La Ang pagiging mapagmasid ay mula sa pagiging isang espesyal na teknikal na paksa ay naging isang estratehikong haligi. Para sa anumang organisasyon na umaasa sa software—na halos lahat ng mga ito—hindi na sapat ang simpleng "pagsubaybay sa mga server" o pagtingin sa mga nakahiwalay na dashboard. Kailangang maunawaan ng mga kumpanya kung ano ang nangyayari sa loob ng kanilang mga sistema sa totoong oras, ikonekta ang datos na iyon sa negosyo, at mabilis na tumugon kapag may nangyaring mali. At, higit sa lahat, dapat nilang gawin ito sa isang kapaligirang lalong pinapagana ng software. Agent AI, mga bukas na pamantayan, at mga ipinamamahaging arkitektura.
Sa ganitong sitwasyon, ang kalakaran ay malinaw na patungo sa isang mas bukas na kakayahang maobserbahan, mas malapit na nauugnay sa mga resulta ng negosyo at mas nagsasariliAng OpenTelemetry ay nagiging matatag na bilang karaniwang wika para sa telemetry, ang AI ay lumalampas na sa eksperimento upang maging integrated sa core ng mga observability platform, at ang mga ITops team ay nagbabago bilang mga orchestrator ng mga intelligent system na nakakakita, nagsusuri, at nagwawasto pa nga ng mga problema nang mag-isa. Suriin natin kung paano nangyayari ang pagbabagong ito at kung ano ang mga implikasyon nito para sa teknolohiya, negosyo, seguridad, at pamamahala ng data.
Mula sa klasikal na pagsubaybay hanggang sa panahon ng kakayahang maobserbahan
Ang ebolusyon mula sa tradisyonal na pagsubaybay tungo sa modernong kakayahang maobserbahan Matagal na itong nagsimula. Nang lumitaw ang mga nangungunang kagamitan sa APM, tulad ng mga pinasikat ni Lew Cirne sa New Relic, ang malaking balita ay ang kakayahang makita nang detalyado kung ano ang ginagawa ng code ng isang monolitikong aplikasyon sa isang data center na pag-aari ng isang kumpanya. Iyon ay isang rebolusyon: sa unang pagkakataon, maaaring obserbahan ng mga koponan ang pagganap ng kanilang mga aplikasyon sa produksyon nang may napakaliit na detalye.
Sa pagdating ng cloud computing, mga microservice, mga container, serverless computing, at mga kasanayan sa DevOps at SRELubos na nagbago ang sitwasyon. Ang paglipat mula sa monolitiko patungo sa distributed systems ay nangangahulugan na ang point-in-time visibility ay hindi na sapat. Ang isang serbisyo ay hindi na isang iisang aplikasyon, kundi isang grupo ng mga panandaliang microservices, na nakaayos sa mga platform tulad ng Kubernetes, na ini-deploy nang dose-dosenang beses sa isang araw, at tumatakbo sa mga hybrid infrastructure na may maraming cloud provider.
Sa ganitong sitwasyon, ang tradisyonal na pagsubaybay, na nakatuon sa mga paunang natukoy na sukatan at mga static na alerto, ay hindi nagagamit. Ang pagiging mapagmasid ay nagpapakilala ng ibang pamamaraan: pagkolekta at pag-uugnay ng mga sukatan, log, bakas, at kaganapan upang mahinuha ang panloob na estado ng sistema mula sa mga panlabas na output nito. Hindi lamang ito tungkol sa pag-alam na may nabigo, kundi tungkol sa pag-unawa kung bakit ito nangyari at kung ano ang epekto nito sa gumagamit at sa negosyo.
Gusto ng mga may-akda Yuri Shkuro Ang pagkakaibang ito ay mahusay na naibubuod: sinusukat ng pagsubaybay ang napagpasyahan nang maaga bilang mahalaga, habang ang kakayahang maobserbahan ay nagbibigay-daan sa iyo na bumuo ng mga bagong tanong tungkol sa sistema nang hindi inihahanda ang lahat ng mga tagapagpahiwatig nang maaga. Sa madaling salita, Ang pagiging mapagmasid ay ginagawang kontekstong naaaksyunan ang datos ng telemetrya para sa kaunlaran, operasyon, at negosyo.
