La Khả năng quan sát đã chuyển từ một chủ đề kỹ thuật chuyên biệt trở thành một trụ cột chiến lược. Đối với bất kỳ tổ chức nào dựa vào phần mềm—mà hầu như tất cả đều vậy—việc chỉ đơn giản “giám sát máy chủ” hoặc xem các bảng điều khiển riêng lẻ không còn đủ nữa. Các công ty cần hiểu điều gì đang xảy ra trong hệ thống của họ theo thời gian thực, kết nối dữ liệu đó với hoạt động kinh doanh và phản ứng nhanh chóng khi có sự cố. Và trên hết, họ phải làm điều đó trong một môi trường ngày càng phụ thuộc vào phần mềm. Trí tuệ nhân tạo tác nhân, tiêu chuẩn mở và kiến trúc phân tán.
Trong trường hợp này, xu hướng rõ ràng đang hướng tới... Khả năng quan sát minh bạch hơn, liên kết chặt chẽ hơn với kết quả kinh doanh và tính tự chủ cao hơn nhiều.OpenTelemetry đang dần trở thành ngôn ngữ chung cho việc thu thập dữ liệu từ xa, trí tuệ nhân tạo (AI) đang vượt ra khỏi phạm vi thử nghiệm để được tích hợp vào cốt lõi của các nền tảng quan sát, và các nhóm CNTT đang chuyển mình thành những người điều phối các hệ thống thông minh có khả năng phát hiện, phân tích và thậm chí tự động khắc phục sự cố. Hãy cùng phân tích sự thay đổi này đang diễn ra như thế nào và những tác động của nó đối với công nghệ, kinh doanh, bảo mật và quản trị dữ liệu.
Từ giám sát cổ điển đến kỷ nguyên quan sát
Sự tiến hóa từ hướng tới giám sát truyền thống và khả năng quan sát hiện đại. Điều này bắt nguồn từ rất lâu. Khi các công cụ APM tiên phong xuất hiện, chẳng hạn như những công cụ được Lew Cirne phổ biến với New Relic, tin tức lớn nhất là khả năng xem chi tiết những gì mã của một ứng dụng nguyên khối đang thực hiện trong trung tâm dữ liệu thuộc sở hữu của công ty. Đó là một cuộc cách mạng: lần đầu tiên, các nhóm có thể quan sát hiệu suất của các ứng dụng sản xuất của họ với độ chi tiết rất cao.
Với sự xuất hiện của điện toán đám mây, kiến trúc vi mô, container, điện toán phi máy chủ, và các thực tiễn DevOps và SRECảnh quan đã thay đổi hoàn toàn. Sự chuyển đổi từ hệ thống nguyên khối sang hệ thống phân tán đồng nghĩa với việc khả năng hiển thị tại một thời điểm nhất định không còn đủ nữa. Một dịch vụ không còn là một ứng dụng đơn lẻ, mà là một tập hợp các dịch vụ nhỏ tạm thời, được điều phối trên các nền tảng như Kubernetes, được triển khai hàng chục lần mỗi ngày và chạy trên cơ sở hạ tầng lai với nhiều nhà cung cấp dịch vụ đám mây khác nhau.
Trong môi trường đó, phương pháp giám sát truyền thống, tập trung vào các chỉ số được xác định trước và các cảnh báo tĩnh, tỏ ra không hiệu quả. Khả năng quan sát mang đến một cách tiếp cận khác: thu thập và đối chiếu các số liệu, nhật ký, dấu vết và sự kiện. Để suy luận trạng thái bên trong của hệ thống từ các đầu ra bên ngoài. Vấn đề không chỉ là biết rằng có điều gì đó đã xảy ra lỗi, mà còn là hiểu tại sao nó xảy ra và tác động của nó đến người dùng và doanh nghiệp.
Tác giả thích Yury Shukuro Sự khác biệt này được tóm tắt rất rõ ràng: việc giám sát đo lường những gì đã được quyết định trước đó là quan trọng, trong khi khả năng quan sát cho phép bạn đặt ra những câu hỏi mới về hệ thống mà không cần phải chuẩn bị trước tất cả các chỉ số. Nói cách khác, Khả năng quan sát biến dữ liệu đo từ xa thành ngữ cảnh có thể hành động được. phục vụ cho việc phát triển, vận hành và kinh doanh.
