Di norma, le organizzazioni più grandi e articolate affidano a fornitori esterni (tramite gare) lo sviluppo delle proprie applicazioni, cosa che comporta una rotazione continua degli attori coinvolti. Succede infatti che il software venga sviluppato da un’azienda, gestito e aggiornato da un’altra , con conseguente perdita di know-how specifico.
Tutto ciò ha un impatto notevole sui processi operativi. Quando iniziano a emergere dei problemi, comprendere la causa e risolverli richiede tempo e risorse, perché i team di supporto non necessariamente hanno conoscenze specifiche dell’applicativo, né strumenti adeguati a effettuare analisi rapide, profonde e mirate all’interno di ecosistemi software molto complessi. Il risultato è una problem determination lenta, dipendente da esperti introvabili, con un conseguente accumulo di ticket e una forte incertezza sui tempi di risoluzione.
È in questo scenario che nasce la necessità di un approccio nuovo, capace di automatizzare le attività di analisi del software applicativo e di diagnosi dei problemi per rendere più efficienti gli interventi, anche in carenza di conoscenze sullo specifico sistema. Ed è questo l’obiettivo che ha spinto Sourcesense, azienda del Gruppo Poste Italiane specializzata nella progettazione di soluzioni basate su tecnologie open source, a esplorare l’applicazione dell’AI generativa nelle IT operations.
Indice degli argomenti:
AI generativa nelle IT Ops: un assistente digitale esperto di sistemi complessi
Raffaele Camanzo, head of technology di Sourcesense, spiega che l’idea di sviluppare una soluzione basata su GenAI è nata durante un confronto con i responsabili delle operations di un grande cliente: “Fin da subito, è emerso quanto i team di gestione e manutenzione del software faticassero a ricostruire la natura dei problemi”. Non dimentichiamo, infatti, che molti problemi vengono descritti in modo superficiale dal personale del contact center o dall’utente finale, e questo impone un’attività analitica approfondita da parte di tecnici che, come detto, non necessariamente hanno familiarità con l’applicativo in questione né possono contare su documentazione aggiornata o affidabile.
“Da qui – prosegue Camanzo – è nata l’idea di realizzare un assistente digitale esperto, capace di analizzare il problema, di chiarirne la natura e di restituire una descrizione dettagliata a beneficio del personale tecnico. Questa attività di arricchimento delle informazioni del problema (problem enrichment) consente di affidarne la soluzione anche a personale non specializzato sullo specifico sistema, ma ovviamente esperto di manutenzione software”.
Una soluzione di questo tipo, se correttamente sviluppata e implementata, ha un impatto determinante sui tempi di intervento e sulle code di attività inevase.
LogicLens AI: uno strumento per esplorare sistemi complessi
La soluzione di Sourcesense si chiama LogicLens AI, è un tool basato su tecnologie di intelligenza artificiale generativa e progettato per aiutare le aziende a comprendere e interrogare sistemi software complessi. La conoscenza risultante può essere applicata in molti ambiti operativi, a partire – come detto – dalla gestione dei problemi e degli incidenti.
LogicLens AI parte da un presupposto chiaro: “In un ambiente eterogeneo e complesso – spiega Camanzo – l’unica fonte di verità è il codice sorgente che gira in produzione. È questo l’unico prerequisito di LogicLens AI. Ulteriori fonti come la documentazione possono essere integrate, ma solo se affidabili: non le includiamo in automatico perché spesso non sono allineate o sufficientemente curate”.
A differenza di altri approcci, LogicLens AI non si integra con l’ambiente runtime per non andare in sovrapposizione con strumenti AIOps: metriche e log, quando disponibili, possono essere usati come informazioni di contesto nei prompt, arricchendo ulteriormente la qualità delle risposte.
Come funziona LogicLens AI: il knowledge graph e le tre modalità di fruizione
Dal punto di vista tecnico, LogicLens AI basa la propria conoscenza di contesto su un knowledge graph e non su una classica architettura RAG (Retrieval-Augmented Generation).
La scelta è dettata dalla necessità di gestire grandi volumi di codice sorgente: “Quando abbiamo cercato di capire come affrontare il problema usando i knowledge graph, avevamo a disposizione quasi solo i paper di ricerca. La RAG classica non si adattava al problema che volevamo risolvere, perché con volumi così grandi di codice, il contesto risultava troppo esteso e le risposte dell’LLM finivano per essere vaghe. Avevamo bisogno di un approccio più mirato e, appunto, ci siamo orientati su una tecnica basata su knowledge graph, strutturando la conoscenza a partire dal codice sorgente. L’aspetto più innovativo è proprio il modo con cui abbiamo formalizzato il grafo, riuscendo a rappresentare sia la struttura che il funzionamento del sistema”.
LogicLens AI può essere utilizzato in diversi modi, a partire da una semplice interfaccia conversazionale con cui interrogare il sistema e ottenere risposte puntuali. In parallelo, il tool può essere integrato nei flussi ITSM di ServiceNow per arricchire in automatico ticket descritti in modo generico; infine, può essere attivato come agente all’interno di Microsoft Teams per supportare il personale coinvolto nella gestione di incidenti critici come voce esperta sui sistemi software interessati.
Impact analysis e analisi del rischio: i casi d’uso di LogicLens AI
LogicLens AI nasce per supportare l’analisi e la risoluzione di problemi e incidenti, ma come in tutte le applicazioni di GenAI, il suo potenziale si estende oltre i casi d’uso iniziali. L’utilizzo sul campo, infatti, ha fatto emergere una serie di comportamenti interessanti e di opportunità avanzate di applicazione, che l’azienda ha iniziato a esplorare con sviluppi mirati.
Grazie alla capacità di rappresentare in modo strutturato la conoscenza contenuta nel codice sorgente, LogicLens AI può oggi essere impiegato per attività strategiche come l’impact analysis (es, per stimare le conseguenze e il costo di un intervento evolutivo sul software), l’analisi del rischio (rilevare vulnerabilità note all’interno di ecosistemi da centinaia o migliaia di applicativi) e perfino la costruzione automatica di diagrammi tecnici tramite integrazioni con tool esterni.
Raffaele Camanzo riporta quindi alcuni casi d’uso interessanti che non riguardano la problem determination: “Per esempio, a un software che gestisce canali di comunicazione è possibile chiedere quali interventi siano necessari per aggiungere Whatsapp; a un sistema distribuito che implementa un flusso di checkout si può chiedere un diagramma di sequenza Mermaid che descriva il flusso, comprensivo di tutte le interazioni tra le componenti, evidenziando canali di comunicazione e strumenti di persistenza. In ambito security, invece, è possibile interrogare LogicLens AI per individuare immediatamente tutte le componenti che usano una certa libreria, cosa fondamentale nel caso emerga una nuova vulnerabilità nella libreria stessa”.
LogicLens AI offre già valore tangibile, ma come detto il suo potenziale non ha confini netti, perché si tratta di una tecnologia che si adatta a esigenze operative e organizzative sempre nuove.
**Articolo realizzato in collaborazione con Sourcesense
