Mengapa perusahaan agen perlu menjadi sistem pembelajaran
Dipersembahkan oleh SplunkSetiap hari, organisasi mempelajari hal-hal yang tidak pernah dapat digunakan oleh sistem AI mereka. Seorang analis keamanan mengoreksi penyelidikan yang dihasilkan AI. Seorang insinyur jaringan mengidentifikasi akar penyebab pemadaman berulang. Tim observasi menemukan bahwa pola latensi, log, dan perubahan infrastruktur memprediksi penurunan layanan. Tim operasi pelanggan mempelajari sinyal mana yang menunjukkan kemungkinan terjadinya eskalasi. Setiap momen mengandung pengetahuan organisasi yang berharga. Namun di sebagian besar perusahaan, pengetahuan tersebut hilang begitu saja ke dalam tiket, dasbor, rangkaian obrolan, tinjauan pasca-insiden, dan pikiran para pakar individu. Hal ini mungkin bisa membantu menyelesaikan permasalahan yang ada, namun hal ini jarang menjadi bagian dari sistem yang dapat digunakan kembali untuk meningkatkan pengambilan keputusan yang didorong oleh AI di masa depan. Hal ini merupakan tantangan berikutnya bagi perusahaan agen. Masa depan tidak akan ditentukan hanya oleh siapa yang memiliki model yang paling mampu atau agen yang paling otonom. Banyak organisasi akan memiliki akses terhadap model frontier serupa. Banyak dari mereka yang akan menyebarkan agen di bidang keamanan, TI, teknik, layanan pelanggan, dan operasi bisnis. Pembeda sebenarnya adalah apakah agen tersebut dapat belajar dari organisasi di sekitar mereka. Bukan dengan terus-menerus melatih ulang model yang mendasarinya, namun dengan menangkap pengalaman operasional, mengubahnya menjadi pengetahuan institusional dan membuat pengetahuan tersebut tersedia bagi agen, alur kerja, dan pengambilan keputusan di masa depan. Perusahaan agen bukan hanya perusahaan yang menggunakan AI. Ini adalah perusahaan yang belajar melalui AI. Perusahaan agen memungkinkan sistem AI untuk belajar dari mereka Percakapan AI didominasi oleh kemampuan model: jendela konteks yang lebih besar, penalaran yang lebih baik, inferensi yang lebih cepat, penggunaan alat yang lebih kuat, dan perilaku agen yang lebih canggih. Kemajuan-kemajuan tersebut penting. Namun di perusahaan, model hanyalah salah satu bagian dari sistem. Model tidak secara otomatis mengetahui bagaimana organisasi tertentu beroperasi. Sistem agen tidak mengetahui langkah remediasi mana yang dapat menyelesaikan pemadaman bulan lalu, koreksi analis mana yang memperbaiki penyelidikan ancaman, sinyal jaringan mana yang mendahului gangguan layanan, atau kebijakan internal mana yang harus mengesampingkan rekomendasi yang masuk akal. Pengetahuan tersebut adalah milik perusahaan. Agar sistem agen dapat menjadi lebih baik, organisasi memerlukan cara untuk menangkap pengetahuan tersebut dan membuatnya dapat digunakan kembali. Dalam banyak kasus, hal ini tidak memerlukan perubahan model itu sendiri. Hal ini memerlukan perubahan ekosistem di sekitar model: basis pengetahuan, lapisan pengambilan, perintah, kebijakan, pagar pembatas, logika perutean, dan alur kerja yang membentuk cara agen berperilaku. Modelnya mungkin tetap sama. Sistem pembelajaran di sekitarnya menjadi lebih cerdas. Putaran umpan balik mengubah setiap hasil menjadi momen pembelajaran bagi agen Setiap alur kerja agen menciptakan sinyal. Agen menerima permintaan. Ini mengambil konteks, alasan melalui tindakan yang mungkin dilakukan, memanggil alat, dan menghasilkan jawaban. Manusia menerima, menolak, atau memodifikasi jawaban itu. Sistem hilir mengungkap apakah tindakan yang dilakukan berhasil atau tidak. Keseluruhan rantai tersebut sangat berharga. Observabilitas AI memberikan visibilitas kepada organisasi mengenai apa yang terjadi: proses cepat, respons, jalur penalaran, penggunaan alat, sumber data, langkah-langkah perantara, mode kegagalan, dan hasil. Tanpa visibilitas tersebut, organisasi tidak dapat memahami mengapa agen berperilaku seperti itu, apalagi memperbaikinya. Namun observasi saja tidak cukup. Peluang yang lebih besar adalah mengubah perilaku yang diamati menjadi pengetahuan institusional. Pelacakan seharusnya tidak hanya membantu pengembang dan operator melakukan debug pada agen. Hal ini akan membantu perusahaan memahami apa yang dipelajari agen, apa yang dikoreksi oleh manusia, hasil apa yang diikuti, dan apa yang harus diubah sebelum peristiwa serupa berikutnya terjadi. Itulah peralihan dari pemantauan AI ke pengajaran AI. Agen jaringan mengidentifikasi kehilangan paket di jalur tertentu. Agen keamanan mengetahui bahwa jendela waktu yang sama mencakup perilaku autentikasi yang mencurigakan dan lalu lintas yang tidak biasa dari sumber yang sebelumnya tidak terlihat. Secara individual, setiap agen hanya memiliki