Sự chuyển đổi này cũng được thúc đẩy bởi những yếu tố rất cụ thể: a Áp lực khủng khiếp buộc phải đổi mới nhanh chóngKhách hàng ngày càng khó tính và sẵn sàng bỏ ứng dụng chỉ vì lỗi nhỏ nhất, cùng với vô số công nghệ và dịch vụ quản lý khác nhau, và một nhu cầu ngày càng tăng. tự động hóa toàn bộ vòng đời phần mềmTất cả quá trình tự động hóa đó cũng là phần mềm có thể gặp lỗi và cần được giám sát.
Sự phức tạp, rủi ro và quá nhiều công cụ: tại sao khả năng quan sát lại quan trọng
Kiến trúc hiện đại đặt ra bốn vấn đề nan giải lớn, khiến cho... Khả năng quan sát là điều gần như bắt buộc. Nếu bạn muốn duy trì quyền kiểm soát:
Trước hết, Độ phức tạp đã tăng vọtMột container có thể tồn tại trong vài phút hoặc vài giây, một microservice có thể thay đổi phiên bản nhiều lần trong một ngày, và các thành phần cứ thế nhân lên. Ứng dụng nguyên khối trước đây giờ trở thành một tập hợp các dịch vụ liên kết với nhau. Các nhóm vận hành phải đối phó với hàng trăm hoặc hàng nghìn thực thể liên tục thay đổi, nhiều trong số đó họ không tự phát triển.
Thêm vào đây là một nguy cơ gia tăng rõ rệtViệc triển khai nhiều lần trong ngày đồng nghĩa với việc liên tục đưa ra các thay đổi—và khả năng phải hoàn tác. Các phương pháp Agile và phân phối liên tục bổ sung thêm nhiều công cụ, quy trình và tự động hóa cần được xem xét. Khả năng nhanh chóng phát hiện sự cố, xác định nguyên nhân gốc rễ và hoàn tác hoặc khắc phục sự cố chỉ trong vài phút không còn là điều mong muốn mà là một yêu cầu bắt buộc.
Song song đó, một khoảng cách kỹ năngHệ thống công nghệ này quá rộng lớn đến nỗi một người không thể nào nắm vững tất cả các khía cạnh như cơ sở dữ liệu, mạng, API, bảo mật, container, nền tảng điều phối và công cụ CI/CD. Cần có các cơ chế để giúp hiểu được mọi thứ kết hợp với nhau như thế nào, cái gì phụ thuộc vào cái gì và cần tìm kiếm ở đâu khi xảy ra sự cố. Nếu không có cái nhìn tổng quan này, thời gian lãng phí do phải chuyển đổi giữa các công cụ có thể rất lớn.
Và, tệ hơn nữa, các vấn đề phát sinh với “Sự dư thừa công cụ” hay số lượng công cụ quá nhiềuMỗi lớp trong kiến trúc hệ thống thường có giải pháp giám sát riêng: một cho cơ sở dữ liệu, một cho cơ sở hạ tầng, một cho giao diện người dùng, một cho nhật ký, một cho dấu vết… Việc đối chiếu dữ liệu giữa chúng đòi hỏi phải liên tục chuyển đổi ngữ cảnh, tìm kiếm thủ công và thời gian giải quyết sự cố lâu hơn. Điều này hoàn toàn trái ngược với những gì cần thiết khi ứng dụng gặp sự cố và người dùng đang phàn nàn.
Câu trả lời cho tất cả điều này nằm ở... nền tảng quan sát thống nhất Hệ thống này thu thập tất cả dữ liệu đo từ xa có liên quan, kết nối chúng với các thực thể tạo ra chúng và cho phép bất kỳ nhóm nào—phát triển, vận hành, bảo mật, kinh doanh—khám phá và tận dụng dữ liệu đó từ một vị trí duy nhất. Điều này không chỉ bao gồm các chỉ số hiệu suất mà còn cả các sự kiện và tín hiệu kinh doanh tiết lộ tác động kinh tế của mỗi sự cố.
