AIOps به Agentic AIOps: ساخت گردش‌کارهای همزیست قابل اعتماد با LLMهای انسان‌در-حلقه
این مقاله راهنمای عملی برای ساخت گردش‌کارهای AIOps عامل‌محور با حفظ انسان در حلقه ارائه میدهد. سیستم‌های هوش مصنوعی عاملی قادر به درک، استدلال، عمل و یادگیری هستند اما اقدامات پرخطر نیاز به تأیید انسانی دارند.
تکامل AIOps به سمت عامل‌های هوشمند
مقاله حاضر گردش‌کارهای AIOps عامل‌محور را معرفی می‌کند که در آن سیستم‌های هوش مصنوعی قادر به درک، استدلال، عمل و یادگیری هستند. تفاوت اصلی این رویکرد در ادغام انسان‌در-حلقه است که در آن عامل‌ها وظایف routine را انجام می‌دهند اما اقدامات پرخطر نیاز به تأیید انسانی دارند. این معماری مبتنی بر چهار ویژگی کلیدی شامل ادراک، استدلال، عمل و یادگیری است.
مولفه‌های فنی سیستم
- لایه ingeston برای جمع‌آوری داده‌های observability
- هسته عامل‌محور شامل عامل‌های تریاژ، خلاصه‌ساز و پیشنهاددهنده runbook
- دروازه HITL برای تأیید اقدامات پرخطر
- لایه اجرا با مکانیزم‌های دفاعی like کاناری
نوآوری‌های معماری
- همکاری چندعاملی برای cross-validation
- Hybrid RAG و GraphRAG برای تحلیل ریشه‌ای دقیق‌تر
- دروازه‌بندی Zero-Trust با Policy as Code
"این تحول رابطه بین هوش مصنوعی و عملیات دیجیتال را متحول می‌کند"