Miért szükséges, hogy az agentikus vállalatok tanulórendszerekké váljanak

Minden nap a szervezetek olyan dolgokat tanulnak, amelyeket mesterséges intelligencia rendszereik soha nem tudnak felhasználni. Egy biztonsági elemző kijavít egy MI által generált vizsgálatot. Egy hálózati mérnök azonosítja egy visszatérő leállás gyökerét. Egy megfigyelési csapat felfedezi, hogy egy késleltetés, naplózás és infrastruktúra változások mintája előrejelzi a szolgáltatás degradálódását. Egy ügyfélműveleti csapat megtudja, mely jelek utalnak arra, hogy valószínűleg eszkaláció történik. Minden pillanat értékes szervezeti tudást tartalmaz. De a legtöbb vállalatban ez a tudás eltűnik a jegyek, irányítópultok, chat-szálak, esemény utáni áttekintések és egyéni szakértők fejében. Ez segíthet a közvetlen probléma megoldásában, de ritkán válik újrafelhasználható rendszer részévé, amely javítja a jövőbeli MI-vezérelt döntéseket. Ez a következő kihívás az aktív vállalatok számára. A jövőt nem csupán az határozza meg, ki rendelkezik a legcapacitásosabb modellel vagy a legautonómabb ügynökökkel. Sok szervezet hasonló határvonal modellekhez jut hozzá. Sok ügynököt fognak telepíteni a biztonság, IT, mérnöki munka, ügyfélszolgálat és üzleti műveletek területén. Az igazi különbséget az jelenti, hogy ezek az ügynökök képesek-e tanulni a körülöttük lévő szervezettől. Nem a háttérmodell folyamatos újraképzésével, hanem működési tapasztalatokat rögzítve, intézményi tudássá alakítva, és ezt a tudást elérhetővé téve a jövőbeli ügynökök, munkafolyamatok és döntések számára. Az aktív vállalat nem csupán egy MI-t használó vállalat. Ez egy olyan vállalat, amely a MI-n keresztül tanul. Az aktív vállalatok lehetővé teszik a MI rendszerek számára, hogy tanuljanak tőlük. A MI beszélgetést a modell képességei uralják: nagyobb kontextusablakok, jobb érvelés, gyorsabb következtetések, erősebb eszközhasználat és kifinomultabb aktív viselkedés. Ezek a fejlesztések fontosak. De a vállalat számára egy modell csak a rendszer egy része. Egy modell nem tudja automatikusan, hogyan működik egy adott szervezet. Nem tudja magától, melyik helyreállítási lépés oldotta meg a múlt havi leállást, melyik elemzői javítás javította a fenyegetés vizsgálatát, melyik hálózati jel előzte meg a szolgáltatás megszakítását, vagy melyik belső politika kellene, hogy felülírja az egyébként plauzibilis ajánlást. Ez a tudás a vállalaté. Ahhoz, hogy az aktív rendszerek fejlődjenek, a szervezeteknek szükségük van egy módra, hogy ezt a tudást megragadják és újra felhasználhatóvá tegyék. Sok esetben ez nem igényel módosítást a modell önmagában. A modell körüli ökoszisztémát kell megváltoztatni: a tudásbázist, a lekérdezési réteget, az indítékokat, politikákat, irányelveket és munkafolyamatokat, amelyek alakítják az ügynökök viselkedését. A modell változatlan maradhat. A körülötte lévő tanulási rendszer okosabbá válik. A visszajelzési hurkok bármely kimenetet tanítható pillanattá alakítanak Az aktív munkafolyamat minden jelet létrehoz. Egy ügynök kérdést kap. Megszerzi a kontextust, átgondolja a lehetséges cselekedeteket, eszközöket hív meg és létrehoz válaszokat. Egy ember elfogadja, elutasítja vagy módosítja ezt a választ. Az alacsonyabb szintű rendszerek felfedik, hogy a cselekvés működött-e. Ez az egész lánc értékes. A MI megfigyelése lehetővé teszi a szervezetek számára, hogy átláthatóan lássák, mi történt: az indító, válasz, érvelés, eszközhasználatok, adatforrások, köztes lépések, hiba módok és kimenetek. Anélkül, hogy ez a láthatóság lenne, a szervezetek nem tudják megérteni, miért viselkedett az ügynök úgy, ahogyan, nemhogy javítani tudjanak rajta. De a csupán megfigyelés nem elegendő. A nagyobb lehetőség az, hogy a megfigyelt viselkedést intézményi tudássá alakítsuk. Egy nyomozatnak nemcsak azt kell segítenie, hogy egy fejlesztő és az üzemeltetők hibát keressenek az ügynökben, hanem segítenie kell a vállalatot megérteni, mit tanult az ügynök, mit javított az ember, milyen kimenet következett be, és mit kellene változtatni a következő hasonló esemény előtt. Ez a váltás a MI monitorozásából a MI tanítására. Az aktív vállalatban a visszajelző hurkok kapcsolatot teremtenek a cselekvés és a kimenet, a kimenet és a tudás, valamint a tudás és a jövőbeli cselekvés között. Egy tanulási rendszer a gyakorlatban a biztonság, megfigyelés és hálózat területén Gondoljunk egy szolgáltatásra, amely időszakos degradációval küzd. Egy megfigyelési ügynök szokatlan késleltetést és hibaarányokat észlel. Egy hálózati ügynök csomagvesztést azonosít egy adott útvonalon. Egy biztonsági ügynök észreveszi, hogy ugyanaz az időablak gyanús hitelesítési viselkedést és szokatlan forgalmat tartalmaz egy