تصور کنید مشکلی در زیرساخت‌های IT شرکتتان رخ داده که رفع آن معمولاً ۶ روز زمان می‌برد، اما حالا تنها در ۱۰ دقیقه حل می‌شود. طبق اعلام DXC Technology در ۱۳ اکتبر ۲۰۲۶، این نتیجه‌ی استقرار پلتفرم ارکستراسیون OASIS در ۱۲۵ محیط مشتری در صنایع تحت نظارت و مناطق جغرافیایی مختلف است.
بسیاری از سازمان‌ها در تبدیل عامل‌های هوش مصنوعی (AI Agents) — شبیه به دستیاران دیجیتالی که می‌توانند به‌جای شما ابزارها را اجرا کنند — از محیط‌های آزمایشی و دموهای تجربی به تولید واقعی شکست می‌خورند، زیرا حاکمیت و نظارت کافی ندارند. سناریویی را تصور کنید که در آن یک عامل هوش مصنوعی در حین تلاش برای رفع یک باگ کوچک، به‌طور تصادفی یک پایگاه‌داده تولیدی (Production) را حذف کند. برای جلوگیری از چنین خطاهای فاجعه‌باری، DXC با LangChain همکاری کرده تا یک «هارنس» (Harness) یا چارچوب نظارتی ایجاد کند که تضمین نماید نظارت انسانی همچنان در مرکز اقدامات خودکار قرار داشته باشد. این رویکرد با استراتژی‌های امنیتی پیشرفته‌ای همسو است که شرکت آنتروپیک برای ایمن‌سازی لایه‌ی اجرای عامل‌ها به کار گرفته است.
زمینه و استقرار
شرکت DXC نخستین بار در ۲۸ آوریل ۲۰۲۶ پلتفرم OASIS را به‌عنوان یک پلتفرم ارکستراسیون هوشمند و یک مدل عملیاتی برای عملیات حساس IT معرفی کرد. هدف بنیادین این است که ارائه خدمات از حالت «پاسخ به حادثه» (Reactive Support) به «عملیات در لحظه» (Real-time Operations) تغییر یابد.
برخلاف ابزارهایی که سعی در جایگزینی نرم‌افزارهای موجود دارند، OASIS به‌عنوان یک لایه ارکستراسیون عامل‌محور (Agentic) و باز عمل می‌کند. این سامانه روی ابزارهای فعلی سازمان قرار می‌گیرد و با آن‌ها هم‌زیستی می‌کند. برای مثال، طبق مستندات پلتفرم DXC، این سیستم به ابزارهایی مانند ServiceNow و Dynatrace متصل می‌شود، بدون آنکه جایگزین آن‌ها شود یا باعث حذف آن‌ها از چرخه عملیاتی گردد.
استقرار این سامانه به‌گونه‌ای طراحی شده است که انعطاف‌پذیری بالایی داشته باشد. این پلتفرم می‌تواند در ابرهای عمومی، ابرهای خصوصی، محیط‌های اختصاصی و محیط‌های حاکمیتی (Sovereign Environments) مستقر شود، بدون آنکه نیازی به بازطراحی معماری زیربنایی باشد. این رویکرد تضمین می‌کند که مشتریان کنترل کامل داده‌ها، جریان‌های کاری و قابلیت‌های عملیاتی خود را در هر محیطی که باشند، حفظ کنند. در واقع، ایجاد چنین حاکمیت داده‌ای بر زیرساخت، پیش‌شرط لازم برای استقرار هوش مصنوعی در صنایع حساس محسوب می‌شود.
معماری فنی و ابزارها
این همکاری استراتژیک برای توسعه، ارزیابی و مشاهده‌پذیری عامل‌های OASIS، دو مؤلفه اصلی از LangChain را در هسته خود ادغام کرده است:
- LangGraph: یک چارچوب ارکستراسیون متن‌باز که مدیریت تفویض اختیار، مدیریت وضعیت (State Management) و جریان‌های کاری «انسان در حلقه» (Human-in-the-loop) را بر عهده دارد.
- LangSmith: یک پلتفرم مهندسی عامل دارای لایسنس که برای توسعه، ارزیابی دقیق و مشاهده‌پذیری (Observability) عامل‌ها به کار می‌رود.
این ترکیب به DXC اجازه می‌دهد عامل‌هایی بسازد که مستقل از مدل (Model-agnostic) باشند. به این معنا که سازمان‌ها می‌توانند بر اساس کیفیت، هزینه، میزان تأخیر (Latency) و الزامات حریم خصوصی، مدل‌های مختلفی را برای بارهای کاری متفاوت انتخاب کنند. همچنین، این پلتفرم برای بهبود مستمر ساخته شده است؛ به‌طوری که بینش‌های حاصل از اجرای عامل‌ها را به سیستم بازمی‌گرداند تا عملکرد را ارتقا دهد و درس‌های آموخته شده از سناریوهای فردی را به‌مرور زمان در کل سیستم ادغام کند.
نتایج کمی در محیط تولید
به نقل از DXC، این پلتفرم در برابر قضاوت مهندسان ارشد، به دقت تشخیص ۹۲٪ یا بیشتر رسیده است. در ۵۰۰ مورد استفاده (Use Case) که مورد اندازه‌گیری قرار گرفتند، این شرکت کاهش ۹۵ درصدی در میانگین زمان رفع مشکل را گزارش کرده است.
