من اخیراً در مورد ابتکارات II در سازمان های فناوری اطلاعات خود با افراد بیشتری صحبت کردم. اخیراً ، این یک تیم سیستم بود که زیرساخت های سرور ، محیط لاجورد را مدیریت می کرد و اخیراً نیز تأکید کرده است که محاسبات کاربر نهایی را نیز بارگیری کرده است.
آنچه در گفتگو مرا تحت تأثیر قرار داد این بود که چگونه بحث به بازگشت به هوش مصنوعی ادامه داد. شاید برای من عجیب به نظر برسد که بگویم هدف بحث و ابتکارات است ، اما بگذارید توضیح دهم.
هوش مصنوعی فناوری است. این یک ابزار است. بله ، من می فهمم که هوش مصنوعی در واقع یک خانواده پیچیده و پیچیده از فناوری است ، اما در پایان هنوز یک ابزار است. بنابراین ، مگر اینکه شما به معنای واقعی کلمه در حال ساخت مدل باشید و در محافل دانشگاهی یا دنیای تحقیق و توسعه زندگی کنید ، هوش مصنوعی برای خودتان هدف نیست. با شروع هوش مصنوعی ، این یک رویکرد اشتباه برای بحث با این تیم سیستم بود و معمولاً رویکرد اشتباه برای هر تیمی است.
برای اکثر ما در طاقچه های مربوط به عملیات فناوری اطلاعات ، هدف AI است بهبود جراحیحرف
به جای شروع با هوش مصنوعی ، به معنای شروع با شناسایی مشکل عملیاتی است که می خواهیم حل کنیم ، و سپس درک مواردی از قبیل موانع سازمانی ، خطوط لوله تله متری ، شکاف مهارت و غیره. استفاده از هوش مصنوعی برای هوش مصنوعی یک تلاش گران و بی فایده است. اگر بازده سرمایه گذاری با توجه به بهبود عملیاتی از نظر هر KPI ، که مربوط به سازمان است ، وجود ندارد ، تقریباً مطمئناً محکوم به شکست است.
بیشتر اوقات ، منظور ما از هوش مصنوعی ، هوش مصنوعی کلاسیک (بر اساس قوانین هوش مصنوعی) یا تجزیه و تحلیل مبتنی بر ML است. LLM مطمئناً می تواند نقش مفیدی در ITOPS ایفا کند ، اما چیزی که شما باید به خاطر بسپارید این است که اینها همه ابزاری هستند که به ما در دستیابی به نتیجه قابل اندازه گیری کمک می کنند.
برای تیم سیستم که من با آنها صحبت کردم ، نتایج بهبود ثبات زیرساخت ها ، کاهش MTTR از حوادث و یافتن راه هایی برای کاهش هزینه ها (به ویژه قیمت ابر) بود.
در هوش مصنوعی و تقریباً برای هر فناوری ، معماری استراتژیک است. ابزارها تاکتیکی هستند. اگر AI ابزاری باشد ، فقط پس از تعیین نتایج می آید. با توجه به هوش مصنوعی ، نتایج ابتدا تعریف می شود ، به دنبال آن معماری و فقط در آن زمان مدل ها یا الگوریتم های خاص.
بنابراین ، اگر هدف بهبود عملکرد IT باشد ، تنها پس از شناسایی نتایج مربوطه از نظر KPI ، می دانیم که ابتکار II در کجا وجود دارد. هدف هرگز نباید استفاده از هوش مصنوعی برای هوش مصنوعی باشد.
آیا می توان هر یک از نتیجه ای را که تیم سیستم شناسایی می کند با استفاده از وسایل غیر از هوش مصنوعی بدست آورد؟ این احتمالاً کل معنی است. اکنون که نتایج عملیاتی واضحی داشتیم ، می توانیم چشم انداز ابزارها و روشها را کشف کنیم که ما را به روشی به آنجا برساند که معقول باشد.
در اینجا یک سناریوی فرضی وجود دارد.
شاید از طریق کشف ما بیاموزیم که بخش بزرگتر حوادث با مرکز داده به دلیل بازپرداخت سخت افزاری از 5 سال پیش است. یکی از گزینه ها ایجاد یک گردش کار برای تولید ، جذب ، پردازش ، تمیز کردن و تبدیل تله متری از کلیه سوئیچ های مرکز داده و اپتیک ، مصرف اطلاعات در مورد تأمین کننده نوری ، مانند دمای عملیاتی و غیره ، و سپس استفاده از یک مدل به عنوان رگرسیون تدارکات برای تعیین احتمال عدم موفقیت در مرکز داده برای مرکز داده ها است.
