Cornerstone OnDemand تختصر تشخيص قواعد البيانات 78% عبر Amazon Bedrock
اعتمدت شركة Cornerstone OnDemand على نظام Orion AI متعدد الوكلاء المبني على Amazon Bedrock لتحويل إدارة قواعد البيانات من عمليات إطفاء حرائق ردّية إلى أتمتة استباقية ذكية.
رضوان عبدالهاديمحرر وكاتب تقني
تحول جذري في إدارة عمليات قواعد البيانات
تواجه فرق العمليات التقنية تحديات كبيرة في إدارة قواعد البيانات، حيث كان فريق Enterprise DataOps في شركة Cornerstone OnDemand يقضي ما يصل إلى 45 دقيقة في كل حادثة، مستخدماً أدوات متعددة وعروض نظام يدوية قبل تحويل المشكلة إلى فرق أخرى. هذا النهج التفاعلي كان يستهلك وقت المهندسين في التنسيق اليدوي بدلاً من حل المشكلات الجوهرية. لمعالجة هذه الكفاءة، طورت الشركة نظام Orion AI، وهو نظام ذكاء اصطناعي متعدد الوكلاء يستند إلى Amazon Bedrock وإطار Strands Agents مفتوح المصدر، بهدف تحويل العمليات من رد الفعل إلى أتمتة استباقية ذاتية التنظيم.
نجح فريق مكوّن من ثلاثة أشخاص في تسليم هذا النظام خلال ستة أشهر فقط، مما أدى إلى خفض زمن التشخيص من 45 دقيقة إلى 10 دقائق، وهو انخفاض كبير بنسبة 78%. يعكس هذا التحول نجاح الشركة في دمج تقنيات الذكاء الاصطناعي التوليدي مع البنية التحتية السحابية لتحسين الكفاءة التشغيلية بشكل ملموس.
معالجة نقاط الألم التشغيلية
قبل تطبيق Orion AI، كانت هناك أربع نقاط ألم رئيسية تعيق أداء الفريق. أولاً، استغرق التحقيق في أداء قواعد البيانات حوالي 45 دقيقة لكل حادثة، موزعة على عدة أدوات وعروض نظام. ثانياً، تطلبت سير عمل دورة حياة قاعدة البيانات 10 خطوات يدوية أو أكثر، بدءاً من إنشاء الاتصالات وصولاً إلى تحديث حالة الحالة. ثالثاً، اعتمدت التقارير بين فريق هندسة موثوقية الموقع (SRE) وفريق البيانات على تأخير قدره 15 دقيقة. وأخيراً، كانت التنبيهات المتكررة والمتداخلة تخلق ضجيجاً يخفي الإشارات المهمة، مما أدى إلى إرهاق المهندسين.
أدى هذا الوضع إلى إهدار الوقت في التنسيق اليدوي بدلاً من التركيز على حل المشكلات. من خلال أتمتة هذه الاختناقات، سعت الشركة إلى تحرير فرقها التقنية للتركيز على المهام ذات القيمة الأعلى.
البنية المعمارية لنظام Orion AI
يعمل Orion AI كنظام متعدد الوكلاء حيث يقوم وكيل منسق (المشغل الرئيسي) بتفويض المهام إلى وكلاء فرعيين متخصصين مرتبين في بنية مركزية (Hub-and-spoke). يتفاعل المهندسون مع النظام عبر تطبيق ويب، حيث يطرحون الأسئلة ويوافقون على الإجراءات في نفس المكان الذي ينسقون فيه العمل التشغيلي. تغطي هذه الوكلاء مجالات مراقبة البنية التحتية، وتشخيص قواعد البيانات، وعمليات دورة الحياة، وتحليلات العملاء، والدعم المعتمد على المعرفة.
تضمنت قرارات التصميم الأساسية الحفاظ على خصوصية البيانات باستخدام أدوات AWS ضمن نموذج المسؤولية المشتركة، والتكامل العميق مع الأدوات التشغيلية الحالية. وفرت Amazon Bedrock وصولاً مُداراً إلى النماذج الأساسية، بينما وفر إطار Strands Agents طبقة التنسيق اللازمة لإدارة تفاعل الوكلاء المختلفة.
تحسينات ملموسة في السرعة والدقة
كان تقليل زمن تشخيص قواعد البيانات أكبر مكسب كفاءة حققه النظام. سابقاً، كان المهندسون يتصلون يدوياً بـ SQL Server، ويستعلمون عن سلاسل الحجب وأنواع الانتظار، ويطابقون السجلات لعزل الاستعلامات طويلة الأمد. الآن، تتقاسم ثلاثة وكلاء متخصصين التحقيق، حيث يملك كل وكيل مرحلة مميزة. يتجاوز النظام التشخيص ليشمل الإصلاح، حيث يحدد السبب الجذري، ويوصي بالإصلاح، وينشئ تذكرة Jira مملوءة ومخصصة للمهندس المناوب الصحيح، مما يجمع أربع خطوات يدوية في تفاعل واحد.