korábban nem látott forrásból. Egyedileg mindegyik ügynöknek csak részleges kilátása van. Együtt egy gazdagabb működési képet hoznak létre. Amikor ez az incidens először történik, emberi szakértők szükségesek lehetnek beavatkozni. Egy hálózati mérnök megerősíti, hogy a csomagvesztést egy hibásan konfigurált útváltozás okozta. Egy biztonsági elemző megállapítja, hogy a gyanús forgalom nem támadás, hanem egy hibásan irányított belső szolgáltatás mellékhatása. Egy SRE összekapcsolja a hálózati eseményt az alkalmazás degradációval. Ez a megoldás olyan tudást tartalmaz, amelyet a szervezetnek nem kell újra megtanulnia. Egy érett aktív tanulási rendszer rögzítené a nyomokat, az emberi korrekciókat, a topológiai kontextust, a biztonsági megállapításokat, a megfigyelési jeleket és a végső helyreállítási lépéseket. Megőrzi a jelek közötti kapcsolatokat: késleltetés mintázat, hálózati útvonal, identitás viselkedés, útváltozás és helyreállítás. Amikor a következő hasonló mintázat megjelenik, az ügynökök nem nulláról indulnak. Visszakereshetik az előző esetet, összehasonlíthatják a jelenlegi körülményeket, ajánlhatják a bevált diagnosztikai utat és eszkalálhatnak jobb kontextussal. A háttér modell nem igényelte az újraképzést. A vállalat tanult. Az aktív tanuló vállalat architektúrája Egy tanulásorientált aktív vállalatnak többre van szüksége, mint egy modellre vagy chatbotra. Szüksége van egy architektúrára, amely képes rögzíteni a tapasztalatokat, átalakítani azokat használható tudássá, összekapcsolni ezt a tudást a működési kontextussal, és szabályozni, hogyan változtatja meg a jövőbeli ügynöki viselkedést. Az emlékezet megőrzi, mi történt: mit látott az ügynök, mit tett, hol avatkoztak be az emberek, és milyen kimenetek követték. A tudásbázisok ezt a tapasztalatot újrafelhasználható irányelvekké alakítják, beleértve a forgatókönyveket, példákat, politikákat, eljárásokat és bizonyítékokat. Az adatvászon összekapcsolja a működési környezetet. Az ügynökök által szükséges jelek naplókon, metrikákon, nyomozatokon, jegyeken, identitásrendszereken, biztonsági eszközökön, hálózati telemetrián, együttműködési platformokon és üzleti alkalmazásokban élnek. Az adatvászon lehetővé teszi, hogy ezek a jelek felfedezhetőek, korrelálhatóak, szabályozottak és kontextusban felhasználhatóak legyenek. A MI megfigyelése megmagyarázza, hogyan viselkednek az ügynökök azáltal, hogy rögzíti az indítékokat, eszközhasználatokat, köztes lépéseket, válaszokat, visszajelzéseket és kimeneteket. Ez a láthatóság segít a szervezeteknek megérteni, hol sikerülnek az ügynökök, hol buknak el, és min kellene javítani. A kontrolltér szabályozza, hogyan válik a tanulás változássá: milyen tudást népszerűsítenek, mely indítékokat vagy politikákat frissítenek, mely ügynökök használhatják az új információkat, milyen jóváhagyások szükségesek és hogyan auditálják a változásokat. Ezek a képességek lehetővé teszik, hogy a MI rendszerek idővel kontrollált, megbízható módon fejlődjenek, így a vállalat tanulhat saját működéséből. Azok a szervezetek, amelyek a leggyorsabban tanulnak, fognak nyerni. A közelgő AI korszakot nem csupán a modellek keresztül lehet megnyerni. Azt az szervezetek fogják nyerni, amelyek képesek megszerezni a tudást minden munkafolyamat, szakértői javítás, incidens, vizsgálat és kimenet során. A legfejlettebb aktív vállalatok nem csupán több ügynököt fognak telepíteni. Olyan rendszereket fognak építeni, amelyek lehetővé teszik, hogy minden ügynök a szervezet kollektív tudásából tanuljon. Ez azt jelenti, hogy működési adatokat kapcsolnak össze egy adatvásznon. Ez azt jelenti, hogy mélyebben megfigyelik az ügynöki viselkedést, hogy megértsék azt. Ez azt jelenti, hogy a tapasztalatokat megőrzik az emlékezetben és intézményesítik a tudásbázisokban. Ez azt jelenti, hogy egy kontrolltér használatával szabályozzák, hogyan változik a tanulás az ügynöki viselkedésben. A jövő MI-ja nem egyetlen autonóm ügynök magányos cselekvése. Ez ügynökök, emberek, adatok és irányítók ökoszisztémája, amely idővel tanul. Azok a szervezetek, amelyek ezt az ökoszisztémát felépítik, olyan MI rendszereket hoznak létre, amelyek minden interakcióval fejlődnek. Nem azért, mert a modell folyamatosan változik, hanem mert a vállalat maga válik intelligensebbé. Tudjon meg többet arról, hogyan gyorsítja fel az agentikus műveleteket a Cisco Data Fabric, amelyet a Splunk Platform támogat. Hao Yang a Splunk, a Cisco vállalat alelnöke. A szponzorált cikkek olyan tartalmak, amelyeket egy cég készít, amely vagy fizet a bejegyzésért, vagy üzleti kapcsolatban áll a VentureBeattel, és mindig világosan megjelölik őket. További információért lépjen kapcsolatba a sales@venturebeat.com címen.