OpenTelemetry như một ngôn ngữ chung về khả năng quan sát
Một trong những xu hướng rõ ràng nhất là sự hợp nhất của OpenTelemetry (OTel) là một tiêu chuẩn đo từ xa mở.Đây là một khung phần mềm mã nguồn mở định nghĩa các API, SDK và các thành phần để thu thập số liệu, nhật ký và dấu vết một cách đồng nhất, mà không bị ràng buộc với bất kỳ nhà sản xuất công cụ quan sát cụ thể nào.
Trong những năm tới, dự kiến rằng Các công ty yêu cầu khả năng tương thích với OpenTelemetry. với các nhà cung cấp của nó. Lý do rất đơn giản: bằng cách sử dụng một “ngôn ngữ chung” để mô tả dữ liệu đo từ xa, một tổ chức có thể chuyển đổi nền tảng quan sát mà không cần phải viết lại hoặc lập trình lại toàn bộ mã của mình. Điều này giảm thiểu rủi ro bị phụ thuộc vào nhà cung cấp và cung cấp sự linh hoạt để phát triển hệ thống khi cần thiết.
Trái ngược với các giải pháp độc quyền hoàn toàn, trong đó mỗi lần tích hợp mới phụ thuộc vào lộ trình phát triển của nhà sản xuất, OTel Điều này cho phép các hệ thống tích hợp có thể tồn tại qua những thay đổi công nghệ.Khi các dịch vụ đám mây, khung phần mềm hoặc môi trường chạy mới xuất hiện, chúng chỉ cần phát ra dữ liệu đo lường theo định dạng chuẩn để có thể gửi đến bất kỳ hệ thống phụ trợ nào tương thích.
Hơn nữa, việc sử dụng OpenTelemetry là yếu tố then chốt. Cung cấp thông tin đúng cách cho Trí tuệ nhân tạoCác mô hình AI, dù là học máy truyền thống, phát hiện bất thường hay AI tạo sinh, hoạt động hiệu quả nhất khi dữ liệu sạch, có cấu trúc và nhất quán. OTel cung cấp chính xác khung dữ liệu thống nhất đó để tạo và gắn nhãn dữ liệu đo từ xa mà các thuật toán sẽ xử lý sau đó.
Các nghiên cứu gần đây cho thấy rằng các tổ chức hiện đang sử dụng OpenTelemetryNgay cả khi chỉ được triển khai một phần, họ vẫn nhận thấy tác động tích cực đến các chỉ số như tăng trưởng doanh thu, cải thiện biên lợi nhuận hoạt động và uy tín thương hiệu. Điều này không phải là phép thuật: việc có một nền tảng quan sát nhất quán và dễ sử dụng giúp dễ dàng phát hiện các vấn đề trước khi chúng ảnh hưởng đến khách hàng và tối ưu hóa hiệu suất của các dịch vụ quan trọng.
Ba trụ cột của một thực tiễn quan sát hiện đại
Ngoài việc áp dụng một tiêu chuẩn như OTel, một phương pháp giám sát hiệu quả còn dựa trên... ba thành phần cơ bản bổ trợ lẫn nhau: công cụ mở, các thực thể (hoặc dữ liệu) được kết nối và khả năng lập trình.
La thiết bị đo mở Việc này bao gồm thu thập dữ liệu đo từ xa từ cả các tác nhân độc quyền và mã nguồn mở. Các ứng dụng, dịch vụ, máy chủ, container, hàm không máy chủ, ứng dụng di động, dịch vụ đám mây được quản lý—tất cả đều phải có khả năng phát ra các chỉ số, sự kiện, nhật ký và dấu vết ở các định dạng có thể được chuẩn hóa. Đây là nơi các tác nhân từ các nhà cung cấp truyền thống phát huy tác dụng, cũng như các trình xuất và thư viện từ OpenTelemetry và các dự án mã nguồn mở khác.
