نشر وكيل ذكاء اصطناعي في الدعم الفني: تجربة MTS
نشرت MTS Web Services وكيل ذكاء اصطناعي لتحليل تذاكر الدعم الفني تلقائيًا، متجاوزةً بذلك نهج RAG التقليدي. كان RAG يساعد في البحث داخل Jira وConfluence، لكنه يتطلب أن يعرف المهندس مسبقًا ما الذي يبحث عنه، بينما يكون سبب الحادث مجهولًا عند تحليله. يتولى الوكيل المرحلة الأولى من التحقيق: يحلل التذكرة، ويصوغ بنفسه استعلامات البحث، ثم يسلّم المهندس فرضيات جاهزة.
معالج بواسطة الذكاء الاصطناعي من Habr AI؛ بتحرير Hamidun News
بنت MTS Web Services وكيل ذكاء اصطناعي لتحليل تذاكر الدعم الفني تلقائيًا، وتخلّت عن نظام البحث القائم على RAG الذي كان يشترط على المهندسين صياغة الاستعلامات بشكل صحيح.
لماذا بُني RAG، ولماذا لم يكن كافيًا
يعمل فريق SRE في خط الدعم الثاني لمجموعة التقنيات الإعلانية في MTS Web Services يوميًا مع أربعة مصادر بيانات: Jira التي تضم سجل الحوادث، وConfluence التي تضم الوثائق، وسجلات النظام، وقواعد البيانات. وعند تحليل الحوادث المعقدة، كان المهندسون يقضون وقتًا كبيرًا في البحث عن حالات مشابهة ودراسة القرارات المتخذة سابقًا.
كان الحل الأول نظام RAG: جُمعت بيانات Jira وConfluence في قاعدة بحث موحدة تدعم الاستعلامات باللغة الطبيعية. أصبح بإمكان المهندسين طرح الأسئلة، فيعيد النظام الوثائق وسجلات الحوادث ذات الصلة. كان الأثر ملحوظًا، وتلقّى الفريق ملاحظات إيجابية.
غير أن قيدًا بنيويًا ظهر مع الوقت. فـ RAG أداة بحث، ولكي تعمل يجب أن يعرف المستخدم ما الذي يبحث عنه. وهذا الشرط لا يتحقق عند تحليل الحوادث: سبب المشكلة مجهول، ولا يتضح أي البيانات مطلوبة ولا بأي ترتيب تُطلب. ونتيجة لذلك ظلّت الأداة غير مستخدمة تحديدًا حيث تشتد الحاجة إلى المساعدة، أي في بداية التحقيق.
أما المشكلة الثانية فكانت استحالة قياس الأثر الفعلي: كانت هناك ملاحظات إيجابية، لكن لم يمكن الحصول على مقاييس موضوعية، مثل مقدار الوقت الموفَّر لكل تذكرة أو كيف تغيّر MTTR.
كيف يتولى الوكيل المرحلة الأولى
«إذا كان النظام قادرًا أصلًا على البحث عن المعلومات وتحليل المواد التي يعثر عليها، فلماذا لا نكلّفه بالمرحلة الأولى من التحقيق في الحادث بأكملها؟» — فلاديمير دروبوت، قائد SRE في MTS
Web Services.
بدلًا من أداة سلبية تنتظر الاستعلام، بنى الفريق وكيلًا يدير التحقيق بنفسه. يتلقى الوكيل التذكرة مُدخلًا، ويجتاز المرحلة الأولى بصورة مستقلة:
- يحلل وصف الحادث ويضع خطة التحقيق
- يحدد بنفسه البيانات اللازمة للتحليل
- يصوغ استعلامات البحث في Jira وConfluence وينفذها
- يجمّع المعلومات من عدة مصادر
- يسلّم المهندس تحليلًا أوليًا منظمًا مع فرضيات حول الأسباب
الفرق عن RAG جوهري: فالوكيل لا ينتظر من الإنسان السؤال الصحيح، بل يقرر بنفسه ما الذي يبحث عنه بناءً على سياق التذكرة.
ماذا يعني ذلك
تُظهر تجربة MTS Web Services الفرق الجوهري بين الأداة المساعدة والوكيل المستقل في بيئة الشركات. يدعم RAG المهندس في المرحلة التي يعرف فيها أين ينبغي أن ينظر. أما الوكيل فيتولى الجزء الذي استغرق أكبر قدر من العمل، وهو صياغة الفرضيات الأولية وجمع البيانات، ويُفرغ انتباه مختصي L2 الثمين للتحليل الفعلي. وهذا يدل على أن البنية الوكيلية عملية اليوم للأدوات الداخلية في الشركات، وليس للمنتجات العامة فحسب.
لماذا تعتمد الشركات الذكاء الاصطناعي في الدعم الفني؟
لأتمتة التحليل الأولي للتذاكر وتوفير وقت المهندسين. انتقلت MTS إلى وكيل الذكاء الاصطناعي لأن نظام RAG السابق كان يتطلب من المختصين القدرة على صياغة استعلامات البحث بشكل صحيح.
كيف يحلل وكيل الذكاء الاصطناعي في MTS التذاكر؟
يعالج الوكيل أربعة مصادر بيانات: سجل الحوادث في Jira، والوثائق في Confluence، وسجلات النظام، وقواعد بيانات مجموعة التقنيات الإعلانية.
ما مصادر البيانات التي يستخدمها وكيل الذكاء الاصطناعي في الدعم الفني؟
يعمل وكيل الذكاء الاصطناعي في MTS مع أربعة مصادر: Jira التي تضم سجل الحوادث، وConfluence التي تضم الوثائق، وسجلات النظام، وقواعد البيانات.
Access Frontier LLMs & Multimodal AI in One Workspace
Discover NomadNet AI (nomadnet.ai) — unified access to frontier language models, research synthesis, and multimodal workflows.
أهم ما في عالم الذكاء الاصطناعي — مرة كل أسبوع
سبع قصص مهمة فعلاً هذا الأسبوع، مختارة بعناية. بلا ضجيج ولا بيانات صحفية.
تم! تحقق من بريدك للتأكيد.