Nykypäivän pilvipohjaisessa ja AI-pohjaisessa yritysmaailmassa järjestelmähäiriöt eivät enää johdu yksinkertaisista häiriöistä vaan mikropalvelujen, automaation ja koneoppimisen mallien monimutkaisista vuorovaikutuksista.Ymmärtääksemme, miten selitettävä tekoäly voi muuttaa luotettavuustekniikkaa, puhuimme Adithya Jakkaraju:n kanssa, joka on kirjoittanut IEEE:n kansainvälisen konferenssin seuraavan sukupolven tietojenkäsittelytieteen edistymisestä (ICANCS) 2025 Best Paper, joka esittää käytännön kehyksen luotettavan, auditoitavan AI-pohjaisen vastustuskyvyn rakentamiseksi suurissa järjestelmissä. ”Ymmärrettävä tekoäly vastustuskykyisille mikropalveluille: Läpinäkyvyyteen perustuva lähestymistapa” Q: Can you summarize the core idea behind your research? Paperin keskeinen ajatus on, että AI-pohjaiset vastustuskykyjärjestelmät epäonnistuvat, ei siksi, että niillä ei ole älykkyyttä, vaan koska niillä ei ole läpinäkyvyyttä. Nykyaikaiset microservices-alustat luottavat yhä enemmän AI: hen poikkeavuuksien havaitsemiseksi, ennakoivaksi skaalautumiseksi ja automatisoiduksi palauttamiseksi. Kuitenkin nämä päätökset toimivat usein mustina laatikoina. Kun tapahtumat tapahtuvat, insinöörit jäävät ilman selkeyttä siitä, miksi toimenpide toteutettiin. Adithya: Q: What specific problems do black-box AI systems create in production environments? Black-box AI tuo esiin kolme suurta ongelmaa korkean vakavuuden tapahtumissa: Adithya: 
 
 
 
 Epäselvä syy: insinöörit eivät voi määrittää, mikä palvelu tai mittari laukaisi toimenpiteen. Viivästynyt syy-analyysi: Aika menetetään vahvistamaan, oliko AI-päätös oikea. Vähentynyt luottamus: Tiimit epäröivät luottaa automaatioon, kun ne eivät pysty selittämään sitä sidosryhmille tai sääntelyviranomaisille. Suurissa mikropalveluympäristöissä nämä ongelmat monimutkaistuvat nopeasti, mikä johtaa kaskadivaikeuksiin ja pidempiin palautusaikoihin. Q: How does your framework address these challenges? Kehys integroi selitettävyyden ensiluokkaiseksi arkkitehtoniseksi vaatimukseksi.Se kartoittaa erityisiä selitettäviä tekoälyn tekniikoita vastustuskyvyn skenaarioihin, kuten poikkeavuuksien havaitsemiseen, epäonnistumisten leviämiseen ja ennakoivaan skaalautumiseen. Adithya: Esimerkiksi 
 
 
 
 SHAP:tä ja LIME:tä käytetään selittämään epämuodollista käyttäytymistä ominaisuustasolla. Bayesian verkkoja käytetään tunnistamaan todennäköisyydelliset epäonnistumisreitit palvelun riippuvuuksien välillä. Ristiriitaiset selitykset oikeuttavat skaalautumis- ja korjaustoimenpiteet osoittamalla, mikä olisi estänyt epäonnistumisen. Näin varmistetaan, että jokaiseen tekoälyn toimintaan liittyy selkeä ja teknisesti perusteltu selitys. Q: Was this approach validated with real system data? Kehys on validoitu käyttämällä tuotanto-tyyppistä mikrosivustoympäristöä, jossa on yli 38 palvelua, jotka on otettu käyttöön Kubernetes-ryhmissä. Epäonnistumiset, kuten viiveen huiput, muistin vuototot ja kaskadit riippuvuuden epäonnistumiset, injektoitiin tarkoituksella. Adithya: Tulokset osoittivat: 
 
 
 
