Per i responsabili IT e della sicurezza che stanno valutando le funzionalità di intelligenza artificiale nelle piattaforme dei fornitori o pianificando implementazioni interne, il tipo di agente non è solo un dettaglio tecnico. Determina quali controlli di governance saranno necessari, in che misura le decisioni del sistema saranno verificabili e se il comportamento dell’agente rimarrà prevedibile nel tempo.
La presente guida analizza in dettaglio ciascuna tipologia di agente, ne illustra le caratteristiche distintive e offre un quadro di riferimento per adeguare la complessità degli agenti alla capacità di supervisione della vostra organizzazione.
Che cos’è un agente di intelligenza artificiale?
Un agente di intelligenza artificiale è un sistema software in grado di percepire l’ambiente circostante, elaborare informazioni e intraprendere azioni volte al raggiungimento di obiettivi specifici.
Talvolta denominati “agenti intelligenti”, questi sistemi si differenziano dagli script di automazione standard in modo fondamentale: gli agenti rilevano e reagiscono. Uno script esegue le stesse operazioni indipendentemente dalle condizioni. Un agente valuta la propria situazione attuale e sceglie un'azione in base a ciò che osserva.
Il tipo di agente determina direttamente il livello di controllo che desidererà esercitare. Un semplice agente di monitoraggio che riavvia un servizio in caso di picchi nell’utilizzo della CPU si comporta in modo prevedibile. Un agente di apprendimento che adatta il proprio approccio correttivo sulla base dei risultati storici richiede controlli di governance completamente diversi.
Comprendere i diversi tipi di agenti di intelligenza artificiale (agenti a riflesso semplice, a riflesso basato su modelli, basati su obiettivi, basati sull’utilità e agenti di apprendimento) permette di capire quanto contesto ciascuno di essi tenga in considerazione, con quale grado di autonomia operi e quanto sia prevedibile il suo comportamento.
La tassonomia che segue non è di natura puramente accademica. Si tratta di un quadro di riferimento pratico per valutare le capacità dell’intelligenza artificiale nelle implementazioni su piattaforma reali che state prendendo in considerazione, oppure per comprendere cosa sia già in esecuzione nel vostro ambiente.
I cinque tipi principali di agenti di intelligenza artificiale
I cinque tipi di agenti costituiscono una progressione che va da un comportamento semplice e prevedibile a un processo decisionale complesso e adattivo. Ogni passo in avanti comporta un aumento delle capacità, ma anche una maggiore complessità in termini di governance.
| Tipo di agente | Core principio | Prevedibilità delle decisioni | Obbligo di vigilanza |
|---|---|---|---|
| Riflesso semplice | Regole condizione-azione | Alto | Basso |
| Basato su modelli | Stato interno + regole | Medio-alto | Basso-medio |
| Basato sugli obiettivi | Pianificazione orientata agli obiettivi | Medio | Medio |
| Basato sull'utilità | Ottimizzazione in base a diversi fattori | Medio-basso | Medio-alto |
| Apprendimento | Miglioramento basato sul feedback | Inferiore | Alto |
La posizione occupata da una determinata funzionalità di IA all’interno di questo spettro vi aiuta a prevedere quali controlli di governance sarà opportuno adottare prima dell’implementazione. Comprendere i casi d’uso per cui ciascun tipo di agente è più adatto vi aiuta inoltre a evitare di implementare una complessità (e un onere di governance) superiori a quanto effettivamente richiesto dalla vostra situazione.
Esaminiamo ciascun tipo.
Agenti riflessogeni semplici
Gli agenti riflessivi semplici operano in base a regole predefinite che associano direttamente le condizioni alle azioni. Agendo esclusivamente sulla base delle percezioni del momento, confrontano ciò che osservano con condizioni predefinite ed eseguono l’azione corrispondente. Nessun ricordo. Nessuna pianificazione. Si applica semplicemente la logica "se-allora" in base alle condizioni attuali.
Si consideri un avviso basato su una soglia che si attiva quando l’utilizzo del disco supera il 90%. Si consideri il funzionamento dei termostati: quando la temperatura scende al di sotto di un valore prestabilito, il riscaldamento si accende. Non ricordo com'era il tempo ieri. Nessuna previsione. Solo una condizione e una risposta.
Essendo il tipo di agente più basato su regole e verificabile, gli agenti riflessivi semplici garantiscono un’elevata tracciabilità delle decisioni. Ogni risposta corrisponde direttamente a una regola da Lei definita e gli esiti sono generalmente deterministici: le stesse condizioni di input producono in genere la stessa risposta, a condizione che le regole sottostanti rimangano invariate. Quando si verifica un problema, è possibile individuare con esattezza quale condizione abbia determinato quale azione.
Il limite è evidente: gli agenti basati su semplici riflessi falliscono in situazioni che le loro regole non prevedono. Se l’utilizzo del disco raggiunge ripetutamente picchi del 89% prima di superare la soglia, un semplice agente a risposta automatica non rileverà tale andamento.
Negli ambienti IT, i semplici agenti Reflex si dimostrano efficaci per i controlli di integrità dei servizi (riavvio di un servizio quando questo smette di rispondere), gli avvisi relativi alle soglie delle risorse e l’applicazione delle configurazioni (segnalazione o correzione quando un’impostazione si discosta dalla linea di base).
Gli agenti basati su semplici riflessi danno il meglio di sé in ambienti stabili e osservabili: contesti prevedibili in cui la risposta corretta a una determinata condizione non varia in base al contesto e in cui i sensori dell’agente sono in grado di rilevare integralmente lo stato rilevante.
Agenti basati su modelli
Gli agenti riflessivi basati su modelli mantengono uno stato interno, ovvero una rappresentazione dinamica del proprio ambiente che persiste nel corso delle osservazioni. Essi monitorano l’andamento nel tempo, il che consente loro di gestire situazioni in cui la sola osservazione attuale non fornisce un quadro completo della situazione.
Si consideri un agente che monitora endpoint lo stato di salute su una rete distribuita. Un semplice agente di monitoraggio rileva che un dispositivo è attualmente offline e attiva un avviso. Un agente basato su modelli ricorda che il dispositivo si è disconnesso tre volte nell’ultima ora, che si tratta di un computer portatile che si disconnette frequentemente durante gli spostamenti e che, secondo il calendario dell’utente, questi si trova attualmente in viaggio. Stessa osservazione attuale, risposta diversa.
Il modello interno non deve necessariamente essere complesso. Potrebbe tenere traccia della cronologia recente, gestire un elenco degli stati noti dei dispositivi o memorizzare informazioni relative alle relazioni tra le risorse. L'aspetto fondamentale è che l'agente utilizzi il contesto accumulato per prendere decisioni consapevoli, anziché reagire esclusivamente alla situazione del momento.
Gli agenti basati su modelli sollevano una nuova questione per i revisori: cosa contiene il modello? Le decisioni dell’agente dipendono ora dallo stato accumulato, non solo dalle condizioni attuali e da regole statiche. Le sarà utile avere una visione chiara di ciò che l’agente “ricorda” e di come tale memoria influenzi le sue azioni.
Nell’ambito delle operazioni IT, gli agenti basati su modelli gestiscono i problemi di connettività intermittenti (distinguendo tra un dispositivo offline e uno che presenta fluttuazioni di connettività), il monitoraggio dello stato delle patch e la correlazione delle modifiche (collegando un problema di prestazioni attuale a una modifica di configurazione apportata in precedenza). Al di fuori del settore IT, la stessa architettura è alla base dei sistemi di rilevamento delle frodi che monitorano i modelli comportamentali nel tempo per distinguere le attività anomale dalle normali variazioni.
