Fra generativ AI til AI-agenter: Hvor er IT-driften på vej hen?
Generativ AI har gjort det nemmere at skabe indhold, opsummere information og få svar på spørgsmål. Nu får AI også en mere aktiv rolle.
AI-agenter i IT-driften kan undersøge problemer, anvende værktøjer og arbejde mod konkrete mål inden for fastlagte rammer.
Men hvad er forskellen på generativ AI og AI-agenter, og hvad betyder den for fremtidens IT-drift?
Udviklingen peger i tre retninger: fra svar til handling, fra instruktioner til mål og fra frihed til rammer.
Fra svar til handling
Generativ AI kan opsummere dokumentation, forklare tekniske begreber og hjælpe med at analysere information. I IT-driften gør den f.eks. komplekse fejlmeddelelser lettere at forstå.
AI-agenter går skridtet videre. De kan planlægge og udføre flere handlinger for at nå et defineret mål, f.eks. undersøge en driftsforstyrrelse, indsamle relevante oplysninger og foreslå eller udføre en handling inden for de tilladte rammer.
De to er ikke adskilte teknologier. Generative modeller indgår ofte i agentbaserede løsninger. Forskellen er, om løsningen kan arbejde videre med en opgave og handle på baggrund af et mål.
Fra instruktioner til mål
En tilgang, der får stigende betydning, er målstyret AI. Her tager arbejdet udgangspunkt i det resultat, man ønsker at opnå, frem for i en række isolerede instruktioner.
I IT-driften kan målet være at reducere unødvendig alarmstøj uden at overse kritiske hændelser. Forestil jer, at en server klokken tre om natten udløser 200 alarmer. Med generativ AI kan teknikeren få hjælp til at forstå dem. En AI-agent kan sammenholde alarmerne, undersøge mulige fælles årsager og præsentere en samlet vurdering med forslag til næste skridt. Mere indgribende handlinger kan kræve menneskelig godkendelse.
Målstyret AI er en måde at organisere AI’s arbejde på, hvor målet og de tilladte rammer er det centrale.
Fra frihed til rammer
Jo mere AI kan, desto vigtigere bliver det at definere, hvad den må. Tre forhold bliver afgørende:
Datakvalitet: Agenter er afhængige af kvaliteten, aktualiteten og relevansen af de data og den dokumentation, de har adgang til.
Afgrænset adgang: Adgangen bør begrænses til de data og værktøjer, den konkrete opgave kræver.
Menneskelig involvering: IT-teamet skal kunne forstå resultaterne, gribe ind og dokumentere, hvad der er sket, og hvorfor.
Målet er ikke at automatisere mest muligt, men at bruge AI dér, hvor den skaber værdi, uden at miste kontrollen over IT-miljøet.
Hvad betyder det for IT-teams?
For IT-teams flytter en del af arbejdet sig fra manuel sortering til at definere mål, rammer og kontrol. Retningen er ikke AI, der overtager IT-driften, men AI, der arbejder mod mål, som mennesker har sat, inden for rammer, som mennesker har defineret. Hvor meget værdi det skaber, afhænger af den enkelte løsning og kvaliteten af data.
Fra udvikling til løsninger
Udviklingen begynder at vise sig i konkrete løsninger. Et eksempel er SolarWinds Avior, en målstyret AI-løsning udviklet til forretningskritiske IT-miljøer. Avior kan blandt andet sammenholde relaterede hændelser, undersøge driftsproblemer samt hjælpe med at identificere og afhjælpe konfigurationsafvigelser inden for godkendte rammer. Graden af autonomi kan tilpasses, og handlinger med højere risiko kræver menneskelig godkendelse, så automatisering kan kombineres med kontrol.
Læs mere i vores artikel: SolarWinds Avior: Målstyret AI til moderne IT-drift.
Find den rette tilgang til AI i jeres IT-drift
Hos VERIDATA hjælper vi jer med at afdække jeres behov og finde de løsninger, der passer til jeres situation, uanset om I ønsker bedre overblik, mere effektiv fejlsøgning eller at undersøge nye muligheder inden for automatisering.
Kommentarer