Khối thứ hai là của các thực thể được kết nối và siêu dữ liệuViệc chỉ thu thập số liệu và nhật ký là chưa đủ; bạn cần hiểu ai tạo ra chúng và chúng liên quan đến nhau như thế nào. Điều này đòi hỏi phải xác định các dịch vụ, cơ sở dữ liệu, hàng đợi, chức năng, pod, cụm, tài khoản đám mây và liên kết dữ liệu đo từ xa cũng như các mối quan hệ phụ thuộc của chúng. Với bối cảnh này, nền tảng có thể tự động hiển thị sơ đồ kiến trúc, luồng cuộc gọi và dòng thời gian sự cố mà không cần nhóm phải cấu hình mọi thứ thủ công.
Dựa trên đó, người ta có thể áp dụng trí tuệ và phân tích nâng caoBằng cách xác định các mẫu, điểm bất thường và mối tương quan trong tập dữ liệu, các nền tảng quan sát có thể giúp ưu tiên cảnh báo, giảm nhiễu, phát hiện các sự cố phức tạp và đẩy nhanh quá trình phân tích nguyên nhân gốc rễ. Đây là con đường tự nhiên hướng tới khả năng quan sát ngày càng chủ động và, như chúng ta sẽ thấy sau này, hướng tới khả năng tự chủ tác động.
Cuối cùng có khả năng lập trìnhMỗi doanh nghiệp đều có những nhu cầu riêng: các chỉ số KPI riêng, các quy trình quan trọng khác nhau và mô hình chi phí độc đáo. Một nền tảng giám sát hiện đại phải cho phép xây dựng các ứng dụng và giao diện tùy chỉnh dựa trên tất cả dữ liệu đo lường: bảng điều khiển kết hợp dữ liệu kỹ thuật với các chỉ số kinh doanh, phân tích tác động kinh tế của sự cố ngừng hoạt động hoặc suy giảm hiệu suất, hoặc các ứng dụng nội bộ để điều tra các sự cố phức tạp theo quy trình làm việc của công ty.
Khả năng "lập trình" dựa trên dữ liệu quan sát này mở ra nhiều trường hợp sử dụng như sau: Định lượng chi phí thực tế của một sai lầm Trong quy trình thanh toán, hãy liên hệ nó với nguyên nhân kỹ thuật (ví dụ: lỗi hồi quy trong dịch vụ vi mô thanh toán) và từ đó ưu tiên các nỗ lực khắc phục dựa trên tiêu chí tác động kinh tế thuần túy.
Khả năng quan sát theo định hướng kinh doanh: từ giao diện điều khiển đến kết quả
Một trong những chuyển đổi lớn được dự đoán là sự dịch chuyển từ một Khả năng quan sát tập trung vào hoạt động kỹ thuật. sang một mục đích rõ ràng hơn, hướng đến kinh doanh. Cùng một loại dữ liệu—nhật ký, dấu vết, số liệu, sự kiện—bắt đầu được sử dụng không chỉ để duy trì cơ sở hạ tầng mà còn để Giải đáp các câu hỏi quan trọng về doanh thu, chi phí và trải nghiệm người dùng..
Ví dụ, trong các lĩnh vực công nghiệp, khả năng quan sát của các cảm biến IoT cho phép... dự đoán sự cố máy móc và tối ưu hóa kế hoạch bảo trì. Nếu phát hiện các kiểu rung động bất thường hoặc nhiệt độ vượt quá phạm vi cho phép, việc can thiệp có thể được lên kế hoạch trước khi dây chuyền sản xuất dừng lại, ngăn ngừa thời gian ngừng hoạt động ngoài dự kiến và những hậu quả kinh tế của nó.
Trong lĩnh vực tài chính, việc phân tích theo thời gian thực là rất quan trọng. nhật ký giao dịch Hệ thống này giúp xác định các giao dịch đáng ngờ có thể liên quan đến gian lận. Khi hệ thống phát hiện các chuỗi sự kiện bất thường, vị trí địa lý bất thường hoặc số tiền không tuân theo các quy luật thông thường, nó có thể kích hoạt các cơ chế chặn tự động hoặc xem xét thủ công trước khi cuộc tấn công thành công.
