Embora muitas plataformas AIOps prometam automação e inteligência, a maioria ainda depende de lógica condicional, scripts de tarefas, painéis ou resumos em estilo piloto. Esses acessórios podem ganhar visibilidade, mas muitas vezes não conseguem entregar a verdadeira autonomia.
A razão é simples: os projetos carecem de memória, são movidos por raciocínio transversal e execução.
Fundador e CEO da Grokstream, LLC.
Ao mesmo tempo, a comoção cresce em torno um exemplo de linguagem orientada a agentes (LLM) em larga escala. Embora poderosos, os LLMs por si só não são suficientes para fornecer operações autônomas.
Artigo abaixo
Os verdadeiros sistemas de agência exigem uma combinação de aprendizado de máquina clássico e IA generativa, juntos para fornecer inteligência preditiva e causal e resultados confiáveis.
Agent AI representa a próxima evolução das operações de TI. Mas chegar lá exige mais do que usar novas ferramentas. O edifício requer a base certa. Abaixo estão as cinco etapas críticas que as organizações devem seguir para avançar em direção a operações seguras, escaláveis e autogerenciadas.
1. Comece com uma informação básica
Os ambientes de TI modernos são complexos e fragmentados. Os dados são disseminados por meio de grandes ferramentas, logs, métricas, sistemas de gerenciamento de serviços de TI e muito mais. Cada sistema fornece uma visão parcial, mas nenhum fornece o quadro completo.
Para que a IA funcione de forma eficaz, necessita de acesso a um conjunto de dados único e continuamente refinado. Isso significa extrair dados de todo o ambiente, normalizá-los, enriquecê-los com contexto e torná-los utilizáveis em tempo real.
Sem esta base, os sistemas de IA só podem operar em silos, levando a insights incompletos e a decisões conflitantes. Com ele, as organizações podem criar uma visão única e precisa das operações que fornece insights mais profundos e ações mais rápidas.
2. vai além da IA híbrida dos LLMs,
A IA generativa mudou a forma como as equipes se comunicam, tornando mais fácil identificar incidentes, gerar relacionamentos e ajudar os funcionários. Mas resumir não é o mesmo que raciocinar.
Para alcançar a verdadeira autonomia, as organizações precisam de uma abordagem híbrida que combine o aprendizado de máquina clássico para detectar padrões e prever problemas, análise causal para entender por que os problemas surgem e IA generativa para traduzir insights em insights e recomendações amigáveis ao ser humano.
A conectividade permite que os sistemas vão além da descrição do que acontecerá, prevendo o que acontecerá e o que fazer a respeito. Sem inteligência preditiva e causal, a automação permanece reativa. Com ele, eles podem se transferir para atividades de prevenção.
3. Construa sistemas que aprendam com o tempo
Uma das características que definem um agente de IA é a sua capacidade de melhorar continuamente. Isto requer mais do que modelos estáticos: requer memória. A empresa cria sistemas de memória para reter conhecimento sobre incidentes, resoluções e exemplos passados.
Com o tempo, isto permite que a IA identifique problemas recorrentes mais rapidamente, aplique conclusões comprovadas com mais precisão e se adapte às mudanças no ambiente.
Sem memória, os sistemas começam do zero a cada novo evento. Com a memória, eles constroem inteligência operacional ao longo do tempo, tornando as interações entre si mais eficientes.
4. Incorpore o governo e os guardas matinais
À medida que os sistemas de IA introduzem mais responsabilidades, os riscos aumentam. Ações independentes, se não forem adequadamente gerenciadas, podem introduzir riscos em sistemas e equipes. Por esta razão, a governação deve ser construída desde o início em sistemas de agentes.
Isto inclui definir quais as ações de IA a tomar e em que condições, aprovar o trabalho em cenários de alto risco, aceder aos dados de forma segura e adequada e proporcionar transparência sobre a forma como as decisões são tomadas.
Guardas fortes não restringem a IA; complete Eles fornecem a estrutura necessária para que as organizações confiem em decisões automatizadas e as dimensionem com segurança.
5 Progresso gradual em direção à autonomia
As operações de TI autônomas não acontecem da noite para o dia. As organizações mais bem-sucedidas adotam uma abordagem em fases. Isso normalmente começa com IA, ampliando as tarefas humanas, fornecendo insights, resumos e recomendações.
A confiança cresce As ferramentas de IA podem realizar o controle de tarefas. Com o tempo, os sistemas podem operar de forma mais independente dentro de limites definidos.
O programa prático é assim:
- Operações assistidas: IA fornece visibilidade e recomendações
- Automação conduzida: IA sugere ações humanas com aprovação
- A autonomia é controlada: a IA funciona dentro de limites predefinidos
- Operações autônomas: a IA monitora, prevê e age continuamente
Esta abordagem permite que as equipes construam confiança, resultados sólidos e desenvolvam liderança antes de aumentar a autonomia.
Por que muitos esforços de AIOps falham?
Apesar do investimento significativo, muitos projetos de AIOps não conseguem entregar resultados significativos. Não faltam meios de comunicação comuns, mas faltam fundamentos.
Os principais desafios incluem dados fragmentados e inconsistentes, regras de confiança e correlações estáticas, capacidade limitada de prever ou explicar resultados, falta de aprendizagem e memória contínuas e orientação insuficiente para atividades automatizadas.
É necessário colmatar estas lacunas para ir além do crescimento incremental e chegar à verdadeira transformação.
No caminho para coisas para fazer
A IA oferece uma visão convincente de agência: sistemas de TI que podem antecipar problemas, compreender suas causas e agir antes que afetem os usuários. Mas alcançar esta visão exige mais do que utilizar as últimas tendências de IA. Requer ação deliberada para obter informação; inteligência e liderança com um caminho claro para alcançar a maturidade.
As organizações que investem nestas bases estarão bem posicionadas para passar de operações reativas para um sistema preditivo, inteligente e, em última análise, autónomo.
E ao fazer isso, não terão melhor eficiência. Eles mudarão fundamentalmente a forma como a TI funciona, permitindo que as equipes se concentrem menos na luta e mais na inovação e no valor comercial.
Adaptamos os melhores modelos de grandes linguagens (LLMs) para codificação.
Este artigo foi produzido como parte do Perspectiva do TechRadarNosso canal reúne as melhores e mais brilhantes mentes da indústria de tecnologia atual.
As opiniões expressas aqui são de responsabilidade do autor e não necessariamente da TechRadarPro ou Future Plc. Se ajudar, você pode encontrar mais informações aqui: https://www.techradar.com/pro/perspectives-how-to-submit
