La gestione delle operation IT è un ambito sempre più complesso, dove l’efficienza dipende dalla capacità di reperire e condividere conoscenza in tempi rapidi. Durante l’Artificial Intelligence Talk organizzato dall’Osservatorio Artificial Intelligence del Politecnico di Milano, Marco Bongiovanni, Senior Consultant di Blue Reply, ha presentato un approccio che unisce AI generativa e sistemi multi-agente per costruire una knowledge base con AI capace di supportare il ciclo di vita del software e semplificare la problem determination.
Indice degli argomenti
Una knowledge base con AI al centro del ciclo di vita del software
Secondo Bongiovanni, la sfida principale è trasformare il Software Development Life Cycle (SDLC) — che comprende analisi, sviluppo, test e Application Management — in un processo realmente integrato. Ogni fase, una volta che le applicazioni sono in produzione, genera domande e necessità informative. «Noi vogliamo dare una risposta a queste domande con un singolo artefatto: la knowledge base» ha spiegato.
Questa knowledge base con AI diventa quindi un punto di conoscenza centralizzato, alimentato da una fonte considerata attendibile e sempre aggiornata: il codice. Per costruirla, il team ha combinato script deterministici e strumenti di Generative AI, strutturando le informazioni in database grafi (Graph DB) e database vettoriali (Vector DB). La conoscenza così organizzata può essere resa disponibile tramite interfacce conversazionali o wiki consultabili, rendendo più immediato l’accesso da parte di sviluppatori e team di operation.
Il problema della knowledge dispersa e l’opportunità dell’AI
Uno dei punti critici individuati riguarda la frammentazione della conoscenza. Nei team di Application Management è frequente che un operatore debba chiedere informazioni a un collega, con conseguente perdita di tempo e rallentamento nella risoluzione dei problemi. «Sono tutte cose che possono essere risolte avendo una base strutturata e sfruttandola con l’intelligenza artificiale» ha chiarito Bongiovanni.
La knowledge base con AI non si limita a raccogliere dati: è progettata per fornire risposte contestualizzate. L’integrazione con sistemi di alerting e ticketing consente di affrontare in modo sistematico la problem determination, fase particolarmente delicata quando si verificano errori in produzione.
Problem determination: il caso d’uso presentato
Il caso d’uso illustrato da Bongiovanni riguarda un sistema multi-agente applicato alla gestione di alert in ambienti di produzione. Al verificarsi di un errore, il processo viene attivato automaticamente. Un primo agente, definito Triage Team, effettua lo screening iniziale e instrada la richiesta verso altri agenti specializzati.
Uno si concentra sulla ricerca nel codice, partendo dall’errore e interrogando il Graph DB per individuare entità e relazioni. Successivamente accede al repository Git per estrarre frammenti di codice rilevanti. Un altro agente lavora sui log: dall’errore che ha attivato l’alert risale a log più dettagliati, utili a comprendere le cause del problema. Infine, un terzo agente interroga il Vector DB, dove è stata inserita una wiki tecnica generata automaticamente a partire dal codice tramite Generative AI.
Il risultato di queste ricerche confluisce nell’agente finale, denominato Problem Solver, che sintetizza le informazioni e produce un report dettagliato di problem determination e risoluzione. Questo viene inviato al team di Application Management tramite mail o ticket Jira.
La knowledge base come leva per efficienza e aggiornamento continuo
La presentazione ha evidenziato come la costruzione e l’aggiornamento della knowledge base con AI siano fondamentali per il successo del modello. Spesso, nelle aziende, la documentazione è mancante o non aggiornata: l’automazione della generazione della knowledge base rappresenta quindi un passo decisivo.
Secondo Bongiovanni, l’obiettivo è integrare questo processo nelle pipeline di sviluppo, in modo che la knowledge base venga aggiornata automaticamente a ogni push di nuovo codice in produzione. Una simile automazione riduce i tempi di creazione della documentazione e ne garantisce la coerenza, evitando lacune che possono rallentare il lavoro dei team IT.
Verso nuove applicazioni della knowledge base con AI
L’uso del sistema non si esaurisce nella problem determination. La stessa infrastruttura di conoscenza può essere sfruttata in maniera più estesa, consentendo ricerche dirette a sviluppatori e utenti business sul codice in produzione. In prospettiva, Bongiovanni ha indicato alcuni sviluppi futuri: la creazione di uno storico di soluzioni validate da utilizzare come base di apprendimento per i sistemi multi-agente e l’adozione di cache intelligenti per ridurre latenze e costi.
L’idea di fondo è che una knowledge base con AI, continuamente arricchita e aggiornata, possa diventare un asset strategico non solo per risolvere errori specifici, ma per migliorare in generale la resilienza e la velocità di risposta delle IT Operations.
