აგენტური AI Kubernetes-ზე: ინფრასტრუქტურის მართვის ახალი ფენა

AI აგენტებს ახლა შეუძლიათ Kubernetes-ის კლასტერებზე დაკვირვება, აღმოჩენილის გააზრება და წინასწარ განსაზღვრულ ჩარჩოებში მოქმედება. The New Stack-ზე გამოქვეყნებულ მასალაში SUSE-ის AI მიმართულების ვიცე-პრეზიდენტი რის ოქსენჰემი წერს, რომ ამ სისტემების ღირებულება მოდელებზე კი არა, აგენტისთვის ხილულ კონტექსტსა და გუნდის დაწესებულ საზღვრებზეა დამოკიდებული. კლასტერის მდგომარეობის, პოლიტიკისა და წვდომის წესების გარეშე აგენტს მხოლოდ გამოცნობა შეუძლია.

რას ცვლის AI ინფრასტრუქტურის დონეზე

ადრე გუნდები AI-ს აპლიკაციების საკითხად მიიჩნევდნენ: მოდელები არსებული სისტემების თავზე იდგა და ქვედა სტეკი თითქმის უცვლელი რჩებოდა. როცა AI დატვირთვები წარმოებაში გადადის, ინფრასტრუქტურის ფენას, რომელიც გამოთვლებს, შენახვასა და ქსელს მოიცავს, ახალ მოთხოვნებს უყენებენ: რესურსებზე მოთხოვნა ვარჯიშისა და ინფერენსის აფეთქებებთან ერთად იცვლება. Forrester-ის ბოლო ანგარიშის თანახმად, თანამედროვე AI სტეკი მოდელებიდან მათ ქვემოთ არსებულ ინფრასტრუქტურამდე იშლება, სადაც Kubernetes დატვირთვებს გეგმავს, პოლიტიკას ატარებს და მონაცემთა ცენტრებს, ღრუბელსა და პერიფერიას ერთიან ინტერფეისად აკავშირებს.

რატომ წყვეტს კონტექსტი აგენტების სარგებელს

ტრადიციული ავტომატიზაცია იმავე სკრიპტს ასრულებს გარემოს ცვლილების მიუხედავად, აგენტური სისტემა კი აკვირდება, აანალიზებს და მოქმედებს, ჩვეულებრივ, ადამიანის დადასტურების შემდეგ. სწორედ სიგნალები, პოლიტიკისა და წვდომის კონტექსტი და ცვლილების ფარგლები განასხვავებს მას ჩვეულებრივი ასისტენტისგან.

რამდენიმე კლასტერზე ხელით მართვა ჯერ კიდევ მუშაობს, თუმცა მზარდ გარემოში საიმედო აღარ არის; ყოველი ახალი კლასტერი ცხოვრების ციკლის სამუშაოებს მატებს: განახლებებს, პატჩებს, კონფიგურაციასა და ვადების მართვას. კონფიგურაციის დრიფტი მაღალი რისკია, პოლიტიკა კი ერთი გუნდიდან მეორემდე არათანაბრად ვრცელდება. მონაცემთა ცენტრებს, ღრუბელსა და პერიფერიას შორის გაფანტული კლასტერები გუნდებს მთლიანი სურათის გარეშე ტოვებს, ცოდნა კი ლოგებს, მეტრიკებსა და runbook-ებს შორისაა გაფანტული.

ამ სამუშაოს განმეორებად ნაწილს SRE გუნდები „ტოილს“ (toil) უწოდებენ: განმეორებითი ტრიაჟი, სიგნალების ხელით შეჯერება, გაფრთხილებებზე რეაგირება და რუტინული შემოწმებები. ეს ამოცანები რთული არ არის, მაგრამ დროსა და ყურადღებას შთანთქავს. DevOps გუნდებზე ჩატარებულმა ბოლო გამოკითხვამაც იგივე აჩვენა: ტოილის შემცირება ერთ-ერთი ყველაზე ნათელი შესაძლებლობაა. ადამიანის ზედამხედველობის ქვეშ აგენტებს სიგნალების შეგროვება, შეჯერება და სავარაუდო მიზეზის შეთავაზება შეუძლიათ.

რას ურჩევს SUSE გუნდებს

ოქსენჰემი ოთხ პრინციპს გამოყოფს: ჯერ დაკვირვებადი კონტექსტი, რათა აგენტმა მოქმედებამდე კლასტერის მიმდინარე მდგომარეობა, პოლიტიკა და ისტორია ნახოს; შემდეგ შეთავაზებების მოქმედებისგან გამიჯვნა, რომ ცვლილება ადამიანის დადასტურებასა და განსაზღვრულ ფარგლებს ელოდებოდეს; აგენტების არსებულ კონტროლებთან მიერთება წვდომის წესების, იდენტობისა და აუდიტის გზების გავლით; და ღია ეკოსისტემა. SUSE Rancher Prime-ს ინდუსტრიაში პირველ, კონტექსტის მცოდნე აგენტურ AI ეკოსისტემად წარადგენს: სპეციალიზებული აგენტები ინტელექტუალური როუტერის მიღმა მუშაობენ და არსებული წვდომის კონტროლის გავლით მოქმედებენ. სადაც ცვლილებების კონტროლი სრულად ხელით უნდა დარჩეს, აგენტების როლი დაკვირვებითა და შეთავაზებებით შემოიფარგლება.