Ang transisyong ito ay hinihimok din ng mga partikular na salik: a brutal na presyon upang mabilis na magbagoMga customer na lalong humihingi ng tulong na umaalis sa isang app sa pinakamaliit na depekto, halos walang katapusang hanay ng mga teknolohiya at pinamamahalaang serbisyo, at lumalaking automation ng buong lifecycle ng softwareAng lahat ng automation na iyon ay software din na maaaring mabigo, at kailangan nito ng sarili nitong kakayahang maobserbahan.
Pagiging kumplikado, panganib, at napakaraming kagamitan: bakit mahalaga ang pagiging madaling maobserbahan
Ang modernong arkitektura ay nagpapataw ng apat na pangunahing sakit ng ulo na siyang dahilan kung bakit ang pagiging mapagmasid ay halos kinakailangan Kung gusto mong mapanatili ang kontrol:
Una, ang tumaas nang husto ang pagiging kumplikadoAng isang container ay maaaring mabuhay nang ilang minuto o segundo, ang isang microservice ay maaaring magpalit ng mga bersyon nang ilang beses sa isang araw, at ang mga bahagi ay dumarami. Ang dating isang monolitikong aplikasyon ay nagiging isang konstelasyon ng magkakaugnay na mga serbisyo. Nasusumpungan ng mga operations team ang kanilang mga sarili na nakikitungo sa daan-daan o libu-libong patuloy na nagbabagong entidad, na marami sa mga ito ay hindi nila binuo nang mag-isa.
Bilang karagdagan dito malinaw na pagtaas ng panganibAng pag-deploy nang maraming beses sa isang araw ay nangangahulugan ng patuloy na pagpapakilala ng mga pagbabago—at mga potensyal na pagbabalik sa dati. Ang mga maliksi na kasanayan at patuloy na paghahatid ay nagdaragdag ng mas maraming tool, pipeline, at automation na kailangan ding isaalang-alang. Ang kakayahang mabilis na matukoy ang isang problema, matukoy ang ugat ng sanhi, at maibalik o malunasan ito sa loob lamang ng ilang minuto ay hindi na kanais-nais kundi isang kinakailangan.
Kasabay nito, isang agwat ng kasanayanNapakalawak ng hanay ng teknolohiya kaya imposibleng maging dalubhasa ang isang tao sa mga database, network, API, seguridad, container, orchestration platform, at mga CI/CD tool. Kailangan ang mga mekanismo upang maunawaan kung paano magkakaugnay ang lahat, ano ang nakadepende sa kung ano, at saan titingin kapag may nangyaring mali. Kung wala ang magkakaugnay na pananaw na ito, maaaring maging napakalaki ng oras na nasasayang sa paglipat-lipat sa pagitan ng mga tool.
At, para sa lahat ng ito, may mga problemang lumalabas "Pagkalapad ng mga kagamitan" o labis na mga kagamitanAng bawat layer ng stack ay karaniwang may kanya-kanyang solusyon sa pagsubaybay: isa para sa database, isa pa para sa imprastraktura, isa pa para sa front end, isa pa para sa mga log, isa pa para sa mga trace… Ang pag-uugnay ng data sa pagitan ng mga ito ay kinabibilangan ng patuloy na pagpapalit ng konteksto, manu-manong paghahanap, at mas mahabang oras ng paglutas ng insidente. Ito ang eksaktong kabaligtaran ng kung ano ang kinakailangan kapag ang application ay down at ang mga user ay nagrereklamo.
Ang sagot sa lahat ng ito ay nasa isang pinag-isang plataporma ng kakayahang maobserbahan na nangongolekta ng lahat ng kaugnay na telemetry, nag-uugnay dito sa mga entity na bumubuo nito, at nagbibigay-daan sa anumang team—development, operations, security, business—na tuklasin at gamitin ang data na iyon mula sa iisang lokasyon. Kabilang dito hindi lamang ang mga sukatan ng performance kundi pati na rin ang mga business event at signal na nagpapakita ng epekto sa ekonomiya ng bawat insidente.
