائج مهمة. المشكلة الشائعة ليست في نقص الأدوات، بل في نقص الأساسيات.
وتشمل التحديات الرئيسية البيانات المجزأة وغير المتسقة، والإفراط في الاعتماد على القواعد والعلاقات الثابتة، والقدرة المحدودة على التنبؤ بالنتائج أو تفسيرها، والافتقار إلى التعلم المستمر والذاكرة، وعدم كفاية إدارة الأنشطة الآلية.
إن معالجة هذه الثغرات أمر ضروري لتجاوز التحسينات التدريجية نحو التحول الحقيقي.
الطريق إلى إدارة عملك الخاص
يقدم Agentic AI رؤية مقنعة: يمكن لأنظمة تكنولوجيا المعلومات توقع المشكلات وفهم أسبابها واتخاذ الإجراءات قبل أن تؤثر على المستخدمين. لكن تحقيق هذه الرؤية يتطلب أكثر من مجرد تبني أحدث اتجاهات الذكاء الاصطناعي. يتطلب نهجا مدروسا للبيانات، الاستخبارات والإدارة جنبا إلى جنب مع مسار واضح للنضج التشغيلي.
ستكون المنظمات التي تستثمر في هذه الأسس مستعدة جيدًا للانتقال من العمليات التفاعلية إلى الأنظمة التنبؤية والذكية والمستقلة في نهاية المطاف.
وبهذه الطريقة، لن يقوموا فقط بتحسين الأداء. سوف يغيرون بشكل جذري الطريقة التي تعمل بها تكنولوجيا المعلومات، مما يمكن الفرق من التركيز بشكل أقل على إطفاء الحرائق والمزيد على خلق الابتكار وقيمة الأعمال.
تقديم أفضل نماذج اللغات الكبيرة (LLM) للبرمجة.
تم إنشاء المقالة كجزء من توقعات TechRadar بروتعرض قناتنا أفضل وألمع العقول في صناعة التكنولوجيا اليوم.
الآراء الواردة هنا هي آراء المؤلف وليست بالضرورة آراء TechRadarPro أو Future plc. إذا كنت مهتمًا بالتعاون، يمكنك العثور على مزيد من المعلومات هنا: https://www.techradar.com/pro/perspectives-how-to-submit