 Vähentää keskimääräistä palautumisaikaa (MTTR) 42 % 35 % parannusta onnistuneissa lieventämistoimissa Jopa 53 % nopeampi vaaratilanteiden lajittelu selittävyyteen perustuvan diagnoosin ansiosta Nämä tulokset osoittavat, että avoimuus parantaa suoraan operatiivisia tuloksia. Q: Many engineers worry that explainability adds performance overhead. How does your work address this? Tämä huolenaihe on pätevä.Tutkimuksessa mitattiin laskennallista ylijäämää huolellisesti. Reaaliaikaiset selitykset esittelivät noin 15–20 % ylimääräisiä laskennallisia kustannuksia, jotka johtuivat pääasiassa SHAP-laskelmista.Tämä kompromissi oli kuitenkin perusteltu keskeytys- ja kiihtyvyysasteiden huomattavilla vähennyksillä.Kehys tukee myös tasoitettua selitettävyyttä, jossa käytetään kevyitä selityksiä rutiinitapahtumiin ja syvällisempää analyysiä vain kriittisten tapahtumien aikana, jolloin ylijäämää hallitaan. Adithya: Q: How does this research translate to regulated industries like finance and insurance? Säännellyillä teollisuudenaloilla ei tarvita pelkästään vastustuskykyä vaan myös vastuuvelvollisuutta. AI-järjestelmien on selitettävä päätöksensä tilintarkastajille, sääntelyviranomaisille ja toimeenpaneville sidosryhmille. Tuottamalla kryptografisesti auditoitavia selityspäiväkirjoja ja jäljellä olevaa diagnoosia kehys mahdollistaa organisaatioiden täyttävän hallinnon vaatimukset hyötyessään edelleen automaatiosta. Adithya: Q: Did the explainability layer change how engineers interacted with incidents? Kyllä, merkittävästi. Paikannuksen luotettavuuden insinöörien valvotuissa arvioinneissa selitettävissä olevat diagnoosit vähensivät epävarmuutta keskeytysten aikana. insinöörit pystyivät tunnistamaan perimmäiset syyt nopeammin ja tekemään luottavaisia korjauspäätöksiä ilman, että he joutuisivat toistamiseen arvaamaan AI:ta. Adithya: Q: What makes this work different from existing AIOps approaches? Suuri kysymys. Useimmat AIOps-ratkaisut keskittyvät ennusteiden tarkkuuteen, mutta jättävät huomiotta tulkinnan. Tämä työ käsittelee selitettävyyttä vastustuskyvyn ominaisuutena, ei visualisoinnin jälkikäteen. Se tarjoaa arkkitehtonisia kuvioita, suorituskyvyn vertailuarvoja ja mitattavissa olevia tuloksia, jotka osoittavat, miten selitettävää AI: ta voidaan käyttää turvallisesti mittakaavassa sen sijaan, että se pysyisi tutkimuskonseptina. Adithya: Q: What is the broader takeaway for system architects and engineering leaders? Avainasemassa on se, että luotettavien tekoälyjärjestelmien on oltava ymmärrettäviä järjestelmiä.Automaatio ilman läpinäkyvyyttä lisää riskiä sen sijaan, että se vähentää sitä. Sisällyttämällä selitettävyys tekoälyä ohjaavaan vastustuskykyyn organisaatiot voivat saavuttaa nopeamman elpymisen, vähemmän eskalaatioita ja suurempaa luottamusta autonomisiin järjestelmiin. Adithya: Q: Last question - What’s next for this area of research? Tulevassa työssä keskitytään pilvipohjaiseen selitettävyyteen, oppimisen läpinäkyvyyteen ja yritysten havaittavuustyökalujen selitysmuotojen standardointiin.Koska tekoäly integroituu syvemmälle kriittiseen infrastruktuuriin, selitettävyys on välttämätöntä sellaisten järjestelmien rakentamisessa, jotka eivät ole vain älykkäitä vaan luotettavia. Adithya: 
 
 Tämä artikkeli on julkaistu HackerNoonin Business Blogging Program -ohjelmassa. Tämä artikkeli on julkaistu HackerNoonin Business Blogging Program -ohjelmassa. Tämä artikkeli on julkaistu HackerNoon's . Business Blogging Program Business Blogging -ohjelma Business Blogging -ohjelma

This story contains new, firsthand information uncovered by the writer.

The is an opinion piece based on the author’s POV and does not necessarily reflect the views of HackerNoon.

Tämä ääni on tuotettu tarinan alkuperäisellä kielellä!

Rakenna vastustuskykyisiä rahoitusjärjestelmiä selitettävillä AI: llä ja mikropalveluilla

About Author

KOMMENTIT

RIPUTA TAGSIA

TÄMÄ ARTIKKELI ESITETTIIN

Related Stories

Spaghetti

10x Research: How a FIL Backed USD Stablecoin By Secured Finance Would Boost The Filecoin Ecosystem

Hurry! Just One Month Left to Win Up to $2,000 in the #blockchain Writing Contest

The #bitcoin Writing Contest by Rootstock and HackerNoon: Final Round Results🎉

Spaghetti

10x Research: How a FIL Backed USD Stablecoin By Secured Finance Would Boost The Filecoin Ecosystem

Hurry! Just One Month Left to Win Up to $2,000 in the #blockchain Writing Contest

The #bitcoin Writing Contest by Rootstock and HackerNoon: Final Round Results🎉

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps