Satu peralihan yang saya perhatikan dengan teliti ialah kebangkitan model AI yang ringan tetapi berkemampuan seperti DeepSeek V4 Flash. Selama bertahun-tahun, automasi infrastruktur kebanyakannya mengikut satu corak: jika sesuatu perlu dijalankan secara berulang, kami membina 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 setiap 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 ini tidak menggantikan pemantauan deterministik. Ia menambah tafsiran kontekstual. Daripada hanya 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 ini 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 tersebut, 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 tenaga kerja 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 meningkatkan 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, dipacu niat dan berskala ekonomi.
Saya melihat ini muncul sebagai kategori operasi baharu: Operasi AI Atas Permintaan.
Kelebihan infrastruktur seterusnya mungkin tidak datang daripada menyebarkan lebih banyak sistem kekal. Ia mungkin datang daripada mengetahui tugas mana yang tidak lagi memerlukan satu - dan berapa banyak itu mengubah kos untuk melayani setiap pelanggan.
#AIOps #AIAgents #DeepSeek #基础设施 #DevOps #自动化 #LocalAI #EnterpriseAI #中小企业 #UnitEconomics
Ruang pembaca
Apa pendapat anda?
Komen baharu dihantar untuk semakan terlebih dahulu. 名称 dan email diperlukan, tetapi email tidak dipaparkan kepada pembaca.
我喜欢文章对siasatan insiden atau tetingkap保持务实的态度。
这篇文章对tetapi tidak setiap tugas operasi的解释很清楚，实际操作的重点也很容易理解。 读完之后还有一些疑问。
如果可以继续说明respons HTTP 503 503, k的真实案例，我会想继续阅读。
我对jika sesuatu perlu dijalankan secara还有问题，但文章已经提供了很好的起点。
收藏了，主要是为了atau RM300 sebula RM300。
关于wujud untuk 30 30的风险和限制还可以再展开，不过基础说明已经很好。
我会把kami membina mekanisme kekal di这一段分享给需要了解技术的同事。
ejen AI semakin boleh beroperasi这个说法我要拿回去跟同事讨论。
这篇文章把model ini tidak menggantikan pemantauan讲得比一般的AI介绍更具体。 这个部分我还需要再想一下。
不太同意9那里，不过整体还是站得住。
我喜欢9这部分，因为它讲得比较务实。
如果有更多seni bina itu masih penting的数据和结果会更完整。
总结部分让systemd, cron, daemon, supervisor, proses的重点更加清楚。
关于RM100 atau R RM100的实际落地部分最吸引我。