GLPI AssistIA

Caso de uso

A xestión de incidencias, especialmente en departamentos de IT, require de tarefas que moitas veces son repetitivas como revisar wikis, documentación ou a execución de comandos de verificación a determinados servidores. GLPI AssistIA busca servir coma base para reducir toda esta carga de traballo proporcionando un informe previo da incidencia a tratar. Unha vez se rexistra unha incidencia no sistema, esta envíase a un servidor (GLPI AssistIA Server) que busca toda a información relacionada e que xera un informe con posibles solucións. Este informe estará visible para o axente que trate esta incidencia como unha nota privada no momento que tome o caso, para que só se teña que preocupar en ofrecer o mellor servizo posible ao cliente.

Evolución dos Axentes

Os axentes de GLPI AssistIA evolucionaron a través de varios prototipos, cada un engadindo novas funcionalidades e capacidades para mellorar a xestión de incidencias. A continuación, descríbense os principais fitos nesta evolución.

Prototipo 1

Implementouse un axente básico cunha soa función de resumo para un tícket de GLPI, enviando o resultado a un arquivo no servidor.

Prototipo 2

Introduciuse a capacidade de realizar un ping a un enderezo IP proporcionado no tícket e mellorouse a lectura da documentación de Wiki.js. Isto permitiu ao axente responder de maneira máis efectiva a incidentes de conectividade.

Prototipo 3

Integráronse múltiples axentes con roles específicos (Analista, Resolutor) e implementouse un fluxo de traballo para que os axentes puidesen interactuar e colaborar na resolución de problemas máis complexos. Introduciuse o concepto dun bus de datos MCP.

Análise de Modelos LLM

Para o desenvolvemento de GLPI AssistIA, realizouse unha análise comparativa de varios modelos de linguaxe para determinar cal sería o máis adecuado para o proxecto. O obxectivo era atopar un modelo que ofrecese un equilibrio entre capacidades de procesamento, custo e capacidade de ser auto-aloxado para garantir a privacidade dos datos.

A orquestración dos axentes levouse a cabo utilizando a libraría CrewAI, que facilita a colaboración entre diferentes axentes especializados. Consideráronse tanto modelos de código aberto como propietarios, prestando especial atención á flexibilidade para a súa integración no servidor. Esta análise foi crucial para optimizar o rendemento e a eficiencia do sistema no contorno de GLPI.

Para máis detalles sobre esta análise, podes consultar o documento completo no repositorio do proxecto.

Ver documento de análise completo (Español)

Arquitectura e Visión Xeral

O núcleo do sistema está deseñado ao redor dun fluxo de traballo que se activa coa creación dun tícket en GLPI. A información do tícket é procesada por un sistema de axentes intelixentes (CrewAI) que colaboran para analizar, enriquecer e propor solucións. Este CrewAI conéctase a ferramentas externas (bases de coñecemento, sistemas de monitorización) a través dun Servidor MCP (Model Context Protocol), que actúa como un bus de datos.

Fluxo de Traballo do Tícket

Entrada en GLPI: Un usuario ou técnico crea un tícket de incidencia.
Activación do Axente: A incidencia transfírese ao sistema CrewAI aloxado en GLPI AssistIA Server para o seu procesamento.
Análise por Axentes IA: Un equipo de axentes avalía a urxencia, clasifica a incidencia e revisa datos históricos para propor unha solución.
Resposta en GLPI: A solución e a análise xeradas publícanse no tícket de GLPI, asistindo ao técnico ou respondendo directamente ao usuario.

Configuración e Exemplo de Uso

Características Principais

Resumo e Enriquecemento de Tíckets: A IA analiza e resume o problema do usuario, engadindo contexto técnico.
Arquitectura MCP: Un bus de datos desacoplado para facilitar a comunicación e a escalabilidade.
Información Contextual Intelixente: Proporciona información relevante tanto a técnicos como a usuarios.

Casos prácticos

Interface do Plugin

Métricas de Éxito

O éxito do proxecto medirase pola consecución dos seguintes obxectivos:

Redución de máis do 70% no tempo de primeira resposta.
Precisión superior ao 85% nas respostas automáticas xeradas.
Redución de máis do 50% nos tíckets que necesitan ser escalados manualmente.
Redución de máis do 40% no tempo medio de resolución de incidencias.
Nivel de satisfacción do usuario superior a 4.0/5.0.

Colaboración

Este proxecto foi posíbel grazas ao programa de Bolsas de Verán de ANFAIA e á colaboración de Aitire.