یک دستیار مبتنی بر هوش مصنوعی وظایف آمادهباش (on-call) من را به مدت هفت روز مدیریت کرد، ۱۱ هشدار را پردازش کرد و میانگین زمان من برای رفع مشکل را از ۴۵ دقیقه به ۲۰ دقیقه کاهش داد. این آزمایش از این جهت اهمیت دارد که یک مدل زبانی با محدوده عملکردی متوسط میتواند زمان پاسخگویی به حوادث را نیم ساعت کاهش دهد، در حالی که همچنان نیازمند نظارت دقیق انسانی است.
چرا یک هوش مصنوعی را در شیفت آمادهباش قرار دادم
تیمهای ابری بیشتر وقت شیفت خود را صرف جستجو در لاگها، بررسی استقرارهای (deployments) اخیر و تأیید ایمن بودن درخواستهای مقیاسپذیری (scaling) میکنند. این وظایف «کسلکننده» تکراری، دادهمحور و مستعد خستگی انسانی هستند. پیشرفتهای اخیر در مدلهای زبانی بزرگ نویدبخش خودکارسازی دقیق این نوع کارهای الگویابی (pattern-matching) بودهاند، اما بیشتر دموهای عمومی در
یک عامل هوش مصنوعی هنوز نمیتواند یک عملیات ابری را به تنهایی مدیریت کند، اما به عنوان یک شریک در فرآیند اولویتبندی و تشخیص، در حال حاضر بهبودهای ملموسی در سرعت ایجاد میکند. نکته کلیدی این است که سطح اطمینان را کنترل کنید، محدودیتهای کنترلی سختگیرانهای اعمال کنید و اجازه دهید مدل کارهای تکراری و طاقتفرسا را انجام دهد، در حالی که تخصص انسانی تصمیمات حیاتی را هدایت میکند.