OpenTelemetry bilang isang karaniwang wika ng pagiging mapagmasid
Isa sa mga pinakamalinaw na kalakaran ay ang pagsasama-sama ng OpenTelemetry (OTel) bilang isang pamantayan ng open telemetryIto ay isang open-source framework na tumutukoy sa mga API, SDK, at mga component upang mangolekta ng mga metric, log, at trace sa isang homogenous na paraan, nang hindi nakatali sa isang partikular na tagagawa ng observability tool.
Sa mga susunod na taon, inaasahan na Hinihingi ng mga kumpanya ang pagiging tugma sa OpenTelemetry sa mga vendor nito. Simple lang ang dahilan: sa pamamagitan ng paggamit ng isang "unibersal na wika" upang ilarawan ang telemetry, maaaring magpalit ang isang organisasyon ng mga platform ng observability nang hindi kinakailangang muling isulat o muling i-instrument ang lahat ng code nito. Binabawasan nito ang panganib ng vendor lock-in at nagbibigay ng kakayahang umangkop upang paunlarin ang stack kung kinakailangan.
Kabaligtaran sa mga ganap na pagmamay-ari na solusyon, kung saan ang bawat bagong integrasyon ay nakadepende sa roadmap ng tagagawa, ang OTel Pinapayagan nito ang mga integrasyon na makaligtas sa mga pagbabago sa teknolohiya.Habang lumalabas ang mga bagong serbisyo sa cloud, framework, o runtime, kailangan lang nilang maglabas ng telemetry sa karaniwang format upang maipadala ito sa anumang katugmang backend.
Bukod pa rito, ang paggamit ng OpenTelemetry ay mahalaga sa maayos na pagpapakain ng Artipisyal na KatalinuhanAng mga modelo ng AI, tradisyonal na machine learning, anomaly detection, o generative AI, ay pinakamahusay na gumagana kapag ang data ay malinis, nakabalangkas, at pare-pareho. Ang OTel ay nagbibigay ng eksaktong pare-parehong balangkas para sa pagbuo at paglalagay ng label sa telemetry na ipoproseso ng mga algorithm.
Iminumungkahi ng mga kamakailang pag-aaral na mga organisasyong gumagamit na ng OpenTelemetryKahit bahagyang naipatupad lamang, nakakakita sila ng positibong epekto sa mga tagapagpahiwatig tulad ng paglago ng kita, pinabuting margin ng operasyon, at reputasyon ng tatak. Hindi ito mahika: ang pagkakaroon ng pare-pareho at madaling ma-observe na base ay ginagawang mas madali ang pagtuklas ng mga problema bago pa man ito makaapekto sa customer at ma-optimize ang pagganap ng mga pangunahing serbisyo.
Ang tatlong haligi ng isang modernong kasanayan sa pagmamasid
Higit pa sa pag-aampon ng isang pamantayan tulad ng OTel, ang isang mahusay na kasanayan sa pagmamasid ay nakasalalay sa tatlong pangunahing sangkap na nagpapatibay sa isa't isa: bukas na instrumento, mga konektadong entidad (o datos), at kakayahang magprograma.
La bukas na instrumento Kabilang dito ang pagkolekta ng telemetry mula sa parehong proprietary at open-source na mga ahente. Mga aplikasyon, serbisyo, host, container, serverless function, mobile app, pinamamahalaang mga serbisyo sa cloud—lahat ay dapat na makapaglabas ng mga sukatan, kaganapan, log, at trace sa mga format na maaaring i-standardize. Dito pumapasok ang mga ahente mula sa mga tradisyunal na vendor, pati na rin ang mga exporter at library mula sa OpenTelemetry at iba pang mga open-source na proyekto.
Ang pangalawang bloke ay ang sa mga konektadong entidad at metadataHindi sapat ang basta pag-iipon ng mga sukatan at log; kailangan mong maunawaan kung sino ang bumubuo sa mga ito at kung paano sila nauugnay sa isa't isa. Nangangailangan ito ng pagtukoy sa mga serbisyo, database, pila, function, pod, cluster, cloud account, at pag-uugnay ng kanilang telemetry at mga dependency. Gamit ang kontekstong ito, awtomatikong maire-render ng platform ang mga mapa ng arkitektura, daloy ng tawag, at mga timeline ng insidente nang hindi kinakailangang manu-manong i-configure ng team ang lahat.
Batay diyan, maaaring mag-aplay ang isa katalinuhan at advanced na analyticsSa pamamagitan ng pagtukoy ng mga pattern, anomalya, at ugnayan sa loob ng dataset, makakatulong ang mga platform ng observability na magbigay-priyoridad sa mga alerto, mabawasan ang ingay, matukoy ang mga kumplikadong insidente, at mapabilis ang pagsusuri ng ugat ng problema. Ito ang natural na landas tungo sa lalong proaktibong observability at, gaya ng makikita natin mamaya, tungo sa awtonomiya ng ahente.
Sa wakas ay mayroong ang kakayahang magprogramaAng bawat negosyo ay may mga partikular na pangangailangan: sarili nitong mga KPI, iba't ibang kritikal na proseso, at natatanging mga modelo ng gastos. Ang isang modernong platform ng observability ay dapat magbigay-daan sa pagbuo ng mga pasadyang aplikasyon at view sa ibabaw ng lahat ng telemetry: mga dashboard na pinagsasama ang teknikal na datos sa mga sukatan ng negosyo, pagsusuri ng epekto sa ekonomiya ng mga pagkawala ng kuryente o pagkasira, o mga panloob na aplikasyon upang siyasatin ang mga kumplikadong insidente ayon sa daloy ng trabaho ng kumpanya.
Ang kakayahang "magprograma" sa datos ng obserbasyon ay nagbubukas ng pinto para sa mga pagkakataong magagamit tulad ng sukatin ang tunay na halaga ng isang pagkakamali Sa isang proseso ng pagbabayad, iugnay ito sa teknikal na sanhi (halimbawa, isang regresyon sa isang checkout microservice) at sa gayon ay unahin ang mga pagsisikap sa pagwawasto gamit ang mga pamantayan ng purong epekto sa ekonomiya.
Obserbabilidad na nakatuon sa negosyo: mula sa console hanggang sa kinalabasan
Isa sa mga pangunahing pagbabagong inaasahan ay ang paglipat mula sa isa kakayahang maobserbahan na nakatuon sa teknikal na operasyon sa isa pang malinaw na nakatuon sa negosyo. Ang parehong datos—mga log, trace, metric, event—ay nagsisimulang gamitin hindi lamang upang mapanatili ang imprastraktura, kundi pati na rin upang sagutin ang mga mahahalagang tanong tungkol sa kita, mga gastos, at karanasan ng gumagamit.
Sa mga sektor ng industriya, halimbawa, ang kakayahang maobserbahan ng mga sensor ng IoT ay nagbibigay-daan mahulaan ang mga pagkabigo ng makinarya at i-optimize ang mga plano sa pagpapanatili. Kung may matukoy na abnormal na mga pattern ng panginginig ng boses o mga temperaturang wala sa saklaw, maaaring iiskedyul ang interbensyon bago huminto ang linya ng produksyon, na maiiwasan ang hindi planadong downtime at ang mga kahihinatnan nito sa ekonomiya.
Sa sektor ng pananalapi, sinusuri nang real time ang mga talaan ng transaksyon Nakakatulong ito sa pagtukoy ng mga kahina-hinalang transaksyon na maaaring may kaugnayan sa pandaraya. Kapag nakita ng sistema ang mga hindi pangkaraniwang pagkakasunod-sunod ng kaganapan, hindi pangkaraniwang geolocation, o mga halagang lumalabag sa karaniwang mga pattern, maaari itong mag-trigger ng mga awtomatikong mekanismo ng pagharang o manu-manong pagsusuri bago magtagumpay ang isang pag-atake.