Trong lĩnh vực tiếp thị và bán hàng, việc tương quan giữa Theo dõi ứng dụng với số liệu chiến dịch Nó cho phép bạn trả lời những câu hỏi rất trực tiếp: Độ trễ của trang web có ảnh hưởng đến tỷ lệ nhấp chuột hay tỷ lệ chuyển đổi không? Phiên bản nào của một tính năng giúp cải thiện điều hướng và thời gian lưu lại trên trang tốt nhất? Nếu hiệu suất giảm trong một chiến dịch, khả năng quan sát giúp xác định có bao nhiêu đơn hàng tiềm năng đã bị mất và vấn đề xảy ra chính xác ở điểm nào trong phễu bán hàng.
Tất cả những điều này liên quan đến việc chuyển đổi dữ liệu đo từ xa kỹ thuật thành... Kiến thức hữu ích cho các nhà lãnh đạo doanh nghiệpVấn đề không phải là cho giám đốc bán hàng xem biểu đồ CPU, mà là cho họ thấy có bao nhiêu giao dịch không hoàn tất do sự suy giảm chất lượng dịch vụ và chi phí ước tính là bao nhiêu. Và để đạt được điều này, khả năng quan sát phải liên kết dữ liệu kỹ thuật, sự kiện người dùng và các chỉ số kinh doanh trong cùng một mô hình.
Các công ty tư vấn chuyên về giám sát hệ thống, chẳng hạn như Nettaro, hiện đang hỗ trợ các công ty và tổ chức trong việc này. để thực hiện bước nhảy vọt này từ tầm nhìn thuần túy về mặt vận hành sang tầm nhìn chiến lược.Thiết kế các mô hình kết nối các chỉ số KPI kinh doanh với tín hiệu đo từ xa theo thời gian thực.
Từ AIOps đến khả năng quan sát tác nhân
Việc chấp nhận Trí tuệ nhân tạo trong các nền tảng quan sát Điều đó đã trở thành hiện thực. Hầu hết các nhóm ITOps đã tích hợp các thành phần AIOps—các thuật toán phân tích khối lượng lớn dữ liệu vận hành để phát hiện các bất thường, nhóm các sự kiện hoặc dự đoán sự cố—vào quy trình làm việc của họ.
Trong nhiều trường hợp, nó cũng đang được tích hợp. Trí tuệ nhân tạo Tương tác với dữ liệu đo từ xa bằng ngôn ngữ tự nhiên: đặt các câu hỏi đàm thoại như "Tại sao số lỗi lại tăng lên 500 ở châu Âu cách đây 20 phút?" và nhận được lời giải thích dựa trên nhật ký, số liệu và dấu vết mà không cần phải xây dựng các truy vấn phức tạp.
Tuy nhiên, ngày nay hầu hết các quyết định đều dựa trên trí tuệ nhân tạo. Chúng vẫn đang được mọi người xem xét.Các thuật toán giúp lọc bỏ nhiễu và xác định các nguyên nhân tiềm ẩn, nhưng các nhóm vận hành vẫn duy trì quyền kiểm soát, xác nhận các khuyến nghị và thực hiện thủ công nhiều hành động khắc phục. Niềm tin hoàn toàn vào các quyết định tự động vẫn còn hạn chế.
Đây là nơi Khả năng quan sát của tác nhânĐây là một phương pháp trong đó các tác nhân AI đảm nhận vai trò tự chủ hơn nhiều: chúng không chỉ phát hiện các mẫu và giải thích những gì đang xảy ra, mà còn Họ quản lý toàn bộ quy trình làm việc.Từ việc xác định lỗi đến việc triển khai giải pháp phù hợp.
Trong mô hình này, một tác nhân có thể, ví dụ, phát hiện sự gia tăng bất thường về độ trễ của một dịch vụ quan trọng, liên hệ nó với một triển khai cụ thể, kiểm tra lịch sử các sự cố tương tự và tự quyết định xem liệu có nên thực hiện điều đó hay không. Khởi chạy quá trình khôi phục, mở rộng dung lượng hoặc áp dụng cấu hình thay thế.Tất cả những điều này đều được ghi chép chi tiết để phục vụ cho việc kiểm toán và xem xét lại bởi con người trong tương lai.
