تصور کنید ساعت ۳ صبح است و یک عامل هوش مصنوعی بدون نظارت، برای رفع یک خطای کوچک، کل پایگاه‌داده تولیدی شما را پاک می‌کند. به نقل از سامسون تانیماوو (Samson Tanimawo)، مدیرعامل Nova AI Ops، تکیه بر اتوماسیون کامل در پاسخ به حوادث، قمار پرخطری است که اغلب منجر به وخیم‌تر شدن قطعی‌ها می‌شود.
این هشدار با داده‌های واقعی پشتیبانی می‌شود: در تست‌های محیط عملیاتی، نرخ موفقیت ترمیم‌های خودکار توسط AI تنها ۴۵٪ است. در حالی که بسیاری از فروشندگان ابزارهای مانیتورینگ روی «جادوی هوش مصنوعی» تبلیغ می‌کنند، واقعیت این است که AI در حال حاضر یک ناوبری عالی است، اما خلبانی ضعیف.
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی امنیت مدل‌های عامل‌محور اشاره کردیم، فاصله میان وعده‌های بازاریابی و واقعیت عملیاتی در این حوزه بسیار زیاد است. طبق گزارشی که در ۲۵ اوت ۲۰۲۶ منتشر شد، این شکاف اکنون در مدیریت زیرساخت‌ها به وضوح دیده می‌شود.
آنچه واقعاً کار می‌کند
تشخیص ناهنجاری (Anomaly Detection) — شبیه به یک نگهبان که هر صدای غیرعادی در ساختمان را تشخیص می‌دهد — برای معیارهایی با الگوهای پیش‌بینی‌پذیر ارزش واقعی ایجاد می‌کند. این قابلیت در واقع هسته‌ی اصلی تبدیل نظارت واکنشی به پیش‌بینانه در مدیریت منابع ابری است که اجازه می‌دهد پیش از وقوع بحران، اقدامات پیشگیرانه صورت گیرد. مواردی مثل نرخ درخواست‌ها، میزان مصرف CPU و اتصالات پایگاه‌داده کاندیداهای مناسبی هستند. اما این سیستم‌ها به داده‌های آموزشی زیادی نیاز دارند؛ حداقل ۲ تا ۳ هفته برای الگوهای روزانه و ۶ تا ۸ هفته برای الگوهای هفتگی.
همبسته‌سازی هشدارها (Alert Correlation) در حال حاضر «نقطه طلایی» AI است. به‌جای اینکه یک انسان ۱۵ هشدار بحرانی هم‌زمان را بررسی کند، AI آن‌ها را در یک حادثه واحد گروه‌بندی می‌کند. برای مثال، مدل می‌تواند تأخیر در سرویس پرداخت و کندی سبد خرید را به یک علت ریشه‌ای متصل کند: اتمام ظرفیت اتصال (Connection Pool) در Postgres.
شکست اتوماسیون کامل
ترمیم خودکار (Autonomous Remediation) — یعنی زمانی که AI بدون دخالت انسان، باگ را تشخیص داده و رفع کند — هنوز برای محیط‌های عملیاتی آماده نیست. بررسی سه محصول مختلف، شکست‌های نگران‌کننده‌ای را در قابلیت اطمینان نشان داد:
- تشخیص درست علت: ۷۲٪
- ترمیم درست مشکل: ۴۵٪
- عدم انجام هیچ اقدام مفیدی: ۴۷٪
- وخیم‌تر کردن وضعیت: ۸٪
مدل «انسان در حلقه»
بهترین معماری فعلی از یک توالی مشخص پیروی می‌کند: AI ناهنجاری را تشخیص می‌دهد، هشدارها را همبسته‌سازی می‌کند و علت احتمالی را پیشنهاد می‌دهد. سپس گام‌های ترمیم را توصیه می‌کند، اما یک انسان باید پیش از اجرای اتوماسیون، آن را تأیید کند.
این رویکرد ریسک حذف تصادفی داده‌ها را از بین می‌برد و سرعت اجرا را حفظ می‌کند. در واقع نقش انسان از «بازرس» به «تأییدکننده» تغییر می‌کند و زمان بررسی یک حادثه از ۴۵ دقیقه به ۵ دقیقه کاهش می‌یابد.
معیارهای انتخاب ابزارهای AI Ops
هنگام انتخاب ابزار، از AIهای «جعبه سیاه» که نمی‌توانند استدلال خود را نشان دهند دوری کنید. دو نشانه خطر (Red Flag) مهم وجود دارد: فروشندگانی که برای شروع به ۶ ماه داده نیاز دارند یا ابزارهایی که نرخ مثبت کاذب (False Positive) آن‌ها بیش از ۱۰٪ است. یک ابزار قابل‌اعتماد باید «امتیاز اطمینان» (Confidence Score) برای پیشنهاداتش ارائه دهد تا انسان ریسک اصلاحیه را بسنجد.
گام بعدی شما
- در ابزارهای مانیتورینگ خود، قابلیت‌های AI را ابتدا در حالت «پیشنهادی» (Suggestive) فعال کنید، نه «اجرایی» (Executive).
- برای معیارهای حیاتی، حداقل ۸ هفته داده تاریخی را برای آموزش مدل‌های تشخیص ناهنجاری فراهم کنید.
- از تیم‌های عملیاتی بخواهید نرخ «مثبت کاذب» ابزارهای فعلی را محاسبه کنند تا میزان اعتماد به پیشنهادات AI مشخص شود.
در ۲ تا ۳ سال آینده، احتمالاً ۸۰٪ حوادث به‌صورت خودکار مدیریت می‌شوند، اما پیچیده‌ترین ۲۰٪ شکست‌های زنجیره‌ای همچنان به قضاوت انسانی نیاز دارند تا از قطعی‌های فاجعه‌بار جلوگیری شود. اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو