Детальная информация

Данная работа представляет научный и практический интерес для специалистов в области автоматизации настройки инфраструктуры с использованием LLM. В научной работе выполнен анализ современных подходов к автоматизации развертывания и конфигурирования в распределённых средах, а также анализ больших языковых моделей (LLM) и AI-агентов. На основе анализа предложены и формализованы методы автоматизации развертывания и конфигурирования программных систем в распределенных средах с использованием искусственного интеллекта. На основе предложенных методов разработана архитектура системы с модулями NLP, RAG, генерацией IaC, менеджерами доступов, оркестраторами окружений и механизмами валидации решения. В рамках оценки качества и эффективности работы методов автоматизации проведен эксперимент на пяти производственных сценариях. Результаты эксперимента показали, что при сравнении с традиционными подходами предложенные методы автоматизации демонстрируют снижение времени настройки до 60%, уменьшение ошибок с 25% до 8%, повышение качества конфигураций в 3.2 раза и повышение эффективности решения в 2.5 раза.

This work is of both scientific and practical interest to specialists in the automation of infrastructure configuration using large language models (LLMs). The study analyses contemporary approaches to automating deployment and configuration in distributed environments and examines large language models (LLMs) and AI agents. On the basis of this analysis, methods for automating the deployment and configuration of software systems in distributed environments using artificial intelligence were proposed and formalized. A system architecture was subsequently developed that comprises NLP modules, RAG repositories, an IaC generator, access-management components, environment orchestrators, and solution-validation mechanisms. To assess the quality and effectiveness of the proposed automation methods, experiments were conducted across five production scenarios. Experimental results indicate that, compared with traditional approaches, the proposed methods achieve up to a 60% reduction in provisioning time, a decrease in error rate from 25% to 8%, a 3.2-fold improvement in configuration quality, and a 2.5-fold increase in solution effectiveness.