به نظر می رسد شگفت انگیز است ، درست است؟ اما هزینه های توسعه خط لوله Telemetry ، زیرساخت های پردازش و ذخیره داده ها ، تفاوت در مهارت های مورد توجه یا به عبارت دیگر کل هزینه توسعه و دارایی را در نظر بگیرید.
گزینه دیگر فقط ممکن است جایگزین کردن تمام نوری های این تجدید سخت افزار باشد.
شما می بینید که یک ابتکار هوش مصنوعی برای ساختن هوش مصنوعی می تواند بسیار پیچیده باشد و با هزینه های غیر منطقی به نتیجه مطلوب برسد. متأسفانه ، ضبط این است که بسیاری از ابتکارات هوش مصنوعی به یک دلیل یا دلیل دیگر شکست می خورند. هدف باید شناسایی نتایج عملیاتی باشد و سپس تعیین کند که آیا AI (با استفاده از هر تعریفی که می خواهید استفاده کنید) بهترین راه برای دستیابی به این نتیجه است.
گاهی اوقات AI بهترین راه حل است ، همانطور که با بسیاری از جریان ها ، تجارت الکترونیکی ، سازمان های تحویل مالی و بسته بندی مشاهده کردیم. بنابراین من استفاده از هوش مصنوعی را اعلام نمی کنم و آن را روغن مار مدرن اعلام می کنم. درعوض ، من شما را تشویق می کنم تا مشکل عملیاتی را که می خواهید حل کنید و نتایج عملیاتی را که باید به راه حل شما منجر شود ، شناسایی کنید.
برای تیم سیستم که من به آن اشاره کردم ، این به معنای عمیق تر شدن در فرآیندهای کار اتوماسیون آنها فقط برای یافتن برخی از مشکلات عزت نفس در روشی که آنها قادر به بازیابی از خطاهای سرور بودند. این تعمیر موضوع بررسی و تنظیم جریان در کتاب های آنها بود.
از طرف دیگر ، اکنون که آنها با استفاده از کارگران نهایی بارگیری شده اند ، آنها تلاش کردند تا روند حوادثی را که کاربران نهایی گزارش می دهند ، درک کنند. آیا مدلی بر اساس سیستم عامل وجود داشت؟ موقعیت جغرافیایی؟ نوع کارهایی که کاربر نهایی انجام داد؟ آنها این احساس را داشتند که در هر بلیط به صندلی شلوار خود پرواز می کنند.
در این حالت ، ما در مورد امکان هدایت LLM به سکوی بلیط آنها در یک سیستم RAG برای شناسایی همه مدل ها ، روندها و غیره بحث کردیم. بله ، من می دانم که بسیار پیچیده تر از فقط هدایت LLM به یک سیستم بلیط است ، اما در این حالت AI (AI تولیدی به شکل پایگاه داده وکتور LLM +) ممکن است بهترین راه برای دستیابی به نتیجه ای باشد که می خواهد.
این مخصوص هوش مصنوعی نیست. فناوری به نام فناوری هرگز رویکرد درستی نیست ، اگرچه در تجربه من ، تجربه آن دشوار است. ما در زیر استبداد حال زندگی می کنیم – فناوری جدید و براق فعلی که قلب و ذهن صنعت ما را به خود جلب می کند. و بسیاری از ما (یا شاید فقط من؟) اشتباه کردیم که به یک پروژه به عنوان تلاش برای ساختن یک سرگیری نزدیک شویم. این هرگز رویکرد درستی نیست.
AI متفاوت نیست. از آنجا که ما شروع به دیدن موارد بیشتری از استفاده از هوش مصنوعی در ITOPS می کنیم و هرچه درک خود را از نقشی که در صنعت ما بازی می کند عمیق تر می کنیم ، باید با نتیجه ای که می خواهیم به دست آوریم شروع کنیم و همیشه در نظر داشته باشیم که هدف هوش مصنوعی یک بهبود عملیاتی است.
متشکرم ،
خندق
