A digitális ellenállóság akkor növekszik, amikor az MI és az emberi szakértelem együtt fejlődik.

A Splunk által bemutatott Agentic AI drámaian hatékonyabbá teszi az IT és biztonsági csapatokat. De eltünteti azokat az ösztöndíj lehetőségeket is, amelyek hosszú ideje tapasztalt operátorokat képeznek. Ahogy a szervezetek egyre inkább automatizálják a korábban junior elemzők és mérnökök által végzett munkát, olyan kihívással néznek szembe, amely a munkaerő kialakításáról és az architektúra tervezéséről egyaránt szól: hogyan építsük fel a következő generációs szakértőket, amikor az AI végzi el a munkát, ami egykor a képzésüket szolgálta. Amit a junior munkavállalók tettek Az elmúlt két évtizedben a világklasszis SecOps elemzővé, SRE-vé vagy NetOps mérnökké válás útja a repetíciókon keresztül vezetett. Hamis pozitívok triázsa. A dashbordok szövegezése a kontextus érdekében. Olyan naplókat olvasni éjjel kettőkor, amelyek végül ártalmatlannak bizonyultak. Az ipar ezt a munkát kényszerűségként kezelte, és sok szempontból az is volt. De ugyanakkor ösztöndíjként is szolgált. Az elemzők számára a forgalmi mintákba való órák hosszas bámulása fejlesztette a megérzést, amely értékessé tette őket, amikor egy valódi támadás érkezett. Ez a megérzés nem egyetlen tanfolyamon tanulták, vagy egy működési kézikönyvben rögzítették. Az kitettségen, mintafelismerésen, kudarcon és eszkaláción keresztül halmozódott fel. Idővel ez volt az, ahogyan az emberek mély analitikai tapasztalatot szereztek. Azonban az agentic AI most kezd automatizálni azon feladatokat, melyek egykor a szakértelem képzőterei voltak. Ez nem ok arra, hogy lelassítsunk. A kényszerűség költséges volt. A kiégés valódi. A szervezeteknek az ügynököket kell felhasználniuk a munka csökkentésére, ahol csak tudják. Ugyanakkor, ahogy eltávolítjuk ezt az ösztöndíj ciklust, jobbat kell biztosítanunk az operátoroknak a helyébe. Az, ahogyan a szervezetek ezt a problémát ma kezelik, meghatározza a jövő győzteseit. Azok a szervezetek, amelyek szándékosan közelítik meg ezt, olyan operátorokat fognak képezni, akik képesek lesznek sikerre vinni a következő évtizedben. Azok a szervezetek, amelyek nem foglalkoznak ezzel, ma gyorsabb rendszerekkel találkozhatnak, de kevesebb emberrel, aki elég mélyen érti őket ahhoz, hogy holnap irányítsa őket. Amikor az automatizálás kiüresíti a felelősséget Van egy második dimenziója is ennek a beszélgetésnek, amire kevesebb figyelem jut, mint kellene. Az szabályozott környezetekben az ösztöndíj kényszerűsége a felelősségi szint része. A SOX-tól a PCI DSS-en, a HIPAA-n és az NIS2-ig terjedő keretrendszerek azt feltételezik, hogy a kontroll döntések mögött humán ítéletek láncolata áll. Az audítorok nem modelleket interjúvolnak meg. Ők olyan emberekkel beszélgetnek, akik el tudják magyarázni, miért csinálta a rendszer azt, amit tett, miért volt a döntés helyes, és hogy a megfelelő kontrollok érvényben voltak-e. Amikor a szakemberek, akik képesek elmagyarázni ezt a láncot, elkezdenek megfogyatkozni, a kockázat nem jelenik meg azonnal. A kontroll még mindig átmehet. A munkafolyamat még mindig végrehajtható. A dashbord még mindig zölden mutat. De a mögöttes szervezeti memória elkezd kiüresedni. Ez nem csupán egy eszközprobléma. Ez egy munkaerő készség és tervezési probléma is. És azok a szervezetek, amelyek gyorsan mozdulnak az agentic alkalmazás felé, a kockázat közelebb van, mint sokan gondolják. Emberi szakértelem építése az AI irányításához Amikor elveszítünk egy részt a felelősségi szintből az ügynökök irányába, az emberek egy másfajta irányítási szerepbe lépnek. Egy agentic rendszer irányítása automatizált biztonsági keretek megvalósítását jelenti, amelyek alkalmazkodnak a nem determinisztikus ügynöki viselkedéshez, és biztosítják, hogy az ügynökök megfelelően cselekedjenek olyan körülmények között, amelyeket senki sem várt teljesen. Ez azt jelenti, hogy eszkalálási kritériumokat kell tervezni, amelyek elkapják a megfelelő anomáliákat anélkül, hogy az embereket túltelítse a helytelenekkel. Ez azt jelenti, hogy dinamikus eszközöket, figyelmeztetéseket és folyamatokat kell bevezetni a gépi döntések felülvizsgálatához, hogy észleljük az eltéréseket, előítéleteket és érvelési hibákat, amelyeket egy adott eset nem fedne fel. Az ilyen kivételek értékelésének és reagálásának képessége évek során felépített ítéletet és mintafelismerést igényel, amelyet a régi ösztöndíj modell használt a termeléshez. Ezért a munkaerő kérdése és az architektúra kérdése most már ugyanaz a kérdés. Ha azt várjuk, hogy az emberek egyre autonómabb rendszereket irányítsanak, olyan szándékos utakat kell biztosítanunk, amelyek segítenek az embereknek kezelni az AI rendszerek léptékét és sebességét, miközben fejlesztik a megértést és az ítélkezést az emberi operátorokban, akik szükségesek a munkához. Az AI korszakában a legértékesebb platformok nem csupán a legtöbb feladatot automatizálják. Segítenek