AI a monitoringban: gyorsabb riasztáskezelés

Az AI ma már nem „jövőkép”, hanem mindennapi adottság: évek óta velünk van gépi tanulás, mélytanulás, nyelvfeldolgozás vagy gépi látás formájában, az utóbbi években pedig a generatív AI hozott látványos ugrást tartalomautomatizálásban, hatékonyságnövelésben és gyorsabb döntéstámogatásban. A kérdés az IT-üzemeltetésben egyszerű: hogyan fordítható ez kézzelfogható előnnyé a napi hibakezelésben és a monitoring zajának csökkentésében?

Miért kulcs a központi monitoring?

Központi monitoringra szinte minden szervezetnek szüksége van, mert így:

• egy helyen látható az összes rendszer, eszköz és szolgáltatás állapota,
• valós idejű képet ad a működésről,
• támogatja a gyors hibafelismerést és az azonnali riasztásokat,
• hosszabb távon a proaktív üzemeltetés alapja.

Emellett a monitoring nem csak „piros-zöld lámpa”: szolgáltatásmonitoringra és SLA-mérésre, trendanalízisre, jövőtervezésre, valamint integrációkra (pl. CMDB, ticketing, naplógyűjtők) is támaszkodunk.

Zabbix mint alap: stabil, skálázható, rugalmas

A Zabbix kézenfekvő választás, ha teljes körű infrastruktúra-monitoring kell:

• sablon alapú működés (gyors bevezethetőség),
• fejlett vizualizáció és dashboarding,
• skálázható architektúra (front-end/back-end felépítés, proxy funkció),
• gyártó- és platformfüggetlenség,
• agent és agentless megoldások,
• nyílt forráskód, és nagyvállalati környezetre elérhető LTS verzió.

A klasszikus monitoring-feladatok viszont ettől még megmaradnak: rendszerállapot-felügyelet, rendellenességek korai észlelése, riasztások kezelése és priorizálása, incidenskezelés támogatása, teljesítmény- és kapacitásfigyelés.

A kihívás ott kezdődik, amikor a riasztások száma és összetettsége miatt a csapat ideje egyre nagyobb része a „zaj válogatására” megy el.

AI-támogatás a riasztások kezelésének gyorsítására

Az üzemeltetésben két tipikus igény jelenik meg:

1. Egyedi riasztások gyors értelmezése és a következő lépések támogatása
2. Sok riasztásból a valóban kritikusak kiemelése, hogy legyen fókusz

1) Alert Assist: „mit jelent ez a riasztás, és mit csináljak most?”

Az Alert Assist egy, a Zabbix felületébe beépülő frontend modul, amely nyelvi modellel értelmezi a kiválasztott problémát, és rövid, jól olvasható támogatást ad az operátornak.

A válasz szerkezete kifejezetten üzemeltetési logikát követ:

• Lehetséges kiváltó okok: például szolgáltatásleállás, hálózati elérés/probléma, tűzfal-szűrés, hibás konfiguráció vagy túlterheltség.
• Ellenőrző lépések parancsokkal: javasolt parancsok/ellenőrzések, amelyekkel gyorsan validálható a gyanú.
• Javasolt intézkedési sorrend: mit érdemes először megnézni, mit lehet azonnal kizárni.
• Megelőzési javaslatok: hogyan csökkenthető annak esélye, hogy a hiba ismét felbukkanjon.

A cél nem az, hogy „hosszú esszét” kapjon a csapat, hanem hogy a napi operátori munkához szükséges döntési pontok gyorsabban meglegyenek – különösen hasznos ez betanulásnál, junior kollégáknál, vagy amikor a tudás szétszórtan létezik.

2) Priority Manager: amikor 10–20 oldalnyi riasztásból kell 5-re fókuszálni

Nagyobb, produktív környezetben tipikus, hogy a monitoring „tele van” eseménnyel. Ilyenkor a legnehezebb kérdés az, hogy mi igényel azonnali beavatkozást.

A Priority Manager egy, a felületbe illeszkedő komponens, amely az összes aktív problémát halmazként vizsgálja, majd nyelvi modell (és opcionálisan belső tudás) alapján rangsorolja a legkritikusabbakat.

A gyakorlatban ez azt jelenti, hogy:

• egy Top N lista jön létre (konfigurálható: 5/10/15 stb.),
• minden tételhez látszik a probléma típusa és az érintett környezet,
• a listában szereplő problémákra külön is kérhető javasolt intézkedés, magyarul megfogalmazva,
• lehet szűrni a válasz hosszára, illetve áttekinteni a riasztások történetét,
• és azonos jellegű problémák csoportosítva is megjelenhetnek (nem csak „szerverenként” szemlélve a helyzetet).

A hozzáadott érték itt az, hogy a csapat gyorsan rátalál a „valódi tűzre”, és a monitoringból érkező zaj kezelhetőbbé válik.

Technikai háttér: rugalmas modellválasztás, kontrollált adatkitettség

Mindkét megoldásnál fontos szempont, hogy a szervezetek eltérően állnak a felhős AI-hoz. Emiatt a kialakítás két irányt is támogat:

• On-prem futtatás: HPE GPU-s szerverrel, helyi modellekkel (pl. ollama/localai).
• Felhős LLM: igény szerint több szolgáltató API-ja felé (pl. OpenAI, Google, Amazon, Microsoft).

Gyakorlati, üzemeltetési szempontból különösen lényeges a kontroll:

• a szenzitív infrastruktúra-azonosítók (például szervernevek, IP-k) nem feltétlenül kerülnek ki a modell felé; a megközelítés anonimizálást alkalmazhat,
• a válasz minőségét pedig szándékosan kialakított system prompt segíti: rövid, operátori fókuszú, és a téves „túlköltés” (hallucináció) minimalizálására törekszik.

A rangsorolás oldala workflow-alapú automatizációként is felépíthető (nem script-ekre építve), így jól kiegészíthető belső tudással, szabályokkal és szervezeti sajátosságokkal.

Üzemeltetési előnyök: gyorsabb reakció, kisebb teher, kevesebb „zaj”

Az AI-val támogatott monitoring legfontosabb kézzelfogható előnyei:

• Gyorsabb riasztáskezelés: fókusz a kritikusokra, kevesebb idő a válogatáson.
• Üzemeltetők tehermentesítése: a rutinkörök és az első vizsgálatok egyszerűsödnek.
• L1/helpdesk szint erősítése: az AI-asszisztens támogatásával több hiba ellenőrizhető magasabb szintű eszkaláció nélkül.
• „Shadow AI” kockázat csökkentése: ha a kollégák amúgy is AI-t használnak, érdemes kontrollált, szervezeti keretek közé terelni, mit és hogyan adunk át a modellnek.

Jövőkép: agentic működés és „beszélgetés” a monitoringgal

A következő lépcső nem csak a javaslatokban van, hanem az agentic irányban: amikor a rendszer nem csupán magyaráz, hanem bizonyos, szabályozott lépésekben végre is hajt feladatokat (például ismétlődő, alacsony kockázatú teendők automatizálása, vagy a riasztások historikus értelmezése alapján a zaj csökkentése).

Ezzel párhuzamosan megjelenik az igény arra is, hogy ne csak „kattintgassuk” a felületet: egy MCP (Modell Context Protocol) szerver koncepciója azt célozza, hogy a monitoringhoz természetes nyelven lehessen kapcsolódni – ami a tanulási görbét is rövidítheti, különösen olyan eszközöknél, amelyeknél gyakori visszajelzés a komplex kezelhetőség.

Kérdése van, érdekelné megoldás? Vegye fel Kollégáinkkal a kapcsolatot!