Sa marketing at sales, iniuugnay ang mga bakas ng aplikasyon na may mga sukatan ng kampanya Nagbibigay-daan ito sa iyong sagutin ang mga direktang tanong: Nakakaapekto ba ang latency ng website sa click-through rate o conversion? Aling bersyon ng isang feature ang pinakamahusay na nagpapabuti sa nabigasyon at dwell time? Kung bumaba ang performance sa panahon ng isang campaign, nakakatulong ang observability na matukoy kung gaano karaming potensyal na benta ang nawala at sa kung anong eksaktong punto sa funnel nangyari ang problema.
Ang lahat ng ito ay nagsasangkot ng pagsasalin ng teknikal na telemetrya sa praktikal na kaalaman para sa mga lider ng negosyoHindi ito tungkol sa pagpapakita ng CPU graph sa isang sales director, kundi tungkol sa pagpapakita sa kanila kung gaano karaming transaksyon ang nabigong makumpleto dahil sa pagkasira ng serbisyo at kung ano ang tinantyang gastos. At upang makamit ito, dapat iugnay ng observability ang teknikal na datos, mga kaganapan ng user, at mga sukatan ng negosyo sa loob ng iisang modelo.
Ang mga konsultasyon na dalubhasa sa observability, tulad ng Nettaro, ay tumutulong na sa mga kumpanya at institusyon na upang gawin ang pagluksong ito mula sa isang purong operasyonal na pananaw patungo sa isang estratehikong pananawpagdidisenyo ng mga modelo na nag-uugnay sa mga KPI ng negosyo sa mga real-time telemetry signal.
Mula sa AIOps hanggang sa Agent Observability
Ang pag-ampon ng Artipisyal na Katalinuhan sa mga plataporma ng kakayahang maobserbahan Isa na itong realidad. Karamihan sa mga pangkat ng ITOps ay nagsama ng mga bahagi ng AIOps—mga algorithm na nagsusuri ng malalaking dami ng datos sa operasyon upang matukoy ang mga anomalya, mga kaganapan sa pangkat, o mahulaan ang mga problema—sa kanilang mga daloy ng trabaho.
Sa maraming pagkakataon, isinasama rin ito Generative AI para makipag-ugnayan sa telemetry gamit ang natural na wika: magtanong ng mga tanong sa pakikipag-usap tulad ng "bakit tumaas ang 500 error sa Europe 20 minuto ang nakalipas?" at kumuha ng paliwanag batay sa mga log, metrics, at trace nang hindi kinakailangang bumuo ng mga kumplikadong query.
Gayunpaman, karamihan sa mga desisyon ngayon ay batay sa AI Patuloy silang sinusuri ng mga taoNakakatulong ang mga algorithm sa pagsala ng ingay at pagtukoy ng mga potensyal na sanhi, ngunit pinapanatili ng mga operations team ang kontrol, pinapatunayan ang mga rekomendasyon, at manu-manong isinasagawa ang maraming aksyon sa remediation. Limitado pa rin ang kumpletong tiwala sa mga automated na desisyon.
Ito ay kung saan ang Pagmamasid ng AhenteIto ay isang pamamaraan kung saan ang mga ahente ng AI ay gumaganap ng isang mas awtonomong papel: hindi lamang nila natutukoy ang mga pattern at ipinapaliwanag kung ano ang nangyayari, kundi pati na rin Pinamamahalaan nila ang kumpletong daloy ng trabaho, mula sa pagtukoy ng depekto hanggang sa pagpapatupad ng naaangkop na solusyon.
Sa modelong ito, maaaring, halimbawa, matukoy ng isang ahente ang isang maanomalyang pagtaas sa latency ng isang kritikal na serbisyo, iugnay ito sa isang partikular na deployment, suriin ang kasaysayan ng mga katulad na insidente, at magpasya para sa sarili nito kung maglunsad ng rollback, mag-scale ng kapasidad, o maglapat ng alternatibong configurationAng lahat ng ito ay detalyadong itinatala para sa pag-awdit at posibleng kasunod na pagsusuri ng tao.
Sa kasalukuyan, kakaunti lamang na mga kumpanya ang gumagamit nito Pagmamasid sa Aktibong Ahentegamit ang awtomatikong remediation at advanced na paghula ng problema. Ngunit ipinapahiwatig ng mga pagtataya na ang pag-aampon nito ay lalago nang malaki, na dulot ng paghahanap para sa mas mataas na produktibidad sa mga IT team at ang pangangailangang bawasan ang oras na ginugugol nila sa mga paulit-ulit na gawain sa pagpapanatili.
