SLM como sysadmin de Totebox — el plan

Se pretende que Servicio de inferencia de IA se convierta en el asistente operativo de los despliegues Totebox — una IA que ayude a un operador a diagnosticar y resolver problemas cotidianos de sysadmin en lugar de exigirle buscar en la documentación o escalar a ingeniería. Esta es una dirección planificada, no una función distribuida: lo que es real hoy es el sustrato de entrenamiento subyacente; lo que está planificado es dirigirlo específicamente al trabajo de sysadmin.

Lo que es real hoy

La canalización de aprendizaje sobre la que se construiría este plan es real y operativa. Captura una tupla de corpus para cualquier tipo de tarea etiquetado en stage_at_capture: review, verdict: null, en cada commit relevante — automático, sin acción del operador. Una identidad senior revisa posteriormente las tuplas capturadas y firma un veredicto (aprobar, refinar, rechazar o diferir) usando una firma SSH verificada contra el registro de firmantes del espacio de trabajo. Este mecanismo de captura-y-firma-de-veredicto es genérico — ya se ejecuta hoy para tipos de tarea de ingeniería, no de sysadmin — y los adaptadores LoRA por inquilino compuestos en tiempo de solicitud por el Doorman son una capacidad real y funcional.

La taxonomía de tareas propuesta

Un relevamiento de las guías operativas en los clústeres de despliegue de Totebox sugiere aproximadamente diez categorías recurrentes de trabajo de sysadmin con las que un asistente entrenado podría ayudar: aprovisionamiento de nodos, diagnóstico de canalización de ingreso, extracción soberana de datos, egreso a almacenamiento en frío, revisión de registros redactados por IA contra los verificados, operaciones de índice de búsqueda, operaciones de identidad y emparejamiento, validación de despliegue de adaptadores, reconciliación de rastro de auditoría, e importación de datos conforme a esquema. Cada una necesitaría su propio tipo de tarea registrado en la canalización anterior, con su propio corpus de interacciones reales del operador, antes de que pudiera entrenarse un adaptador para ella.

Por qué service-slm en lugar de una API externa, si se construye

El razonamiento para mantener este trabajo local en lugar de enrutarlo a una API de terceros aplica independientemente de si la taxonomía específica anterior es lo que finalmente se distribuye: cada una de estas categorías de tareas toca datos de inquilinos — registros de personal, libros mayores corporativos, archivos de propiedades, rastros de auditoría — y enrutar esos datos a un servicio externo para operaciones rutinarias de sysadmin rompería la garantía de soberanía de datos de la plataforma. Un modelo ejecutándose dentro del límite propio del Doorman del cliente es la arquitectura donde los datos nunca salen de la infraestructura propia del cliente. Los adaptadores LoRA por inquilino, una vez entrenados con el corpus operativo propio de un cliente, también harían al asistente más preciso para ese cliente específicamente que lo que podría lograr un servicio genérico — el historial de interacción propio del cliente permanece dentro de su propio sustrato, disponible para entrenamiento, sin transmisión externa.

Costo y cronograma

Cualquier cifra de costo o cronograma para esta capacidad — costo por solicitud a escala, costo de ejecución de entrenamiento, umbrales de promoción de adaptadores — son objetivos planificados pendientes de datos operativos reales, no cifras medidas. [ni-51-102] [np-51-201]

Lo que esto no es

Ningún tipo de tarea de sysadmin se ha registrado en la canalización de aprendizaje. La taxonomía de tareas anterior, y las herramientas específicas que nombra, son una propuesta de cómo el mecanismo existente de captura-y-veredicto de la canalización podría extenderse al trabajo de sysadmin — no un inventario de lo que existe hoy. Ningún adaptador específico de sysadmin ha sido entrenado, y ninguna cifra de costo o cronograma anterior es un valor medido.

Véase también

• Servicio de inferencia de IA — el servicio que implementaría esta capacidad
• Doorman compuesto — el patrón operativo que implementa el Doorman
• Sustrato de aprendizaje — la canalización real de captura y firma de veredicto sobre la que se construye este plan
• Sustrato de cola de briefs — la cola durable que mantiene la captura de corpus continua a través de transiciones de nivel de cómputo
• PointSav-LLM — el producto comercial especialista relacionado, planificado por separado