Može li veštačka inteligencija zaista postati vaš najbolji inženjer tehničke podrške

U svakoj tehnološkoj kompaniji koja posluje duže od nekoliko godina postoji neprocenjivo, ali često potpuno rasuto blago: arhiva rešenih tiketa korisničke i tehničke podrške. To nisu samo obični zapisi o žalbama korisnika. Reč je o stotinama hiljada sati mukotrpnih istraga, pregledanja logova, otkrivanja skrivenih bagova u kodu i lekcija koje su inženjeri naučili na teži način, često usred noći dok sistemi padaju.

Prirodno, sa ekspanzijom velikih jezičkih modela, svako tehničko rukovodstvo postavlja isto pitanje: šta ako sve te godine rešavanja incidenata jednostavno prosledimo veštačkoj inteligenciji? Može li model, „nahranjen“ kolektivnim institucionalnim pamćenjem, postati neumorni asistent koji u sekundi rešava najkomplikovanije probleme?

Eksperimenti u velikim komunikacionim ekosistemima, poput onih koje sprovodi Infobip, pružaju fascinantan pogled iza kulisa ovog procesa. Pretvaranje sirovih tiketa u funkcionalnog autonomnog inženjera donosi ogroman skok u efikasnosti, ali istovremeno surovo razotkriva granice onoga što algoritam može, a šta još uvek zahteva nepogrešivu ljudsku intuiciju.

Zamka sirovih podataka: zašto tiketi nisu dovoljni sami po sebi

Prvi instinkt mnogih timova jeste da primene klasičan RAG (Retrieval-Augmented Generation) pristup: indeksiraju celokupnu bazu starih tiketa, povežu je sa jezičkim modelom i omoguće pretragu. U praksi, ovo brzo vodi u fijasko.

Sirovi tiketi podrške su haotični. Oni sadrže:

• Zastarele informacije o servisima koji odavno ne postoje ili su refaktorisani,

• Privremena zaobilazna rešenja (workarounds) koja su u tom trenutku „gasila požar“, ali su dugoročno loša inženjerska praksa,

• Skraćenu, internu komunikaciju prepunu žargona koju model lako pogrešno protumači,

• Osetljive podatke korisnika, lozinke i tokene koji nikako ne smeju dospeti u promptove.

Zbog toga proces ne može biti samo prosto prosleđivanje podataka. Da bi institucionalno znanje postalo upotrebljivo za veštačku inteligenciju, kompanije moraju prvo da automatizuju sintezu: transformišu gomilu sirovih konverzacija u hiljade strukturisanih, standardizovanih članaka interne baze znanja. Tek kada se eliminiše šum i izdvoje suštinski obrasci – uzrok kvara, simptomi i tačni koraci sanacije – model dobija pouzdan temelj za rad.

Gde veštačka inteligencija briljira, a gde počinje zid

Kada se uspostavi čista i pouzdana baza znanja, AI asistent dramatično menja svakodnevnicu inženjera na prvoj i drugoj liniji podrške.

Glavne prednosti koje donosi sistem:

1. Trenutna kontekstualizacija simptoma: Kada stigne nova prijava greške, sistem za nekoliko sekundi pronalazi slične incidente iz prethodnih godina i mapira ih sa verovatnim uzrocima.

2. Generisanje preciznih koraka za proveru: Umesto da mlađi inženjer lista obimnu dokumentaciju, asistent mu servira tačne upite za baze podataka ili komande koje treba pokrenuti kako bi se potvrdila sumnja.

3. Ujednačavanje kvaliteta odgovora: Brzina rešavanja problema prestaje da zavisi isključivo od toga da li je u smeni dežuran veteran koji celu infrastrukturu drži u glavi.

Međutim, kada se od sistema zatraži da ode korak dalje – da samostalno donosi zaključke o problemima koji se nikada ranije nisu dogodili – iluzija o svemogućem digitalnom inženjeru nestaje.

Složeni incidenti u mikroservisnim arhitekturama retko nastaju iz jednog očiglednog razloga. Najčešće je reč o kaskadnim efektima: promena u mrežnoj konfiguraciji destabilizuje servis za autentifikaciju, što potom guši redove poruka u bazi. Veštačka inteligencija prepoznaje samo one obrasce koje je već videla. Kada se pojavi potpuno nova anomalija, model je sklon da sa velikim samopouzdanjem ponudi rešenje za problem koji zapravo ne postoji.

Novi profil: inženjer podrške osnažen veštačkom inteligencijom

Cilj implementacije ovakvih sistema u ozbiljnim tehnološkim gigantima nikada nije bila potpuna zamena ljudskog kadra, već oslobađanje inženjera od zamorne repetitivne dijagnostike.

Najuspešniji modeli rada uspostavljaju takozvani hibridni pristup (human-in-the-loop):

• AI preuzima analizu logova, filtriranje šuma, prvu trijažu i predlaganje hipoteza.

• Čovek zadržava kontrolu nad konačnom odlukom, procenom rizika i izvođenjem kritičnih operacija na produkciji.

Pretvaranje arhive podrške u pametnog digitalnog saradnika pokazuje da veštačka inteligencija možda neće preko noći postati vaš najbolji samostalni inženjer, ali inženjeri koji nauče da koriste ove sisteme kao produžetak sopstvene ekspertize bez sumnje postaju nepobedivi u brzini i preciznosti rešavanja problema.