Mga limitasyon ng manu-manong pangangasiwa at ang pangangailangan para sa awtonomiya
Mas mauunawaan ang pangangailangan para sa mga ahente na nagtatrabaho sa sarili kung titingnan natin ang mga matinding kaso tulad ng kakayahang maobserbahan ang malaking modelo ng wika (LLM)Ang manu-manong pagsubaybay sa mga ganitong uri ng sistema ay isang halos imposibleng gawain: napakalaki ng dami ng data, pinagsasama ng mga arkitektura ang maraming distributed component, at ang pangangailangan para sa real-time na pagsubaybay ay patuloy.
Ang kasaganaan ng mga tala at sukatan ang dahilan kung bakit Napakabagal ng pagtukoy ng mga problema nang manu-manoAnumang pagkaantala sa pagtukoy ng pagbabago sa pag-uugali, pagtaas ng mga error, o pagbaba ng kalidad ng mga tugon ay maaaring magkaroon ng malubhang kahihinatnan sa mga kapaligiran ng produksyon, kapwa sa mga tuntunin ng karanasan ng gumagamit at reputasyon at pagsunod sa mga regulasyon.
Bukod pa rito, ang manu-manong pagmamasid ay kumukunsumo ng maraming yamang-tao; madaling magkamali at hindi maayos ang pag-scale Habang lumalaki ang bilang ng mga modelo, instance, o integrasyon sa mga aplikasyon sa negosyo, ang maaaring gumana sa isang pilot na may ilang user lamang ay nagiging isang bottleneck kapag ang sistema ay inilunsad sa buong organisasyon.
Samakatuwid, sa mga kumplikadong kapaligiran tulad ng mga may kinalaman sa LLM o mga arkitekturang lubos na ipinamamahagi, ang pangangailangan para sa mga solusyon sa autonomous observabilityPinag-uusapan natin ang mga sistemang may kakayahang patuloy na suriin ang telemetry, tuklasin ang mga paglihis, magmungkahi o magsagawa ng mga pagwawasto, at matuto mula sa bawat interbensyon upang mapabuti ang kanilang bisa sa paglipas ng panahon.
Mga ahente ng vision-action at automation sa mga interface
Ang pagsulong ng AI ay hindi limitado sa larangan ng "klasikal" na kakayahang maobserbahan. Pananaliksik ng mga kumpanyang tulad ng NVIDIA, na may mga proyektong tulad ng Nitrogen Ito ang mga modelong nagtutulak na pinagsasama ang mga kakayahan sa paningin at pagkilos: mga ahente na nagmamasid sa isang screen, hinuhulaan ang estado ng kapaligiran at nagpapasya kung ano ang susunod na gagawin, nang walang mga partikular na integrasyon sa sistemang kanilang kinokontrol.
Sa teknikal na aspeto, kabilang dito ang pagsasanay sa isang modelo gamit ang malaking korporasyon ng mga video ng mga laro o interaksyon upang matutunan nilang iugnay ang kanilang nakikita sa mga aksyon na gagawin ng isang eksperto. Nagtatrabaho sila sa mga pagkakasunod-sunod ng oras, diskretisasyon ng galaw, mga pangmatagalang layunin, at pag-optimize sa ilalim ng maraming limitasyon tulad ng latency o stability.
Bagama't ang pinakanakikitang halimbawa ay ang paglalaro, ang pamamaraang ito na may vision-action ay may napakalaking potensyal sa negosyo: pinapayagan nito ang paglikha ng mga ahente na gumagana sa mga graphical interface kumbensyonal, pag-navigate sa mga kumplikadong aplikasyon, pagpapatakbo ng mga paulit-ulit na daloy, pagpapatunay ng mga proseso, o pagsasagawa ng mga end-to-end na pagsubok nang hindi nangangailangan ng mga partikular na API.