Hiện tại, chỉ một số ít công ty sử dụng điều này. Khả năng quan sát tác nhân chủ độngVới khả năng tự động khắc phục sự cố và dự đoán vấn đề nâng cao. Tuy nhiên, các dự báo cho thấy việc áp dụng công nghệ này sẽ tăng trưởng đáng kể, được thúc đẩy bởi nhu cầu tìm kiếm năng suất cao hơn trong các nhóm CNTT và nhu cầu giảm thời gian họ dành cho các tác vụ bảo trì lặp đi lặp lại.
Những hạn chế của việc giám sát thủ công và nhu cầu về tính tự chủ
Nhu cầu về các đại lý tự do sẽ được hiểu rõ hơn nếu chúng ta xem xét các trường hợp đặc biệt như sau: khả năng quan sát mô hình ngôn ngữ lớn (LLM)Việc giám sát thủ công các hệ thống loại này là một nhiệm vụ gần như bất khả thi: khối lượng dữ liệu khổng lồ, kiến trúc kết hợp nhiều thành phần phân tán và nhu cầu giám sát thời gian thực là liên tục.
Sự phong phú của các hồ sơ và số liệu khiến nó trở nên... Việc xác định vấn đề bằng tay rất chậm.Bất kỳ sự chậm trễ nào trong việc phát hiện sự thay đổi hành vi, sự gia tăng lỗi hoặc sự suy giảm chất lượng phản hồi đều có thể gây ra hậu quả nghiêm trọng trong môi trường sản xuất, cả về trải nghiệm người dùng, uy tín và việc tuân thủ quy định.
Hơn nữa, việc quan sát thủ công tiêu tốn rất nhiều nguồn nhân lực; dễ xảy ra lỗi và không có khả năng mở rộng tốt. Khi số lượng mô hình, phiên bản hoặc sự tích hợp với các ứng dụng kinh doanh tăng lên, những gì có thể hoạt động tốt trong giai đoạn thử nghiệm với một vài người dùng lại trở thành điểm nghẽn khi hệ thống được triển khai trên toàn bộ tổ chức.
Do đó, trong các môi trường phức tạp như môi trường liên quan đến LLM hoặc kiến trúc phân tán cao, nhu cầu về giải pháp quan sát tự độngChúng ta đang nói về các hệ thống có khả năng liên tục phân tích dữ liệu đo từ xa, phát hiện sai lệch, đề xuất hoặc thực hiện các hành động khắc phục và học hỏi từ mỗi lần can thiệp để cải thiện hiệu quả theo thời gian.
Các tác nhân thị giác-hành động và tự động hóa trên giao diện
Sự phát triển của trí tuệ nhân tạo không chỉ giới hạn trong phạm vi quan sát "cổ điển". Nghiên cứu của các công ty như NVIDIA, với các dự án như... NitroGen Nó đang thúc đẩy các mô hình kết hợp khả năng quan sát và hành động: các tác nhân quan sát màn hình, suy luận trạng thái của môi trường và quyết định hành động tiếp theo, mà không cần tích hợp cụ thể với hệ thống mà chúng đang điều khiển.
Về mặt kỹ thuật, điều này bao gồm việc huấn luyện một mô hình với kho dữ liệu lớn gồm các video về trò chơi hoặc tương tác. Nhờ đó, họ học cách liên hệ những gì họ thấy với các hành động mà một chuyên gia sẽ thực hiện. Họ làm việc với chuỗi thời gian, phân chia chuyển động, mục tiêu dài hạn và tối ưu hóa dưới nhiều ràng buộc như độ trễ hoặc tính ổn định.
Mặc dù ví dụ dễ thấy nhất là trong lĩnh vực trò chơi điện tử, nhưng cách tiếp cận tầm nhìn-hành động này có tiềm năng rất lớn trong kinh doanh: nó cho phép tạo ra các tác nhân hoạt động trên giao diện đồ họa Các thao tác thông thường, điều hướng các ứng dụng phức tạp, chạy các luồng lặp đi lặp lại, xác thực quy trình hoặc thực hiện kiểm thử đầu cuối mà không cần đến các API cụ thể.