Agenti basati sugli obiettivi
Gli agenti basati sugli obiettivi sono progettati per essere orientati agli obiettivi: anziché reagire alle condizioni o monitorare lo stato, introducono la pianificazione, procedendo a ritroso a partire da un risultato desiderato per determinare quali passaggi consentiranno loro di raggiungerlo.
Un agente basato su obiettivi, incaricato di garantire la conformità di un server, rappresenta un esempio di risoluzione strutturata dei problemi: anziché limitarsi a verificare lo stato attuale e ad applicare una correzione, esso valuta il divario tra la configurazione attuale e uno stato futuro desiderato, identifica la sequenza delle modifiche necessarie e le esegue in ordine. Se una fase fallisce, è possibile rivalutare la situazione e scegliere una linea d’azione alternativa.
La pianificazione introduce un elemento di incertezza riguardo al percorso che l’agente sceglierà. Due agenti orientati agli obiettivi con obiettivi identici potrebbero seguire percorsi diversi a seconda dei loro algoritmi di pianificazione e delle opzioni disponibili. Le serviranno controlli che limitino i percorsi ammissibili, non solo i risultati ammissibili.
Per i team IT e di sicurezza, gli agenti basati su obiettivi si adattano alle attività di adeguamento alla conformità (allineamento degli endpoint a una politica definita attraverso qualsiasi misura necessaria), ai flussi di lavoro di risposta agli incidenti e alla distribuzione del software tenendo conto delle dipendenze e dei prerequisiti.
La domanda fondamentale nella valutazione degli agenti basati su obiettivi è la seguente: è possibile definire l’obiettivo con sufficiente precisione da rendere accettabile qualsiasi percorso che conduca ad esso? Se alcuni percorsi sono vietati, sarà opportuno predisporre delle barriere di protezione oltre il traguardo stesso.
Agenti basati sull'utilità
Gli agenti basati sull’utilità ottimizzano in base a più fattori in competizione tra loro. Mentre gli agenti basati sugli obiettivi si chiedono: «Come posso raggiungere questo obiettivo?», gli agenti basati sull’utilità si chiedono: «Quale azione disponibile produce il miglior risultato complessivo, tenendo conto di tutto ciò che mi sta a cuore?»
Questa distinzione è rilevante quando si presentano dei compromessi.
Immagini un agente che deve decidere quali vulnerabilità risolvere per prime. Un agente basato su obiettivi potrebbe affrontarli in ordine di gravità. Un agente basato sull’utilità valuta la gravità tenendo conto della criticità delle risorse, dell’impatto sul business, della complessità della risoluzione del problema e del carico operativo attuale. Potrebbe attribuire una priorità inferiore a una vulnerabilità critica su un sistema di test a favore di una vulnerabilità ad alta gravità su un database di produzione.
Le funzioni di utilità traducono molteplici fattori in un unico punteggio che guida le decisioni. Tra tutte le azioni possibili, l’agente seleziona quella con l’utilità attesa più elevata. Al di là delle operazioni IT, questa stessa logica di compromesso è alla base degli agenti basati sull’utilità nei sistemi e nei motori di raccomandazione (come le piattaforme di raccomandazione di contenuti o prodotti), nell’ottimizzazione della catena di approvvigionamento e nei sistemi di triage sanitario, dove è necessario valutare molteplici fattori in competizione tra loro per selezionare l’azione migliore.
In questo ambito, la complessità della governance aumenta in modo significativo. La funzione di utilità stessa diventa un punto di controllo critico. Il modo in cui si attribuisce un peso ai diversi fattori determina l’obiettivo verso cui l’agente si orienta. Se si impostano i pesi in modo errato, l’agente perseguirà con sicurezza risultati che non erano nelle vostre intenzioni.