sebagian tampilan. Bersama-sama, hal-hal tersebut menciptakan gambaran operasional yang lebih kaya. Saat insiden ini pertama kali terjadi, pakar manusia mungkin perlu turun tangan. Seorang insinyur jaringan mengonfirmasi bahwa hilangnya paket disebabkan oleh perubahan perutean yang salah dikonfigurasi. Seorang analis keamanan menentukan bahwa lalu lintas yang mencurigakan bukanlah serangan, namun efek samping dari layanan internal yang salah rute. SRE menghubungkan peristiwa jaringan dengan degradasi aplikasi. Resolusi tersebut berisi pengetahuan yang tidak perlu dipelajari ulang oleh organisasi. Sistem pembelajaran agen yang matang akan menangkap jejak, koreksi manusia, konteks topologi, temuan keamanan, sinyal observabilitas, dan langkah remediasi akhir. Hal ini akan menjaga hubungan antara sinyal-sinyal tersebut: pola latensi, jalur jaringan, perilaku identitas, perubahan perutean, dan remediasi. Saat pola serupa muncul lagi, agen tidak akan memulai dari nol. Mereka dapat mengambil kasus sebelumnya, membandingkan kondisi saat ini, merekomendasikan jalur diagnostik yang telah terbukti, dan melakukan eskalasi dengan konteks yang lebih baik. Model frontier yang mendasarinya tidak perlu dilatih ulang. Perusahaan telah belajar. Arsitektur perusahaan agen pembelajaran Perusahaan agen yang berorientasi pembelajaran membutuhkan lebih dari sekadar model atau chatbot. Dibutuhkan arsitektur yang dapat menangkap pengalaman, mengubahnya menjadi pengetahuan yang dapat digunakan, menghubungkan pengetahuan tersebut dengan konteks operasional, dan mengatur bagaimana hal tersebut mengubah perilaku agen di masa depan. Memori menyimpan apa yang terjadi: apa yang dilihat oleh agen, apa yang dilakukannya, di mana manusia melakukan intervensi, dan hasil apa yang diikuti. Basis pengetahuan mengubah pengalaman tersebut menjadi panduan yang dapat digunakan kembali, termasuk buku pedoman, contoh, kebijakan, prosedur, dan bukti. Struktur data menghubungkan lingkungan operasional. Agen sinyal perlu diterapkan di seluruh log, metrik, jejak, tiket, sistem identitas, alat keamanan, telemetri jaringan, platform kolaborasi, dan aplikasi bisnis. Struktur data membuat sinyal-sinyal tersebut dapat ditemukan, dikorelasikan, diatur, dan digunakan dalam konteks. Observabilitas AI menjelaskan bagaimana agen berperilaku dengan menangkap perintah, panggilan alat, langkah-langkah perantara, respons, umpan balik, dan hasil. Visibilitas tersebut membantu organisasi memahami di mana agen berhasil, di mana mereka gagal, dan apa yang harus diperbaiki. Bidang kontrol mengatur bagaimana pembelajaran menjadi perubahan: pengetahuan apa yang dipromosikan, petunjuk atau kebijakan mana yang diperbarui, agen mana yang dapat menggunakan informasi baru, persetujuan apa yang diperlukan, dan bagaimana perubahan diaudit. Secara bersama-sama, kemampuan ini memungkinkan sistem AI untuk berkembang seiring waktu dengan cara yang terkendali dan dapat dipercaya sehingga memungkinkan perusahaan untuk belajar dari operasinya sendiri. Organisasi yang belajar paling cepat akan menang. Era AI berikutnya tidak akan dimenangkan oleh model saja. Hal ini akan dimenangkan oleh organisasi yang dapat menangkap apa yang mereka pelajari dari setiap alur kerja, koreksi ahli, insiden, investigasi, dan hasil. Perusahaan agen yang paling maju tidak akan begitu saja mengerahkan lebih banyak agen. Mereka akan membangun sistem yang memungkinkan setiap agen mendapatkan manfaat dari pengetahuan kolektif organisasi. Itu berarti menghubungkan data operasional melalui data fabric. Artinya mengamati perilaku agen cukup mendalam untuk memahaminya. Artinya melestarikan pengalaman dalam memori dan melembagakannya dalam basis pengetahuan. Hal ini berarti menggunakan bidang kendali untuk mengatur bagaimana pembelajaran mengubah perilaku agen. Masa depan AI bukanlah agen otonom yang bertindak sendiri. Ini adalah ekosistem agen, manusia, data, dan kontrol yang belajar seiring waktu. Organisasi yang membangun ekosistem tersebut akan menciptakan sistem AI yang menjadi lebih baik di setiap interaksi. Bukan karena modelnya terus berubah, namun karena perusahaan itu sendiri menjadi lebih cerdas.Pelajari lebih lanjut tentang bagaimana Cisco Data Fabric yang didukung oleh Platform Splunk mempercepat operasi agen.Hao Yang adalah Wakil Presiden AI di Splunk, sebuah Perusahaan Cisco.Artikel bersponsor adalah konten yang diproduksi oleh perusahaan yang membayar untuk postingan tersebut atau memiliki hubungan bisnis dengan VentureBeat, dan artikel tersebut selalu ditandai dengan jelas. Untuk informasi lebih lanjut, hubungi sales@venturebeat.com.
Diterbitkan : 2026-06-22 15:00:00
sumber : venturebeat.com
