در دنیای پرشتاب فناوری اطلاعات، زمان پاسخگویی به بحرانها و تحلیل رویدادهای سیستمی (Incident Analysis) یکی از حیاتیترین شاخصهای موفقیت سازمانهاست. روشهای سنتی عیبیابی اغلب نیازمند روزها کار مداوم توسط تیمی از مهندسان ارشد است؛ روندی که نه تنها هزینهبر است، بلکه میتواند به توقف طولانیمدت خدمات منجر شود. اما با ورود مدلهای پیشرفته هوش مصنوعی به سطح سازمانی، این معادله در حال تغییر است.
شرکت جهانی NTT DATA Group اخیراً با پیادهسازی گستردهی هوش مصنوعی Codex متعلق به شرکت OpenAI، توانسته است یک تغییر پارادایم واقعی در مدیریت IT ایجاد کند. آنها موفق شدند فرآیند پیچیدهای را که پیشتر توسط پنج مهندس متخصص طی سه روز انجام میشد، تنها در ۳۰ دقیقه به پایان برسانند. این دستاورد، نشاندهندهی گذار از دوران «گسترش منابع انسانی برای رشد» به دوران «تولید ارزش مضاعف از طریق هوش مصنوعی» است.
تغییر مدل رشد سازمانی: از افزایش نیرو تا خلق ارزش با AI
شرکت NTT DATA Group، یکی از غولهای خدمات فناوری اطلاعات در ژاپن و سطح جهان، سالهاست که در زمینههای مشاوره، توسعه سیستمها و عملیات زیرساختی فعالیت میکند. با تغییر شکل محیط کسبوکار به واسطهی هوش مصنوعی، این شرکت متوجه شد که مدل سنتی رشد (یعنی استخدام نیروی کار بیشتر برای انجام پروژههای بزرگتر) دیگر پاسخگوی نیازهای سریع بازار نیست. استراتژی جدید آنها، تمرکز بر افزایش بهرهوری و خلق ارزش عمیقتر با استفاده از ابزارهای هوشمند بود.
برای پشتیبانی از این تحول بزرگ، NTT DATA در ابتدا نسخه سازمانی چتجیپیتی (ChatGPT Enterprise) را در سراسر شرکت مستقر کرد. هدف این بود که کارمندان به صورت روزمره با هوش مصنوعی درگیر شوند و آن را به بخشی جداییناپذیر از جریان کاری خود تبدیل کنند. این استقرار اولیه، پایهریز اتفاقات بسیار بزرگتری در این سازمان شد.
چالشهای سنتی در تحلیل رویدادهای سیستمی (Incident Analysis)
هنگامی که یک سیستم حیاتی در یک سازمان بزرگ دچار اختلال میشود، فرآیند تحلیل رویداد آغاز میگردد. این فرآیند در حالت سنتی با چالشهای متعددی روبهرو است:
- زمانبر بودن: بررسی لاگها (Logs)، کدهای منبع و پایگاههای داده برای یافتن ریشه مشکل (Root Cause) نیازمند ساعتها زمان است.
- نیاز به نیروی متخصص متعدد: معمولاً یک مهندس به تنهایی نمیتواند تمام ابعاد سیستم را بررسی کند و به تیمی از متخصصان شبکه، نرمافزار و پایگاه داده نیاز است.
- خستگی و خطای انسانی: کار مداوم در شرایط بحرانی، احتمال خطای انسانی را در تحلیل دادههای حجیم افزایش میدهد.
ورود هوش مصنوعی Codex: از دستیار برنامهنویسی تا عامل اجرایی مستقل
پس از موفقیت در استفاده از ChatGPT Enterprise و رضایت ۹۶ درصدی کارمندان، NTT DATA تصمیم گرفت گام بعدی را بردارد: واگذاری وظایف کاملاً تعریفشده و پیچیده به هوش مصنوعی Codex. این شرکت دسترسی به این ابزار را برای حدود ۹۰۰۰ کارمند در بخشهای فنی و غیرفنی فراهم کرد.
یکی از اولین و درخشانترین موفقیتهای این استراتژی، اتوماسیون یک تحلیل رویداد بسیار پیچیده برای یکی از سیستمهای حیاتی سازمان بود. در گذشته، این کار به پنج مهندس باتجربه نیاز داشت و سه روز کامل زمان میبرد. اما با استفاده از قابلیتهای Codex، کل این فرآیند از ابتدا تا انتها تنها در ۳۰ دقیقه تکمیل شد؛ یعنی کاهش ۹۹.۳ درصدی در زمان صرفشده.
چرا Codex تا این حد مؤثر است؟
دلیل این موفقیت چشمگیر این است که Codex دیگر صرفاً یک دستیار تولید کد (Coding Assistant) نیست. این سیستم دارای قابلیتهای عاملی (Agentic) است. به این معنا که پس از دریافت یک دستورالعمل، میتواند به صورت مستقل:
- دادهها و لاگهای سیستم را بررسی و تحقیق کند.
- کدها یا اسکریپتهای عیبیابی را اجرا نماید.
- فرضیههای مختلف را آزمایش کند.
- بر اساس نتایج بهدستآمده، راهکار خود را بازبینی و اصلاح کند.