Gli agenti basati sull’utilità trovano applicazione in contesti informatici quali , la definizione delle priorità basata sul rischio (classificazione delle azioni correttive in base alla riduzione del rischio prevista piuttosto che alla gravità assoluta), l’allocazione delle risorse e il triage degli avvisi (assegnazione di punteggi e instradamento degli avvisi in base alla probabilità, all’impatto e alla disponibilità degli analisti).
Agenti di apprendimento
Gli agenti di apprendimento migliorano le proprie prestazioni nel tempo attingendo alle esperienze passate e ai feedback ricevuti per perfezionare le decisioni future. Basati sui principi dell’apprendimento automatico e spesso implementati mediante l’apprendimento per rinforzo , in cui gli agenti ricevono segnali di ricompensa che ne modellano il comportamento futuro, essi non si limitano a eseguire regole o a ottimizzare funzioni. Adattano il proprio comportamento in base ai risultati, diventando più efficaci man mano che acquisiscono esperienza.
Un agente di apprendimento è costituito da diversi componenti che operano in modo coordinato. Questi agenti sono già impiegati in settori ad alto rischio, dalla robotica alle auto a guida autonoma, dalla produzione autonoma alle piattaforme di sicurezza informatica adattive, dove le regole fisse non riescono a stare al passo con le condizioni in continua evoluzione.
- Performance elemento: Agisce sulla base delle conoscenze attuali
- Elemento didattico: Aggiorna le conoscenze sulla base dei riscontri ricevuti
- Criterio: “ ” (Risultati effettivi) Valuta in che misura le azioni abbiano portato ai risultati desiderati
- Generatore di problemi: Suggerisce azioni esplorative volte a raccogliere nuove informazioni
Questa architettura consente l'adattamento. Un agente in grado di apprendere quali approcci di correzione si rivelano efficaci nel vostro ambiente specifico può risultare più efficace di uno che segua regole generiche. Tuttavia, per adattamento si intende anche che il comportamento dell’agente muta nel tempo in modi che potrebbero non essere immediatamente evidenti.
È qui che raggiungono il culmine i requisiti di governance e gli obblighi di conformità in materia di intelligenza artificiale ( ). Gli agenti di apprendimento possono discostarsi dal loro comportamento originario man mano che integrano nuovi feedback.
Le serviranno meccanismi per monitorare ciò che l’agente ha appreso, limitare l’ambito di ciò che può modificare, garantire la tracciabilità dell’evoluzione dei comportamenti appresi, verificare che questi siano ancora in linea con la politica e ripristinare gli stati precedenti qualora si rivelassero problematici.
Gli agenti di apprendimento si adattano a scenari caratterizzati da ambienti dinamici in cui le condizioni cambiano frequentemente, le risposte ottimali variano a seconda del contesto e i dati storici possono contribuire a prendere decisioni più oculate.
Come si combinano i diversi tipi di agenti nelle implementazioni aziendali
I sistemi di intelligenza artificiale utilizzati in ambito produttivo utilizzano raramente un unico tipo di agente in modo isolato. Più comunemente, le organizzazioni combinano tra loro diverse architetture basate su agenti, in modo che ciascuna si occupi di ciò che sa fare meglio.
Un modello tipico nelle implementazioni aziendali su larga scala: semplici agenti "riflessivi" gestiscono attività ripetitive e decisioni caratterizzate da volumi elevati e bassa complessità a livello periferico. Filtrano i segnali di disturbo, gestiscono le situazioni di routine e inoltrano le eccezioni ad agenti di livello superiore, meglio attrezzati per gestirle.
Gli agenti basati su modelli mantengono il contesto e gestiscono situazioni che richiedono la conoscenza degli eventi recenti. Gli agenti basati su obiettivi o sull’utilità affrontano compiti complessi, compresi i flussi di lavoro di correzione che richiedono pianificazione o valutazione dei compromessi, laddove agenti più semplici fallirebbero o richiederebbero un intervento umano costante.