Điều này thể hiện một dạng tiến hóa tự nhiên của RPA truyền thống hướng tới một... Tự động hóa thông minh hơn, phù hợp hơn với ngữ cảnhCác trường hợp sử dụng điển hình bao gồm kiểm thử phần mềm tự động mô phỏng hành vi người dùng thực, hỗ trợ hướng dẫn sao chép từng thao tác nhấp chuột mà nhân viên cần thực hiện, tạo dữ liệu tổng hợp cho kiểm thử chất lượng, hoặc "bản sao kỹ thuật số" mô phỏng hoạt động của con người trong các hệ thống doanh nghiệp.
Để tất cả những điều này có thể khả thi, cần phải có một khuôn khổ vững chắc cho an ninh mạng, quản trị và khả năng quan sátCác tác nhân tương tác với các giao diện và hệ thống quan trọng phải tuân thủ các chính sách truy cập, tránh các hành động nguy hiểm, ghi lại mọi bước để phục vụ mục đích kiểm toán và hoạt động trong các giới hạn được xác định rõ ràng. Khả năng quan sát ở đây đóng vai trò vừa là "hộp đen" vừa là "hộp công cụ": nó ghi lại những gì tác nhân thực hiện và cung cấp dữ liệu để hiệu chỉnh và cải thiện hành vi của tác nhân.
Bảo mật, quản trị và mô hình Zero Trust trong kỷ nguyên của các tác nhân AI.
Sự phát triển của trí tuệ nhân tạo tác nhân và các hệ thống tự động mang lại... Những rủi ro mới cần được quản lý cẩn thận.Một trong những vấn đề được thảo luận nhiều nhất là cái gọi là "trí tuệ nhân tạo bóng tối": các tác nhân, mô hình hoặc sự tích hợp được triển khai bên ngoài các kênh chính thức của tổ chức, mà không có các biện pháp kiểm soát an ninh hoặc tuân thủ quy định đầy đủ.
Ngoài ra còn có nguy hiểm là điệp viên hai mang hoặc điệp viên độc ácĐiều này có thể xảy ra do thiết kế (tấn công từ bên ngoài, thao tác nhắc lệnh, chèn lệnh) hoặc do lỗi cấu hình cho phép một hệ thống có thiện chí thực hiện các hành động ngoài ý muốn. Để giảm thiểu những rủi ro này, điều quan trọng là phải áp dụng các nguyên tắc về Chính sách Zero Trust, đặc biệt là đối với Trí tuệ Nhân tạo..
Trong ngữ cảnh này, Zero Trust có nghĩa là Theo mặc định, không có tác nhân hoặc thành phần AI nào được coi là "đáng tin cậy".Mọi hành động phải được ủy quyền rõ ràng, quyền hạn phải được giới hạn ở mức tối thiểu cần thiết (nguyên tắc đặc quyền tối thiểu), và tất cả các tương tác phải được ghi lại để kiểm toán sau này. Do đó, khả năng quan sát trở thành yếu tố then chốt trong quản trị AI.
Khả năng quan sát tốt cho phép giám sát hoạt động của các tác nhân trong thời gian thực, phát hiện hành vi bất thường, xác thực chính sách truy cập và cung cấp đầy đủ bằng chứng trong trường hợp xảy ra sự cố. Các công cụ như danh sách các hành động được cho phép, đánh giá thủ công các vòng lặp quan trọng, làm sạch dữ liệu nhạy cảm và kiểm soát vị trí điện toán (tại chỗ, đám mây công cộng, đám mây độc lập) là những yếu tố thiết yếu của một danh sách kiểm tra mạnh mẽ. quản trị AI hiệu quả.
Trong trường hợp này, việc tìm ra điều đó là vô cùng quan trọng. sự cân bằng giữa đổi mới và kiểm soátCác tổ chức muốn khai thác tối đa tiềm năng của trí tuệ nhân tạo tác nhân để nâng cao năng suất và khả năng cạnh tranh, nhưng không muốn hy sinh tính bảo mật, tuân thủ quy định hoặc tính minh bạch trong việc ra quyết định tự động.
