Společnost AWS představila workflow, které navazuje na nástroj AWS DevOps Agent. Souhrny z investigací incidentů promění v předem ověřené opravy, jež může odpovědný on-call inženýr schválit jedním krokem. Cílem řešení je pomoci zkrátit průměrnou dobu do vyřešení incidentu (MTTR, Mean Time to Resolution) a odlehčit inženýrům od opakované diagnostické práce. [c1]
Cíl a kontext automatizace. AWS DevOps Agent standardně analyzuje příčiny problémů a doporučuje kroky k nápravě na základě metrik a logů. Většina organizací však tento nástroj provozuje v režimu pozoruj a hlas, aby předešla nechtěným změnám v produkčním prostředí, takže agent diagnostikuje, ale nezasahuje do zdrojů. Nový workflow využívá kombinaci AWS Lambda Durable Functions, Amazon EventBridge a Amazon Bedrock, aby doplnil právě tento chybějící krok samotné opravy a uzavřel celý proces řešení problému. [c2] Režim „pozoruj a hlas“ (observe-and-report) slouží jako bezpečnostní bariéra, která zabraňuje tomu, aby AI autonomně prováděla změny v kritické infrastruktuře bez dozoru. Nový workflow tento limit překonává implementací orchestrace pomocí AWS Lambda Durable Functions, které umožňují spravovat stav procesu napříč dlouhotrvajícími operacemi, Amazon EventBridge pro efektivní routování událostí a Amazon Bedrock pro inteligentní rozhodování. Tato kombinace umožňuje uzavřít cyklus od detekce chyby přes analýzu až po samotnou aplikaci nápravy. [c2]
Princip agentní smyčky
Agentní smyčka začíná tím, že odolná funkce předá kontext proběhlého vyšetřování službě Amazon Bedrock. Ta zjištění analyzuje a hledá použitelné opravy, které by mohly incident vyřešit. Funkce přitom opakovaně volá Bedrock, spouští schválené nástroje a jejich výsledky vrací zpět do konverzace, dokud není náprava dokončena. [c4]
Princip agentní smyčky se realizuje jako iterativní cyklus, v němž odolná funkce opakovaně komunikuje s Amazon Bedrock. V rámci tohoto procesu systém postupně volá model, spouští předem schválené nástroje a výsledky jejich provedení vrací zpět do konverzace. Tato smyčka probíhá neustále až do okamžiku, než je náprava incidentu zcela dokončena. Díky takovému přístupu může agent dynamicky reagovat na průběžné výsledky a postupně se přibližovat k finálnímu vyřešení problému. [c4]
Bezpečnostní rámec a nástroje
Bezpečnostní rámec řídí orchestrátor, který vynucuje kurátorský seznam povolených nástrojů. Podle AWS to udržuje automatizované akce bezpečné a auditovatelné, protože Amazon Bedrock může vybírat a spouštět pouze nástroje z tohoto schváleného seznamu. Rozsah automatických zásahů tak zůstává pod kontrolou. [c5]
Každý z těchto nástrojů je realizován jako účelově vytvořená Lambda funkce, která provádí jednu úzce vymezenou akci. Příkladem je čtení konfigurace Lambda funkce nebo úprava konkrétního prohlášení v IAM politice. Díky tomu je jasně dáno, co může agent v prostředí dělat, a Bedrock smí volat jen nástroje z povoleného seznamu. [c5]
Rozdělení operací a schvalování
Rozdělení operací a schvalování v rámci tohoto workflow striktně rozlišuje mezi operacemi určenými pouze pro čtení a operacemi, které mění stav systému. Nástroje pro čtení dat mohou běžet zcela autonomně a nevyžadují žádný zásah ze strany člověka, což umožňuje rychlou analýzu prostředí. Naproti tomu jakékoli akce, které by vedly k modifikaci infrastruktury, způsobí okamžité pozastavení vykonávání odolné funkce. Systém v takovém případě přejde do stavu čekání, dokud administrátor změnu explicitně neschválí, čímž je zajištěna kontrola nad kritickými změnami v provozním prostředí. [c6] Tento striktní rozdíl mezi čtením a zápisem (mutací) je zásadní pro stabilitu systému. Zatímco autonomní čtení dat umožňuje AI rychle sbírat fakta a aktualizovat svůj vnitřní stav bez rizika narušení provozu, jakákoli změna stavu infrastruktury vyžaduje přerušení exekuce. Odolná funkce v tomto momentě „zamrzne“ a její stav je uložen, dokud externí signál (schválení inženýrem) nespustí proces dále. [c6]
Praktický příklad ukazuje situaci, kdy Amazon Bedrock označil za příčinu selhání krátký časový limit nastavený na tři sekundy. Model následně navrhl zvýšit timeout na 30 sekund voláním nástroje lambda_update_function_configuration a podle svého zdůvodnění jde o běžnou hodnotu pro Lambda funkce, které potřebují delší dobu zpracování. Protože jde o operaci měnící stav infrastruktury, proces se pozastavil a čekal na lidské schválení. [c9]
Kritická role lidského dozoru
Kritická role lidského dozoru spočívá v tom, že všechny souhrny vyšetřování i konkrétní nápravná opatření navrhovaná službou Amazon Bedrock jsou generována umělou inteligencí. Právě proto je nezbytné, aby tyto návrhy prošly lidskou kontrolou dříve, než dojde k jejich finálnímu schválení a implementaci do systému. Tento proces slouží jako zásadní bezpečnostní kontrola, která předchází případným chybám v automatizovaných návrzích, které by mohly mít negativní dopad na stabilitu cloudové infrastruktury. [c11]
Schvalovatel v tomto procesu nesmí pouze potvrdit obecný záměr, ale musí detailně prověřit všechny parametry volání nástrojů. To zahrnuje například přesnou kontrolu názvu funkce nebo konkrétní hodnoty timeoutu při aktualizaci konfigurace Lambda funkcí. Teprve po ověření, že jsou všechny technické detaily správné a odpovídají požadovanému stavu, může administrátor změnu potvrdit. Takto přísný režim zajišťuje, že AI slouží jako efektivní pomocník při analýze, ale konečná zodpovědnost za integritu systému zůstává v rukou člověka. [c11] Schvalovatel musí v tomto kroku jednat jako poslední kontrolní instance, která prověří, zda navrhované parametry nejsou chybně interpretovány nebo zda neobsahají tzv. halucinace AI. Kontrola přesného názvu funkce a konkrétní číselné hodnoty timeoutu je kritická, protože i drobná chyba v parametru by mohla vést k nefunkčnosti služby nebo k nechtěnému chování infrastruktury. Tato lidská brána transformuje AI z autonomního aktora na inteligentního asistenta, který připravuje práci, ale nesebevládne nad finálním rozhodnutím. [c11]
Zdroje
- Automate remediation post AWS DevOps Agent investigation | Artificial Intelligence — AWS Machine Learning Blog
Článek vznikl s pomocí AI; podklady a odkazy jsou uvedeny výše.