Ito ay kumakatawan sa isang uri ng natural na ebolusyon ng tradisyonal na RPA tungo sa isang Mas matalino, mas kontekstwal na automationKabilang sa mga karaniwang gamit ang awtomatikong pagsubok ng software na ginagaya ang totoong pag-uugali ng gumagamit, gabay na suporta na kinokopya ang dapat gawin ng isang empleyado sa bawat pag-click, pagbuo ng sintetikong datos para sa QA, o "digital twins" na kinokopya ang aktibidad ng tao sa mga sistema ng korporasyon.
Para maging mabisa ang lahat ng ito, isang matibay na balangkas para sa cybersecurity, pamamahala, at kakayahang maobserbahanAng mga ahente na nakikipag-ugnayan sa mga kritikal na interface at sistema ay dapat sumunod sa mga patakaran sa pag-access, iwasan ang mga mapanganib na aksyon, itala ang bawat hakbang para sa mga layunin ng pag-awdit, at gumana sa loob ng malinaw na tinukoy na mga hangganan. Ang pagiging mapagmasid dito ay gumaganap bilang parehong "black box" at "toolbox": itinatala nito ang ginagawa ng ahente at nagbibigay ng datos upang i-calibrate at mapabuti ang pag-uugali nito.
Seguridad, pamamahala, at Zero Trust sa panahon ng mga ahente ng AI
Ang paglawak ng agentive AI at mga autonomous system ay may dala Mga bagong panganib na dapat maingat na pamahalaanIsa sa mga pinakatinatalakay ay ang tinatawag na "shadow AI": mga ahente, modelo o integrasyon na inilulunsad sa labas ng mga opisyal na channel ng organisasyon, nang walang sapat na seguridad o mga kontrol sa pagsunod sa mga regulasyon.
Nariyan din ang panganib ng mga dobleng ahente o mga malisyosong ahenteMaaari itong mangyari alinman sa pamamagitan ng disenyo (mga panlabas na pag-atake, mabilis na manipulasyon, iniksyon ng instruksyon) o dahil sa mga error sa configuration na nagpapahintulot sa isang sistemang may mabuting intensyon na magsagawa ng mga hindi inaasahang aksyon. Upang mabawasan ang mga panganib na ito, mahalagang ilapat ang mga prinsipyo ng Zero Trust partikular na patungkol sa Artificial Intelligence.
Ang ibig sabihin ng Zero Trust sa kontekstong ito ay Walang ahente o bahagi ng AI ang itinuturing na "maaasahan" bilang default.Ang bawat aksyon ay dapat na tahasang awtorisado, ang mga pahintulot ay dapat na limitado sa pinakamababang kinakailangan (prinsipyo ng pinakamababang pribilehiyo), at lahat ng interaksyon ay dapat na itala para sa pag-awdit sa ibang pagkakataon. Samakatuwid, ang pagiging mapagmasid ay nagiging isang mahalagang elemento ng pamamahala ng AI.
Ang pagkakaroon ng mahusay na kakayahang maobserbahan ay nagbibigay-daan para sa real-time na pagsubaybay sa ginagawa ng mga ahente, pagtuklas ng mga hindi pangkaraniwang pag-uugali, pagpapatunay ng mga patakaran sa pag-access, at pagkakaroon ng kumpletong ebidensya kung sakaling magkaroon ng mga insidente. Ang mga kagamitan tulad ng mga listahan ng mga pinahihintulutang aksyon, mga pagsusuri ng tao sa mga kritikal na loop, pagdidisimpekta ng sensitibong data, at mga kontrol sa lokasyon ng computing (on-premises, public cloud, sovereign cloud) ay mahahalagang elemento ng isang mahusay na checklist. epektibong pamamahala ng AI.
Sa ganitong sitwasyon, mahalagang hanapin ang balanse sa pagitan ng inobasyon at kontrolNais ng mga organisasyon na lubos na samantalahin ang potensyal ng agentic AI upang makakuha ng produktibidad at kakayahang makipagkumpitensya, ngunit nang hindi isinasakripisyo ang seguridad, pagsunod sa mga regulasyon, o transparency sa awtomatikong paggawa ng desisyon.