Dữ liệu, cơ sở hạ tầng và trí tuệ nhân tạo là nền tảng cốt lõi của hoạt động kinh doanh.
Nhìn vào bức tranh tổng thể, trí tuệ nhân tạo đang phát triển từ một công cụ bổ trợ trở thành một phần không thể thiếu của nó. một tầng cấu trúc mà trên đó năng lực cạnh tranh kinh tế dựa vào.Mọi thứ đều xoay quanh sự chuyển đổi đó: chiến lược dữ liệu, kiến trúc đám mây, thiết kế phần cứng, mô hình lực lượng lao động, và thậm chí cả các chính sách quốc gia về cơ sở hạ tầng kỹ thuật số.
Một mặt, Dữ liệu được tổng hợp như là yếu tố khác biệt cạnh tranh chính.Khi điện toán và mô hình hóa ngày càng trở nên phổ biến, điều tạo nên sự khác biệt chính là việc sở hữu dữ liệu chất lượng cao, được quản lý tốt. Khả năng quan sát, bằng cách thu thập dữ liệu đo từ xa phong phú và có ngữ cảnh, trở thành một trong những nguồn dữ liệu quý giá nhất. hệ thống AI mạnh mẽ và cải tiến quy trình.
Mặt khác, Cơ sở hạ tầng trí tuệ nhân tạo đang bắt đầu được xem như một tài sản chiến lược quốc gia.Sự trỗi dậy của các điện toán đám mây quốc gia đáp ứng nhu cầu kiểm soát nơi lưu trữ và xử lý dữ liệu nhạy cảm, cách thức huấn luyện mô hình và khung pháp lý mà chúng hoạt động. Các quốc gia đang đầu tư vào các trung tâm dữ liệu được tối ưu hóa cho khối lượng công việc AI, tiết kiệm năng lượng và tuân thủ các yêu cầu pháp lý.
Tất cả những điều này trùng khớp với một đẩy nhanh quá trình hiện đại hóa các trung tâm dữ liệuTrước nhu cầu năng lượng và làm mát ngày càng tăng của các tác vụ AI và hệ thống tác nhân, hiệu quả năng lượng không còn đơn thuần là vấn đề vận hành mà đã trở thành yếu tố hạn chế sự đổi mới và là yêu cầu tuân thủ môi trường.
Song song đó, các công ty buộc phải đào tạo lại lực lượng lao động của mìnhMục tiêu không phải là biến tất cả mọi người thành lập trình viên, mà là đào tạo các chuyên gia có khả năng điều phối và tận dụng các hệ thống tự động này: các chuyên gia kinh doanh được hỗ trợ bởi AI, các kỹ sư có thể chuyển đổi nhu cầu vận hành thành các chính sách giám sát và bảo mật, và các vai trò kết hợp hiểu được cả tác động kỹ thuật và kinh tế của các quyết định.
Tóm lại, quá trình tiến hóa này dẫn đến một kịch bản trong đó... khả năng quan sát cởi mở và tự chủ hơn Nó trở thành chất keo kết nối công nghệ, kinh doanh và quy định: các tiêu chuẩn như OpenTelemetry đảm bảo tính di động và chất lượng dữ liệu, AI và khả năng quan sát tác nhân giúp giảm độ phức tạp trong vận hành và tăng tốc độ phản hồi sự cố, còn quản trị và các thực tiễn Zero Trust đảm bảo tất cả những điều này diễn ra trong tầm kiểm soát, an toàn và có khả năng kiểm toán thực sự.
Các tổ chức nào có thể kết hợp thành công yếu tố này – hệ thống đo lường từ xa được tiêu chuẩn hóa, nền tảng thống nhất, tập trung vào kết quả kinh doanh và các tác nhân AI được quản lý với khả năng quan sát tốt – sẽ có vị thế tốt nhất để cạnh tranh trong môi trường mà các hệ thống kỹ thuật số ngày càng trở nên quan trọng, phức tạp và tự động hơn, đồng thời cũng có khả năng tạo ra giá trị hữu hình hơn khi được quản lý với khả năng hiển thị phù hợp.
