توسعه دهندگان طیف گسترده ای از ابزارهای مختلف هوش مصنوعی مولد را برای انتخاب در کار خود دارند. اما، در حالی که راه‌حل‌هایی مانند Google Gemini و GitHub Copilot به آنها در نوشتن کدهای کاربردی کمک می‌کنند، آیا هوش مصنوعی مولد می‌تواند به سرعت بخشیدن به میانگین زمان بازیابی (MTTR) در هنگام بروز مشکلات کمک کند؟
خوشبختانه مجموعه جدیدی از ابزارها پدیدار شده است که از زبان محاوره ای برای کمک به توسعه دهندگان کمک می کند تا به سرعت مشکلات را در لحظه شناسایی آنها بررسی و بررسی کنند و همچنین برای تیم های امنیتی برای تشخیص و کاهش تهدیدات مفید هستند. با استفاده از الگوریتم‌های یادگیری ماشین، این ابزارهای مستقل علت اصلی حوادث را شناسایی کرده و نحوه برنامه‌ریزی و اجرای اصلاح را بررسی می‌کنند.
ساده سازی فرآیندها
حجم عظیم داده های تولید شده از منابع مختلف مختلف به این معنی است که وقتی یک حادثه در یک محیط تولید شناسایی می شود، اغلب تریاژ و بررسی موضوع می تواند دشوار باشد. ردیابی و مدیریت کارآمد فرآیند برای اطمینان از اینکه همه افراد درگیر می توانند فقط به جدیدترین اطلاعات و زمینه دسترسی داشته باشند ضروری است، اما می تواند زمان بر و منابع فشرده باشد.
با این حال، با کمک یک خلبان مبتنی بر هوش مصنوعی، می‌توان فرآیند بررسی هشدارها و واکنش به حوادث را ساده کرد. به‌کارگیری فناوری‌ها و روش‌های هوش مصنوعی و یادگیری ماشینی (ML) برای تجزیه و تحلیل داده‌های ورودی و تاریخی از طیف وسیعی از منابع مختلف، به عنوان مثال، نسخه‌ای از این قبیل را قادر می‌سازد تا ناهنجاری‌ها و موارد پرت را شناسایی کند و گزینه‌هایی برای رسیدگی به مسائل ارائه دهد.
علاوه بر این، مرتبط کردن رویدادها برای تعیین اینکه آیا آنها به هم مرتبط هستند یا به هم مرتبط هستند، می تواند نویز هشدار و MTTR را کاهش دهد و از تکرار تلاش های یکسان توسط چندین تیم جلوگیری کند. در واقع، می‌تواند با تعیین وظایف به کارکنان برای پیاده‌سازی راه‌حل‌ها و خودکارسازی گردش‌های کاری اصلاح در ابزارها و خدمات مربوطه برای حل مشکلات، منجر به کارایی بیشتر شود.
عمل مستقل
یک عامل مستقل که قادر به انجام وظایف عملیاتی پیچیده است، مانند بررسی هشدارها و هماهنگ کردن پاسخ‌های حادثه – بدون تشویق انسان – به طور فعال در کنار یک توسعه‌دهنده در طول تحقیقات خود کار می‌کند و به طور موثری آنها را به سمت وضوح بسیار شبیه به همکار انسانی سوق می‌دهد.
به محض اینکه یک هشدار خاص فعال می شود، هوش مصنوعی از دانش جامع خود در مورد سیستم های توسعه دهنده، روش های عیب یابی مستند و بهترین شیوه ها برای شناسایی علل ریشه ای بالقوه استفاده می کند و یادداشت های تحقیقاتی را در اختیار توسعه دهنده قرار می دهد که آماده بررسی و اقدام هستند. اگر آنها تصمیم بگیرند که هشدار را به یک حادثه کامل تبدیل کنند، هوش مصنوعی به عنوان یک پاسخ دهنده اضافی به آن ملحق می شود، داده های کلیدی تله متری را در سطح قرار می دهد و به طور مداوم برای علائم بازیابی نظارت می کند.
مکالمات با کمک خلبان
با توجه به سرعتی که حوادث می توانند پیشرفت کنند، ماندن در جریان برای همه می تواند سخت باشد. با این حال، ادغام یک کمک خلبان هوش مصنوعی در کانال Slack پاسخ به حادثه تیم، جزئیاتی را که برای شناسایی مشکلات، تعیین دامنه آنها و شروع تجزیه و تحلیل علت اصلی نیاز دارند، در اختیار آنها قرار می دهد. سپس، هنگامی که پاسخ دهندگان جدید به کانال ملحق می شوند، هوش مصنوعی به طور خودکار خلاصه ای از همه چیزهایی که تا به امروز اتفاق افتاده را در اختیار آنها قرار می دهد.
این توانایی برای مکالمه مستقیم با یک خلبان از طریق یک کانال اختصاصی Slack در حین اشکال‌زدایی یک مشکل می‌تواند برای توسعه‌دهندگان بسیار ارزشمند باشد. اجازه دادن به آنها برای انجام وظایف مهم مانند به دست آوردن بینش از داده ها، یافتن مشکلات فعال، و ایجاد اصلاحات کد، می تواند زمان را برای مقابله با مسائل پیچیده تر آزاد کند. و با استفاده از پیشرفته ترین LLM ها برای استدلال، تصمیم گیری و هماهنگی فرآیندها و اقدامات اصلاحی، هوش مصنوعی مولد می تواند به طور موثری از یک همکار انسانی تقلید کند و به توسعه دهندگان این امکان را می دهد تا در کل SDLC به طور موثرتری عمل کنند.
با این حال، نکته مهم این است که یک نسخه کپی‌لوت باقی می‌ماند، اما توسعه‌دهنده همیشه کنترل نهایی را در اختیار خواهد داشت. هوش مصنوعی تنها با توصیه به انجام اقدامات اصلاحی، هرگز نباید هیچ تغییری در سیستم‌های کاربر قبل از دریافت تأییدیه از توسعه‌دهنده ایجاد کند، در نتیجه به آنها اجازه می‌دهد خطرات چنین تغییراتی را ارزیابی کرده و آنها را در برابر تأثیر بالقوه‌شان بسنجند.
کاهش MTTR
با خودکارسازی تا حد ممکن چرخه عمر DevSecOps، ابزارهای هوش مصنوعی مولد مانند این می‌توانند به توسعه‌دهندگان کمک کنند تا مشکلاتی را که پیش می‌آید شناسایی، بررسی و اصلاح کنند، کار به عنوان هم تیمی انسانی به کاهش MTTR کمک می‌کند.
به جای اینکه چندین تیم فعالیت را تکرار کنند و رویدادهای جداگانه را تعقیب کنند، یک توسعه دهنده یا تیم می تواند روی حل مشکل کلی تمرکز کند. فواید این کار برای خود صحبت می کند.
کاهش در MTTR به معنای عیب‌یابی سریع‌تر، صرف زمان کمتر برای جستجو یا آزمایش اصلاحات، و کاهش زمان از کار افتادگی کاربر است – که همه اینها به معنای تحویل سریع‌تر، محصول نهایی با کیفیت بالاتر و – در نهایت – نتایج کسب‌وکار بهتر است.
منبع: https://aibusiness.com/generative-ai/generative-ai-gets-to-the-root-of-the-mttr-problem