Data, imprastraktura, at AI bilang pundasyonal na patong ng negosyo
Sa mas malawak na pananaw, ang AI ay umuunlad mula sa isang karagdagang kagamitan patungo sa pagiging isang istrukturang patong kung saan nakabatay ang kompetisyong pang-ekonomiyaAng lahat ay umiikot sa transpormasyong iyon: mga estratehiya sa datos, arkitektura ng cloud, disenyo ng hardware, mga modelo ng workforce, at maging ang mga pambansang patakaran sa digital na imprastraktura.
Sa isang kamay, Pinagsasama-sama ang datos bilang pangunahing tagapagpaiba ng kompetisyonHabang nagiging mas karaniwan ang pagkokompyut at pagmomodelo, ang nagpapaiba ay ang pagkakaroon ng sarili mong mataas na kalidad at maayos na pinamamahalaang datos. Ang pagiging mapagmasid, sa pamamagitan ng pagkuha ng mayaman at kontekstwal na telemetry, ay nagiging isa sa pinakamahalagang mapagkukunan ng datos para sa mga sistema ng AI na nagbibigay ng kuryente at pagbutihin ang mga proseso.
Sa kabilang banda, ang Ang imprastraktura ng AI ay nagsisimula nang makita bilang isang estratehikong pambansang assetAng pag-usbong ng mga sovereign cloud ay tumutugon sa pangangailangang kontrolin kung saan iniimbak at pinoproseso ang sensitibong data, kung paano sinasanay ang mga modelo, at sa ilalim ng kung anong mga balangkas ng regulasyon ang mga ito ay pinapatakbo. Namumuhunan ang mga bansa sa mga data center na na-optimize para sa mga workload ng AI, matipid sa enerhiya, at naaayon sa mga kinakailangan sa pagsunod.
Ang lahat ng ito ay kasabay ng isang pinabilis na modernisasyon ng mga data centerDahil sa mga pangangailangan sa enerhiya at pagpapalamig ng mga workload ng AI at mga agent system, ang kahusayan sa enerhiya ay hindi na lamang isang isyu sa operasyon kundi naging isang naglilimitang salik para sa inobasyon at isang kinakailangan sa pagsunod sa kapaligiran.
Kasabay nito, napipilitan ang mga kumpanya na sanayin muli ang mga manggagawa nitoAng layunin ay hindi gawing programmer ang lahat, kundi sanayin ang mga propesyonal na may kakayahang mag-orkestra at gamitin ang mga autonomous system na ito: mga eksperto sa negosyo na pinapagana ng AI, mga inhinyero na maaaring magsalin ng mga pangangailangan sa operasyon tungo sa mga patakaran sa pagmamasid at seguridad, at mga hybrid na tungkulin na nakakaintindi sa parehong teknikal at ekonomikong epekto ng mga desisyon.
Kung pagsasama-samahin, ang ebolusyong ito ay humahantong sa isang senaryo kung saan ang mas bukas at awtonomong kakayahang maobserbahan Ito ang nagiging pandikit na nag-uugnay sa teknolohiya, negosyo, at regulasyon: ginagarantiyahan ng mga pamantayan tulad ng OpenTelemetry ang kadalian sa pagdadala at kalidad ng datos, binabawasan ng AI at Agent Observability ang pagiging kumplikado ng operasyon at pinapabilis ang pagtugon sa mga insidente, at tinitiyak ng pamamahala at mga kasanayan sa Zero Trust na ang lahat ng ito ay nangyayari nang may kontrol, ligtas, at may tunay na kakayahang ma-awdit.
Ang mga organisasyong makakapagpahayag nang malinaw sa kombinasyong ito – standardized telemetry, pinag-isang plataporma, pagtuon sa mga resulta ng negosyo, at mga ahente ng AI na pinamamahalaan nang may mahusay na kakayahang maobserbahan – ay magiging nasa pinakamahusay na posisyon upang makipagkumpitensya sa isang kapaligiran kung saan ang mga digital na sistema ay lalong nagiging kritikal, kumplikado, at nagsasarili, ngunit mas may kakayahang makabuo ng nasasalat na halaga kapag pinamamahalaan nang may tamang visibility.
