هوش مصنوعی در عملیات (AIOps): آنچه در سال ۲۰۲۵ آموختیم
خلاصه هوش مصنوعی
Thoughtworks بینش‌های حاصل از اجرای ۲۰ اثبات مفهوم (PoC) در ۱۶ مشتری مختلف در سال ۲۰۲۵ را به اشتراک می‌گذارد و خاطرنشان می‌کند که اگرچه AIOps از مرحله مفهومی عبور کرده، اما هنوز صنعتی نشده است. یافته‌های کلیدی نشان می‌دهد که بیشترین ارزش در بازیابی دانش و تحلیل حادثه نهفته است تا اقدامات خودکار، پروتکل‌های ارتباطی عامل هنوز بالغ نشده‌اند و عملیات به سمت سیستم‌های ترکیبی قطعی-احتمالی در حال حرکت است.
نکات کلیدی
- شکاف بین اثبات مفهوم و تولید به دلیل فقدان حاکمیت هوش مصنوعی، دانش عملیاتی ساختارنیافته و نیاز به تنظیم مداوم است.
- موارد استفاده با ارزش بالا بر روی وظایف دانشی مانند تشخیص حوادث تکراری، بازیابی دانش عملیاتی و کمک به تحلیل ریشهیابی تمرکز دارند و حجم تیکت‌های L1/L2 را ۳۵ تا ۴۰ درصد کاهش می‌دهند.
- پروتکل‌های ارتباطی عامل مانند MCP به دلیل رشد زمینه و آنتروپی ارکستراسیون بالا، برای سیستم‌های حیاتی ماموریت هنوز بالغ نیستند.
چرا مهم است
درک محدودیت‌های دنیای واقعی و گلوگاه‌های معماری AIOps به تیم‌های مهندسی کمک می‌کند تا از خطاهای پرهزینه جلوگیری کنند، سیستم‌های ترکیبی قطعی-احتمالی را به طور مؤثر مدیریت کنند و سرمایه‌گذاری‌های هوش مصنوعی را روی تقویت شناختی متمرکز نمایند تا اصلاح خودکار پرخطر.
گفتگو 0
آغازگر گفتگو باشید.