Questo approccio a più livelli offre diversi vantaggi:
- Una governance adeguata per ogni livello: Gli agenti semplici situati ai margini non richiedono lo stesso livello di supervisione degli agenti in grado di apprendere che prendono decisioni complesse
- Degradazione graduale: Se un agente sofisticato smette di funzionare o si comporta in modo imprevisto, gli agenti più semplici continuano a gestire le operazioni di routine
- Adozione graduale: Le organizzazioni possono iniziare con tipi di agenti più semplici e aumentare la complessità man mano che cresce la maturità della governance; si tratta di un approccio che evita una progettazione eccessivamente complessa nelle prime fasi di implementazione, preservando al contempo un percorso chiaro verso architetture più autonome
La sfida consiste nell’integrazione, in particolare nell’orchestrazione. Gli agenti operanti a diversi livelli devono comunicare tra loro, trasferirsi il contesto ed evitare azioni contrastanti; ciò richiede una logica di coordinamento chiara e protocolli di trasferimento ben definiti. La definizione chiara dei confini tra le responsabilità degli agenti contribuisce a evitare lacune o sovrapposizioni.
Man mano che queste architetture a più livelli si espandono, le organizzazioni si trovano spesso ad affrontare una proliferazione dell’intelligenza artificiale agentica — una sfida a livello di ecosistema in cui gli agenti si moltiplicano, le responsabilità si sovrappongono ed emergono rischi che non sono visibili quando si valuta un singolo agente in modo isolato.
Nel valutare le funzionalità di intelligenza artificiale delle piattaforme, si chieda in che modo interagiscono i diversi tipi di agenti. Un fornitore che dichiara di offrire una “automazione basata sull’intelligenza artificiale” potrebbe utilizzare semplici agenti a risposta automatica, agenti che apprendono o una combinazione dei due. La risposta determinerà il modello di governance che desidererà adottare.
Man mano che il settore si orienta verso sistemi multi-agente autonomi sempre più , la comprensione di tali differenze architetturali assumerà un’importanza sempre maggiore per i responsabili delle decisioni aziendali.
La scelta del tipo di agente più adatto
La scelta del tipo di agente non è principalmente una decisione di natura tecnica. Si tratta di una decisione di governance che tiene conto della tolleranza al rischio, della capacità di supervisione e della maturità operativa della vostra organizzazione.
Si inizi dalle caratteristiche decisionali. In che misura il comportamento dell’agente deve essere prevedibile? Quanto contesto richiede tale decisione? Esistono più percorsi validi per raggiungere il risultato desiderato? Esistono compromessi tra priorità contrastanti? Il comportamento ottimale è destinato a cambiare nel corso del tempo?
Valutate quindi il vostro grado di preparazione in materia di governance. È possibile verificare a posteriori le decisioni dell’agente? Disponete di misure di controllo volte a limitare le azioni inaccettabili? È possibile monitorare eventuali scostamenti comportamentali? Disponete di procedure di rollback nel caso in cui qualcosa vada storto?
Le organizzazioni che hanno iniziato prima ad adottare l’intelligenza artificiale traggono spesso vantaggio dal fatto di partire da tipi di agenti più semplici. Gli agenti basati su semplici riflessi e su modelli offrono vantaggi in termini di automazione, grazie a un comportamento prevedibile e a tracciati di controllo chiari e semplici. Man mano che le pratiche di governance dell’ e maturano, diventano fattibili tipi di agenti sempre più sofisticati.
| Se lo desidera... | Si consideri... | Priorità in materia di governance |
|---|---|---|
| Risposte prevedibili a condizioni note | Agenti riflessogeni semplici | Documentazione e collaudo delle regole |
| Decisioni sensibili al contesto | Agenti basati su modelli | Visibilità dello stato e convalida del modello |
| Risanamento in più fasi | Agenti basati sugli obiettivi | Vincoli di percorso e verifica dei risultati |
| Ottimizzazione dei compromessi | Agenti basati sull'utilità | Revisione della funzione di utilità e convalida dei pesi |
| Miglioramento adattivo | Agenti di apprendimento | Monitoraggio della deriva e limiti comportamentali |
Il tipo di agente più adatto è quello che soddisfa sia le vostre esigenze operative sia la vostra capacità di governance. L’implementazione di agenti sofisticati senza un’adeguata supervisione comporta dei rischi. L'implementazione di agenti eccessivamente semplici in contesti che richiedono invece un certo livello di complessità genera inefficienza.