تأثیرات استراتژیک بر ساختار سازمان
این دستاورد خیرهکننده به سرعت توجه مدیران ارشد را به خود جلب کرد و به یک نمونهی اثباتشده (Proof Point) برای پتانسیلهای واقعی هوش مصنوعی تبدیل شد. این اتفاق، دیدگاه کل سازمان را نسبت به نقش هوش مصنوعی تغییر داد.
«Codex نحوه تفکر افراد در سراسر شرکت را در مورد هوش مصنوعی تغییر داده است. این ایده که هوش مصنوعی میتواند در انجام کارها پیشقدم شود و نقش رهبری را بر عهده بگیرد، تأثیری مشابه ظهور اولیه ChatGPT داشته است.»
مقایسه روش سنتی و روش مبتنی بر Codex
| شاخص | روش سنتی (بدون AI) | روش مبتنی بر Codex |
|---|---|---|
| زمان مورد نیاز | ۳ روز کاری | ۳۰ دقیقه |
| نیروی انسانی درگیر | ۵ مهندس ارشد | ۱ ناظر (همراه با AI) |
| نوع رویکرد | واکنشی و دستی | اتوماتیک و عاملی (Agentic) |
| خطر خطای انسانی | بالا (به دلیل حجم دادهها) | بسیار پایین (دقت ماشینی) |
ایجاد مرکز تعالی (CoE) برای توسعه ایمن هوش مصنوعی
استقرار موفقیتآمیز چنین فناوری قدرتمندی به صورت تصادفی رخ نمیدهد. NTT DATA برای اطمینان از استفادهی درست و ایمن از این ابزارها، یک «مرکز تعالی اوپنایآی» (OpenAI Center of Excellence) در داخل سازمان تأسیس کرد. وظایف این مرکز شامل موارد زیر است:
- توزیع هدفمند لایسنسها در بین دپارتمانهای مختلف.
- اعتبارسنجی فنی و اطمینان از امنیت دادههای سازمانی.
- برگزاری رویدادهای آموزشی و توسعهی نمونههای کاربردی (Use Cases).
- نظارت بر میزان استفاده و ایجاد منابع دانشی برای کمک به کارمندان.
این زیرساخت قدرتمند باعث شد تا نه تنها مهندسان نرمافزار، بلکه کارمندان بخشهای غیرفنی نیز بتوانند از هوش مصنوعی برای پیشبرد اهداف روزمره خود استفاده کنند و دانش سازمانی را به ارزش ملموس برای مشتریان تبدیل نمایند.
جمعبندی
موفقیت شرکت NTT DATA در کاهش زمان تحلیل رویدادهای پیچیدهی IT از سه روز به تنها ۳۰ دقیقه، اثباتی بر قدرت تحولآفرین هوش مصنوعی در سطح سازمانی است. ابزارهایی مانند Codex با عبور از مرزهای یک دستیار ساده و تبدیل شدن به عوامل اجرایی مستقل، در حال بازتعریف مفهوم بهرهوری هستند. سازمانهایی که امروز زیرساختهای لازم برای پذیرش، آموزش و ادغام ایمنِ هوش مصنوعی را فراهم میکنند، فردا رهبران بلامنازعِ صنعتِ خود خواهند بود. این مسیر دیگر یک انتخاب فناوری نیست، بلکه یک الزام استراتژیک برای بقا و رشد در اقتصاد دیجیتال است.
سؤالات متداول
هوش مصنوعی Codex چیست و چه تفاوتی با ChatGPT دارد؟
چتجیپیتی بیشتر برای مکالمه، تولید متن و ایدهپردازی طراحی شده است، در حالی که Codex یک مدل تخصصی برای درک، تحلیل و تولید کدهای برنامهنویسی است. در سطح سازمانی، Codex میتواند به عنوان یک عامل مستقل (Agent) عمل کرده و وظایف پیچیده مانند تست کد و عیبیابی سیستم را به صورت خودکار انجام دهد.
شرکت NTT DATA چگونه توانست زمان تحلیل رویدادها را کاهش دهد؟
این شرکت با استفاده از قابلیتهای عاملی (Agentic) ابزار Codex، فرآیند بررسی لاگها، اجرای اسکریپتهای آزمایشی و یافتن ریشه مشکل را به هوش مصنوعی سپرد. این کار باعث شد فرآیندی که نیاز به ۵ مهندس و ۳ روز زمان داشت، در ۳۰ دقیقه انجام شود.
آیا هوش مصنوعی جایگزین مهندسان IT در سازمانها میشود؟
خیر. هوش مصنوعی به عنوان یک همکار فوقسریع عمل میکند که کارهای تکراری و زمانبر (مانند جستجو در میان میلیونها خط لاگ) را انجام میدهد. این امر به مهندسان اجازه میدهد تا به جای درگیر شدن با جزئیات خستهکننده، روی تصمیمگیریهای استراتژیک و طراحی معماریهای بهتر تمرکز کنند.
منظور از قابلیت عاملی (Agentic) در هوش مصنوعی چیست؟
قابلیت عاملی به معنای توانایی هوش مصنوعی برای انجام مستقلِ یک زنجیره از کارهاست. یعنی هوش مصنوعی فقط به یک سوال پاسخ نمیدهد، بلکه محیط را بررسی میکند، اقدامی انجام میدهد، نتایج را تست میکند و در صورت نیاز، رویکرد خود را برای حل مشکل اصلاح میکند.