بالإضافة إلى التشخيص، حوّل النظام المهام التي كانت تتطلب أكثر من 10 خطوات يدوية إلى تفاعل واحد بلغة طبيعية. يحدد Orion AI الأدوات ومصادر البيانات المناسبة، وينفذ الاستعلامات عبر الأنظمة، ويتحقق من النتائج، ويعيد استجابة موحدة. كما أزاح النظام تأخير التقارير بين فرق SRE والبيانات، واستبدل الفحوصات اليدوية الدورية برؤية مستمرة عبر الأنظمة.
تقليل إرهاق التنبيهات وتحسين المراقبة
نجح Orion AI في تقليل التنبيهات الزائدة بنسبة وسطى قدرها 65% من خلال إزالة التكرار، وتصفية العتبات، وربط الإشارات المتقاطعة. بدلاً من 10 تنبيهات، يصل الآن 3 إلى 4 تنبيهات فقط للمهندسين. يتم توجيه هذه التنبيهات مباشرة إلى الفرق المسؤولة دون الحاجة إلى طبقة تنبيهات وسيطة، مما يحسن سرعة الاستجابة ودقة المعلومات المقدمة للمهندسين.
قرارات تصميمية قابلة لإعادة الاستخدام
استند تصميم Orion AI إلى ثلاثة قرارات رئيسية يمكن للفرق الأخرى تطبيقها في مشاريعها متعددة الوكلاء. أولاً، تقسيم الوكلاء حسب المجال وليس حسب تعقيد المهمة؛ حيث يحمل كل وكيل مجموعة ضيقة من تكاملات الأدوات لمجال تشغيلي واحد، مما يحافظ على تركيز سياق النموذج ويحسن دقة اختيار الأدوات. ثانياً، الاعتماد على التوجيه بالكلمات المفتاحية كخيار افتراضي، مع اللجوء إلى البحث الدلالي عند الغموض، للحفاظ على زمن الاستجابة منخفضاً دون التضحية بالدقة.
ثالثاً، تحديد نطاق الذاكرة المحادثة للجلسات وتجاوزها للمقاييس الحية. تدعم الذاكرة الدائمة المحادثات متعددة الأدوار، لكن الأسئلة التشغيلية تقرأ دائماً حالة النظام الحالية. يساعد تجاوز الذاكرة للمقاييس الحية في منع البيانات القديمة من تلويح التشخيصات الفورية، مما يضمن دقة المعلومات في الوقت الحقيقي.
النشر والتكامل التقني
تم نشر Orion AI كخدمات حاوية على Amazon Elastic Container Service (Amazon ECS). يتفاعل المستخدمون عبر تطبيق ويب يوجه كل طلب إلى الوكيل المناسب، ويستدعي الأدوات المطلوبة، ويجمع الاستجابة. تستخدم البنية إطار Strands Agents، حيث يمثل الوكيل المركزي (المشغل الرئيسي) عقدة التوجيه، بينما تكون الوكلاء الفرعية كائنات مستقلة تُحمّل عند الحاجة، ويحمل كل منها نموذجاً وأدوات ونظام موجه محلياً.
تتصل الوكلاء بمخازن البيانات عبر خادم أدوات MCP (Model Context Protocol)، وتستخدم Amazon Bedrock للنماذج والذاكرة طويلة المدى والاسترجاع المعزز بالتوليد (RAG). يضمن هذا التكامل سلاسة العمليات وأمان البيانات ضمن بيئة سحابية موثوقة.
المصادر
- AWS Machine Learning BlogHow Cornerstone OnDemand cut database diagnosis by 78% with Amazon Bedrock
تابع التسلسل الزمني
تغطية الكيانات المرتبطة
أخبار مرتبطة
Z.ai تطلق نموذج GLM 5.3 على منصة Amazon Bedrock
أعلنت Z.ai عن توفر نموذج GLM 5.3 على Amazon Bedrock، وهو نموذج خبير مختلط بـ 753 مليار معامل مصمم للمهام البرمجية والوكيلة طويلة الأمد.
GPT-6.1 Sol متاح الآن على Amazon Bedrock بتكلفة أقل
أطلقت أمازون نموذج GPT-6.1 Sol على Amazon Bedrock، ليوفر قدرات استنتاجية قوية تشبه Astra في البرمجة واستخدام الحاسوب بتكلفة أقل بكثير.
NarrateAI يرفع دقة نماذج الذكاء الاصطناعي إلى 99% على Amazon Bedrock
تفصيل تقني لخمس تقنيات متقدمة تضمن جودة مخرجات نماذج اللغة الكبيرة في الوقت الفعلي، مع تقليل الهلوسة الرقمية وتحسين سرعة الاستجابة عبر بنية تحتية سحابية.
إطلاق نموذج Kimi K3 من Moonshot AI عبر منصة Amazon Bedrock
أطلقت AWS نموذج Kimi K3 من Moonshot AI عبر Amazon Bedrock، وهو أول نموذج مفتوح الأوزان بـ 2.8 تريليون بارامتر، ويدعم ذاكرة مؤقتة للمطالبات لتحسين الكفاءة.