L'obiettivo è quello di adeguare le capacità degli agenti alla complessità delle attività, ottimizzando le operazioni laddove siano sufficienti agenti più semplici, senza ricorrere a soluzioni eccessivamente complesse né a investimenti insufficienti.
Le informazioni in tempo reale relative all’ endpoint e costituiscono la base per qualsiasi tipo di agente. Gli agenti possono prendere decisioni corrette solo se dispongono di dati accurati e aggiornati sull'ambiente in cui operano.
In che modo " Tanium " utilizza gli agenti basati sull'intelligenza artificiale nelle operazioni IT e nella sicurezza
La tassonomia degli agenti trattata in questo articolo non è puramente teorica. Ciò ha implicazioni dirette sul modo in cui valutate le funzionalità dell’IA, comprese quelle generative, nelle piattaforme che la vostra organizzazione già utilizza o sta prendendo in considerazione.
Tanium L’intelligenza artificiale si basa su questa stessa realtà architettonica, combinando capacità agentiche generative e fondate sull’intelligenza endpoint in tempo reale piuttosto che su dati memorizzati nella cache o sincronizzati periodicamente. Tale realtà architettonica comporta conseguenze dirette: gli agenti basati su obiettivi e su utilità (le tipologie più rilevanti per le operazioni IT e i flussi di lavoro relativi alla sicurezza) sono affidabili solo nella misura in cui lo è lo stato dell’ambiente su cui agiscono.
Tanium "Ask Agent" riflette nella pratica un approccio progettuale basato sugli obiettivi e sull’utilità: utilizza l’elaborazione del linguaggio naturale (NLP) per ricevere compiti espressi in linguaggio semplice, raccoglie su richiesta i dati aggiornati di endpoint tramite un livello API progettato per fornire informazioni aggiornate su endpoint e propone raccomandazioni contestualizzate e in linea con le migliori pratiche relative al prodotto, con la possibilità di agire direttamente dalla console.
I controlli di governance (accesso basato sui ruoli, autorizzazioni con intervento umano, punteggi di affidabilità e implementazioni progressive) sono integrati nel flusso di lavoro anziché essere considerati un elemento secondario, il che consente di affrontare uno dei rischi più significativi individuati nel presente articolo: l’azione autonoma senza un’adeguata supervisione.
Le tipologie di agenti di intelligenza artificiale si intrecciano con questioni più ampie relative all’implementazione dell’intelligenza artificiale, alla governance e alla preparazione organizzativa. Di seguito sono riportate alcune domande frequenti che esulano dalla tassonomia di base.
Domande frequenti sui tipi di agenti basati sull'intelligenza artificiale
Le tipologie di agenti di intelligenza artificiale si intrecciano con questioni più ampie relative all’implementazione dell’intelligenza artificiale, alla governance e alla preparazione organizzativa. Di seguito sono riportate alcune domande frequenti che esulano dalla tassonomia di base.
Qual è la differenza tra un agente di intelligenza artificiale e un chatbot?
Un chatbot è in genere un'applicazione specifica dell'intelligenza artificiale incentrata sull'interazione conversazionale, una delle numerose app e interfacce attraverso le quali l'intelligenza artificiale basata su agenti viene messa a disposizione degli utenti finali. I bot di questo tipo spaziano da semplici script basati sul riconoscimento di parole chiave a sistemi sofisticati che possono essere definiti veri e propri agenti di intelligenza artificiale.