برخی از دستاوردهای عملیاتی مشخص در محیط تولید عبارت‌اند از:
- حوادث سیستم فایل (Filesystem incidents): کاهش زمان رفع از ۵۳ تا ۹۰ دقیقه به تنها ۳ تا ۶ دقیقه.
- عملکرد پایگاه‌داده (Database performance): کاهش زمان از ۲ تا ۳ ساعت به ۵ تا ۱۲ دقیقه.
- مدیریت مشکلات پیچیده (Complex problem management): کاهش زمان از ۲ تا ۶ روز به ۸ تا ۱۰ دقیقه.
این نتایج خیره‌کننده به‌دلیل توانایی عامل‌ها در پاسخ به رویدادهای عملیاتی و بررسی موازی مسائل است. آن‌ها می‌توانند قابلیت‌های تخصصی را از حوزه‌های مختلف فناوری فراخوانی کنند و تنها زمانی انسان را وارد چرخه کنند که نیاز به قضاوت انسانی یا تأیید نهایی باشد.
مکانیسم‌های حاکمیت و ایمنی
برای حفظ کنترل در محیط‌های حساس و حیاتی، OASIS اجازه می‌دهد عامل‌ها تنها در محدوده اختیارات تعریف‌شده عمل کنند. هر اقدام پیش از اجرا بر اساس چهار عامل کلیدی ارزیابی می‌شود:
- برگشت‌پذیری (Reversibility): آیا این اقدام در صورت خطا قابل بازگشت است؟
- تأثیر (Impact): اثر احتمالی این عمل بر کل سیستم چیست؟
- قابلیت تأیید (Verifiability): بررسی نتیجه این اقدام چقدر آسان است؟
- سوابق (Track Record): عملکرد تاریخی این عامل در مواجهه با موارد مشابه چگونه بوده است؟
اقدامات حساس پیش از اجرا متوقف شده و منتظر تأیید انسانی می‌مانند. تمام فراخوانی‌های ابزار و تصمیمات اتخاذ شده کاملاً قابل ردیابی هستند تا یک مسیر حسابرسی (Audit Trail) کامل فراهم شود. DXC همچنین از کنترل‌های دسترسی آگاه از نقش (Role-aware access controls) و «خودمختاری پیش‌رونده» استفاده می‌کند که می‌توان آن را در هر سطحی گسترش داد یا محدود کرد.
علاوه بر این، عامل‌ها بر اساس مبنی‌سازی (Grounding) در زمینه خاص هر مشتری عمل می‌کنند. آن‌ها اطلاعات را از داده‌های خاص سیستم، مستندات سازندگان (Vendor Documentation) و تخصص عملیاتی خود شرکت DXC استخراج می‌کنند. این امر تضمین می‌کند که عامل‌ها بر اساس الزامات محیط هر مشتری استدلال کنند، نه اینکه صرفاً به دانش عمومی مدل‌های زبانی تکیه کنند.
چشم‌انداز راهبردی
برای مدیران کسب‌وکار، این تغییر به معنای گذار از پشتیبانی واکنشی به عملیات در لحظه است. دن گری، رئیس خدمات زیرساخت جهانی DXC، خاطرنشان کرد که اگرچه هوش مصنوعی عامل‌محور می‌تواند عملیات سازمانی را به‌طور بنیادین تغییر دهد، اما «مدل‌ها به‌تنهایی کافی نیستند» و نیاز به یک چارچوب مدیریتی دارند.
اکنون متخصصان انسانی ساعت‌ها وقت خود را صرف تشخیص خطا و عیب‌یابی نمی‌کنند، بلکه بر تصمیمات با ارزش بالا تمرکز می‌کنند، در حالی که عامل‌ها ظرفیت و سرعت اجرای عملیات را مدیریت می‌کنند. جولیا شاتنشتاین، مدیر عملیاتی LangChain، افزود که سازمان‌های پیشرو در حال مالکیت «پشته‌ی عامل‌های» (Agent Stack) خود هستند و با تطبیق این هارنس با نیازهای کسب‌وکارشان، حلقه‌های بهبود مستمر ایجاد می‌کنند.
این حرکت نشان‌دهنده روندی گسترده‌تر است که در آن سازمان‌ها دیگر با هوش مصنوعی به‌عنوان یک چت‌بات برخورد نمی‌کنند، بلکه آن را به‌عنوان یک مدل عملیاتی تحت نظارت می‌بینند. برای مشاهده جزئیات کامل پیاده‌سازی فنی، می‌توانید مقاله سفید (White Paper) جدید با عنوان «DXC OASIS: The Harness for Mission-Critical IT Operations» را مطالعه کنید.
گام بعدی شما
- بررسی مدل‌های «انسان در حلقه» برای کاهش ریسک استقرار عامل‌های خودکار در محیط‌های حساس.
- مطالعه مستندات LangGraph برای پیاده‌سازی جریان‌های کاری چندمرحله‌ای و مدیریت وضعیت.
- ارزیابی ابزارهای مشاهده‌پذیری مانند LangSmith برای ردیابی تصمیمات مدل‌های زبانی.
اما تأثیر این خودکارسازی بر هزینه‌های عملیاتی مراکز داده حتی چشمگیرتر است — به تحلیل ما درباره‌ی بهینه‌سازی استنتاج در مقیاس سازمانی مراجعه کنید.
گفتگو