az embereknek abban, hogy képesebbek, megbízhatóbbak és elengedhetetlenebbek legyenek, ahogy a körülöttük lévő rendszerek gyorsabbá és intelligensebbé válnak. Ezért a szervezeteknek invesztálniuk kell az operátorok teljes szakértelmi ökoszisztémájába: közösségek, amelyek megosztják a bevált gyakorlatokat, tanúsítványok vagy egyéb bizonyítékok, amelyek láthatóvá teszik a szakértelmet, és emberközpontú magyarázatok és ellenőrzések az AI-ban, valamint olyan tanulási utak, amelyek képességeket építenek. A felhatalmazás architektúra tervezési választás A humán felhatalmazás lényeges része a praktikus AI használatának körüli beszélgetésnek. Azonban, anélkül, hogy ezt szándékos stratégia támasztaná alá, kockázatot jelent az, hogy olyan kifejezéssé válik, ami semmit nem jelent, mert bármit jelenthet. Az agentic rendszerek esetében a felhatalmazás nem csupán egy fogalmi követelmény lehet. Ez egy olyan tervezési választáshalmaz kell, hogy legyen, amely beépül a rendszerek működésébe. Egy agentic rendszer, amely felhatalmazza az emberi operátorait és növeli a szakmai készségeiket, négy dolgot tesz: 1. Érvényesíti az érvelést, az azt követő adatokkal Minden ajánlás, amelyet egy ügynök ad, visszavezethető arra az adatra, amelyet figyelembe vett, az alkalmazott logikára és a használt bemenetek származására. Az operátorok, akik látják az érvelést, ítélkezést képesek kialakítani arról, mikor bízhatnak benne. Csak következtetéseket kapott operátorok nem képesek erre. 2. Az autoritást a magabiztosság és a hatás szerint rendszerezi Ismert, alacsony kockázatú mintákat autonom módon lehet kezelni. Új helyzetek vagy olyan cselekedetek, amelyeknek jelentős hatása van, alapértelmezetten eszkalálniuk kell. A határnak kifejezettnek és konfigurálhatónak kell lennie azok által a csapatok által, akik viselik a következményeket. 3. A nézeteltérések összgazdasági jelzéseként kezelődik Amikor egy tapasztalt mérnök felülír egy ügynököt, akkor többet tesz, mint hogy pusztán ellentmond. Ő a saját ítéletével korrigálja a rendszert olyan módon, amelyet a modell nem birtokolt: egy törékeny függőség, egy sajátos környezeti jelenség, egy olyan korlátozás, amelyet az adat sosem látott. Egy rendszer, amely regisztrálja a felülírást, de figyelmen kívül hagyja az azt követő érvelést, nem tanul semmit attól a pillanattól, amikor egy ember jobban tudta. 4. A megoldásokat mint keresztirányú tudást rögzíti Hogyan oldják meg egy incidenst, az egy olyan tanulság, ami ritkán marad egy vágányon. Egy SecOps incidens feltárhat egy ITOps gyengeséget. Egy hálózati probléma üzleti hatásra is visszavezethető. Amikor ez a kapcsolat csak egy zárt feladatban él, a következő csapat, amely azzal foglalkozik, nulláról kezd. A megoldásoknak át kell haladniuk a tartományok között, nem szabad ott meghalniuk, ahol iktatva lettek. Ezek nem aspirációs tulajdonságok. Ezek tesztelhető termékképességek. A vezetőknek, akik agentic rendszereket értékelnek, képesnek kell lenniük azonosítani, hol élnek e képességek, mi történik, amikor ezek megdőlnek, és hogy a telepítés után az operátorok készségei javulnak-e. A következő előny akkor jelentkezik, amikor az emberek és az AI együtt növekszenek Ahhoz, hogy az AI rendszerek praktikussá, megbízhatóvá váljanak és skálán működjenek, a kritikus tervezési pont az, hogy az AI mélyen együttműködjön és felhatalmazza az emberi operátorokat. Így az agentic korszak nem egy olyan történet, amely az emberek helyettesítéséről szól. Ez egy történet arról, hogy át kell tervezni azokat a rendszereket, amelyeket az emberek működtetnek, hogy ezek a működések gépi sebességgel és léptékkel történhessenek, miközben az emberi szakértelem is egyidejűleg fejlődik. Együtt, nem egymás kárára. Ez az eredmény nem magától értetődő. Csak ott fog megtörténni, ahol a vezetők prioritásként kezelik az operátorok fejlesztését, nem utólagos gondolatként. Ennek eléréséhez az agentic rendszereket szándékosan úgy kell tervezni, hogy felfedjék az érvelést, rögzítsék a tanulást és a munkát visszairányítsák az emberekhez olyan módokon, amelyek fejlesztik a készségeket és a karriert, ahelyett, hogy azokat rombolnák. Az ügynökök folyamatosan okosabbá és gyorsabbá válnak. Az operátorok tanulása és fejlődése, akik mellett dolgoznak, fogja meghatározni, hogy a következő évtized digitális ellenálló képessége valóban a szervezetek birtokában van-e, vagy valami, amit egy csökkenő szakértelem tartományából bérelnek. További információt talál arról, hogy a Cisco Data Fabric, amelyet a Splunk Platform hajt, hogyan segíti a csapatokat az agentic műveletek felgyorsításában. Kamal Hathi a Splunk, egy Cisco vállalat SRV és ügyvezető igazgatója. A szponzorált cikkek olyan tartalmak, amelyeket egy vállalat készített, amely vagy fizetett a bejegyzésért, vagy üzleti kapcsolatban áll a VentureBeat-tel, és mindig egyértelműen meg van jelölve. További információért lépjen kapcsolatba a sales@venturebeat.com címmel.