Un agente di intelligenza artificiale è un concetto più ampio che descrive qualsiasi sistema in grado di percepire, decidere e agire. Alcuni chatbot rientrano nella categoria degli agenti di intelligenza artificiale. Altri sono semplici sistemi di riconoscimento di modelli che non mantengono uno stato né perseguono obiettivi. Nell’assistenza clienti, ad esempio, un semplice bot per le domande frequenti non è un agente di intelligenza artificiale; tuttavia, un sistema in grado di tracciare la cronologia delle conversazioni, inoltrare i problemi irrisolti ai livelli superiori e smistare i ticket in base all’urgenza può essere considerato tale.
La questione fondamentale è se il sistema operi attivamente per il raggiungimento di obiettivi basati sul feedback ambientale. I moderni agenti conversazionali basati su modelli linguistici di grandi dimensioni (LLM) rendono questo confine ancora più labile: sono in grado di mantenere il contesto, perseguire obiettivi e intraprendere azioni, il che li avvicina maggiormente agli agenti orientati agli obiettivi o all’utilità rispetto ai chatbot tradizionali.
Un agente di intelligenza artificiale può operare senza la supervisione umana?
Tecnicamente, sì. In pratica, dipende dal tipo di agente e dalla posta in gioco.
Gli agenti basati su semplici meccanismi riflessivi, che gestiscono decisioni di routine e a basso rischio, operano spesso in modo autonomo entro limiti ben definiti. Gli agenti di apprendimento che prendono decisioni con conseguenze concrete richiedono in genere una supervisione umana, procedure di approvazione o, come minimo, un monitoraggio rigoroso. La questione non è se gli agenti possano operare in modo indipendente, bensì se siano adeguati ai rischi e al livello di maturità della vostra governance.
In che modo i sistemi multi-agente differiscono dagli agenti singoli?
I sistemi multi-agente prevedono la collaborazione di più agenti, talvolta in modo cooperativo, talvolta in modo competitivo. Vengono utilizzati quando i problemi complessi superano le capacità di un singolo agente, oppure quando la distribuzione delle decisioni tra agenti specializzati migliora i risultati.
I sistemi multi-agente pongono sfide in termini di coordinamento: gli agenti possono avere obiettivi contrastanti, informazioni incomplete gli uni sugli altri o dipendenze che generano cascate di errori.
Quale ruolo svolge la qualità dei dati nell'efficacia degli agenti?
La qualità dei dati è fondamentale. Ogni tipo di agente dipende da una percezione accurata dell’ambiente circostante. Agenti che agiscono in modo semplicistico e impulsivo, sulla base di dati errati provenienti dai sensori, provocano azioni sbagliate. Gli agenti di apprendimento addestrati su dati errati acquisiscono comportamenti errati. Per gli ambienti IT, una visibilità completa e in tempo reale endpoint non è un’opzione facoltativa. È il presupposto fondamentale per qualsiasi automazione basata su agenti.
Come posso sapere quale tipo di agente utilizza un fornitore?
Chieda direttamente. Richieda la documentazione relativa alle modalità con cui l’IA prende le decisioni, ai dati che utilizza, al fatto che mantenga o meno uno stato, al fatto che pianifichi in funzione di obiettivi e al fatto che apprenda dal feedback.
Risposte vaghe come “basato sull’intelligenza artificiale” o “automazione intelligente” non forniscono le informazioni necessarie ai fini della governance. Il tipo di agente determina i requisiti di supervisione, pertanto è opportuno disporre di informazioni specifiche.
Comprendere le tipologie di agenti costituisce il punto di partenza. Osservare il loro funzionamento nel vostro ambiente è ciò che consente di prendere decisioni concrete.
Prenotate una demo personalizzata all’indirizzo per scoprire come le funzionalità di Tanium', ovvero l’intelligenza in tempo reale endpoint e l’IA agente, interagiscono nella pratica.
