Satu peralihan yang saya perhatikan dengan teliti ialah kebangkitan model AI yang ringan tetapi berupaya seperti DeepSeek V4 Flash. Selama bertahun-tahun, automasi infrastruktur kebanyakannya mengikut satu corak: jika sesuatu perlu dijalankan berulang kali, kita bina mekanisme kekal di sekelilingnya - systemd, cron, daemon, supervisor, proses terasing atau timbunan pemantauan khusus. Seni bina itu masih penting untuk kebolehpercayaan tahap pengeluaran, tetapi tidak semua tugas operasi memerlukan infrastruktur kekal.
Untuk pemantauan pelayan sementara, pemerhatian penggunaan, migrasi, pengesahan sandaran, siasatan insiden atau tetingkap penyelenggaraan pendek, ejen AI semakin boleh beroperasi sebagai lapisan pintar sementara. 模型 itu tidak menggantikan pemantauan deterministik. Ia menambah tafsiran kontekstual. Daripada sekadar melaporkan “CPU 91%”, ejen boleh mengaitkan lonjakan CPU, tingkah laku kontena, ralat aplikasi, tamat masa pangkalan data dan respons HTTP 503, kemudian menerangkan apa yang mungkin berlaku sebelum jurutera campur tangan.
Bagi saya, perbezaan semakin jelas: sistem terasing menyediakan lapisan kebolehpercayaan, manakala ejen AI ringan menyediakan lapisan tafsiran dan tindakan atas permintaan. Kadang-kadang keperluan hanya wujud untuk 30 minit akan datang, dua jam atau satu kitaran penggunaan. Dalam kes sedemikian, membina perkhidmatan kekal atau peraturan automasi yang lain mungkin tidak perlu.
Di sinilah ekonomi 中小企业 menjadi menarik. Perniagaan kecil mungkin tidak wajar untuk menambah platform pemantauan lain, infrastruktur tambahan atau kakitangan teknikal khusus untuk tugas operasi sekali-sekala. Jika ejen ringan boleh mengendalikan pemantauan sementara, triage log dan diagnosis peringkat pertama menggunakan infrastruktur sedia ada, kos setiap tugas operasi menurun. Satu pasukan teknikal berpotensi menyelia lebih banyak pelayan, lebih banyak pelanggan dan lebih banyak penggunaan tanpa menambah tenaga kerja pada kadar yang sama.
Itu secara langsung mengubah ekonomi unit untuk penyedia infrastruktur AI. Pelanggan yang membayar RM100 atau RM300 sebulan sukar untuk dilayan jika setiap insiden memerlukan masa kejuruteraan manual. Tetapi jika pemerhatian rutin dan diagnosis awal boleh dikendalikan pada kos inferens marginal yang rendah, manakala jurutera manusia hanya fokus pada pengecualian, model menjadi lebih berskala. Hasil boleh berkembang lebih cepat daripada kos operasi.
Ini bukan tentang menggantikan kejuruteraan infrastruktur dengan AI. Ia tentang menjadikan infrastruktur lebih adaptif, kurang geseran, didorong oleh niat dan berskala ekonomi.
Saya melihat ini muncul sebagai kategori operasi baharu: Operasi AI Atas Permintaan.
Kelebihan infrastruktur seterusnya mungkin tidak datang daripada menggunakan lebih banyak sistem kekal. Ia mungkin datang daripada mengetahui tugas mana yang tidak lagi memerlukan satu - dan berapa banyak itu mengubah kos untuk melayan setiap pelanggan.
#AIOps #AIAgents #DeepSeek #基础设施 #DevOps #自动化 #LocalAI #企业版AI #中小企业 #UnitEconomics
Ruang pembaca
Apa pendapat anda?
Komen disemak sebelum diterbitkan. 电子邮件 diperlukan untuk moderasi dan tidak dipaparkan kepada pembaca.
看第二遍才注意到melaporkan “CPU 9 91%的细节。
如果有更多RM100 atau R RM100的数据和结果会更完整。
这篇内容让我更容易理解为什么tetapi tidak semua tugas operasi值得关注。
文章把kita bina mekanisme kekal di和日常运营联系起来，这一点很有帮助。
关于jika sesuatu perlu dijalankan berulang的实际落地部分最吸引我。