MédiaMúltipla escolha

Questão de prática de 200-301

Uma equipe de operações de rede está implementando um sistema de automação orientado por IA que usa um agente de IA autônomo (agentic AI agent) para lidar com problemas rotineiros de rede. O agente está configurado para detectar alta utilização de CPU em um roteador de core, executar automaticamente uma série de comandos de diagnóstico e, se um padrão específico for encontrado, acionar uma alteração de configuração para reduzir a carga. Após a alteração, o agente verifica novamente a utilização da CPU e, se ainda estiver alta, encaminha o problema (escalates) para um engenheiro humano. Qual das alternativas a seguir descreve melhor o fluxo de trabalho utilizado?

Escolha a melhor resposta.

Resposta correta

  • BUm fluxo de trabalho de remediação de malha fechada (closed-loop remediation workflow)

Explicação

O fluxo de trabalho descrito é um fluxo de trabalho de remediação de malha fechada (closed-loop remediation workflow), porque o agente detecta uma condição (alta CPU), toma uma medida (comandos de diagnóstico e alteração de configuração), verifica novamente a condição (utilização da CPU) e a encaminha se não for resolvida. Esse loop de feedback — observar, agir, verificar, encaminhar — é a característica definidora da automação de malha fechada. Não se trata de um script estático, pois ele se adapta com base no resultado de suas ações.

Por que cada alternativa está certa ou errada

A

Incorreta

Um script de automação estático que é executado em um agendamento sem feedback

Um script estático agendado executa comandos predefinidos em intervalos e os repete cegamente sem inspecionar se o problema persiste ou foi verdadeiramente resolvido. Em contrapartida, o fluxo de trabalho descrito reavalia após a ação corretiva, verifica o estado operacional e encaminha quando a ação falha, tornando-o reativo e ciente do estado, em vez de um simples job orientado por cron.

B

Correta

Um fluxo de trabalho de remediação de malha fechada (closed-loop remediation workflow)

Um fluxo de trabalho de remediação de malha fechada monitora continuamente a telemetria da rede, detecta um desvio da política, aciona a ação corretiva apropriada, verifica se a ação restaurou o estado desejado e o encaminha se não o fez — tudo em uma única cadeia automatizada. Isso corresponde exatamente ao cenário: o padrão detectar-agir-verificar-encaminhar do agente é a característica definidora de uma malha fechada, diferenciando-a do alerta passivo ou de scripts cegos.

C

Incorreta

Um mecanismo de chamada de ferramenta (tool-calling) para executar comandos de rede

Um mecanismo de chamada de ferramenta é apenas a camada de execução que invoca comandos de CLI ou APIs; ele carece do raciocínio de diagnóstico, da verificação de resultados e da lógica de escalonamento que definem o fluxo de trabalho descrito. O agente no cenário não apenas executa um comando — ele avalia o estado resultante e decide se é necessária uma ação adicional, portanto, a chamada de ferramenta é apenas um subcomponente da malha fechada maior.

D

Incorreta

Um agente de IA que usa aprendizado por reforço para otimizar o desempenho da rede

O aprendizado por reforço exige que o agente aprenda uma política por meio de interações de tentativa e erro e de um sinal de recompensa, ajustando continuamente o comportamento ao longo de muitos episódios. O cenário, em vez disso, usa ações de detecção e corretivas imutáveis e pré-programadas, sem adaptação ou feedback de recompensa; seu estágio de verificação é uma comparação fixa do estado do dispositivo, e não uma otimização aprendida.

Para se aprofundar

Um fluxo de trabalho de remediação de malha fechada observa, decide, age e depois verifica o resultado continuamente, realimentando essa verificação na decisão seguinte. O cenário segue cada estágio. O agente detecta uma condição, CPU alta em um roteador de core, a partir de telemetria ou polling. Ele diagnostica executando comandos show e correspondendo a padrões conhecidos. Ele age aplicando uma alteração de configuração. Ele verifica medindo a CPU novamente. E ele encaminha para um humano quando o loop não consegue resolver o problema. A etapa de verificação é o que torna o loop fechado: um processo de malha aberta age e nunca verifica se funcionou. Essa ideia sustenta a intent-based networking, onde os controladores comparam continuamente o estado real da rede com o estado pretendido e corrigem o desvio, e as plataformas de AIOps que automatizam a resposta a incidentes. Os distratores descrevem partes ou ideias diferentes. Um script estático agendado (opção A) é executado independentemente das condições e não verifica os resultados. A chamada de ferramenta (tool calling) (opção C) é a forma como um agente de IA executa comandos ou APIs, e faz parte deste fluxo de trabalho, mas não descreve o padrão geral de detecção, ação e verificação. O aprendizado por reforço (reinforcement learning) (opção D) é um método de aprendizado de máquina no qual um modelo aprende políticas a partir de recompensas ao longo do tempo; nada no cenário diz que o agente está sendo treinado. Um bom design de malha fechada inclui salvaguardas (guardrails): limitar quais alterações o agente pode fazer, registrar cada ação, exigir aprovação para alterações arriscadas, definir limites e tempos limite claros e sempre fornecer um caminho de reversão (rollback) e de escalonamento humano, como este agente faz quando a CPU permanece alta.

Sobre estas questões de prática

Esta é uma das questões de prática originais de 200-301 da Courseiva, escrita para o aprendizado e nunca copiada de provas reais nem de dumps.

Traduzida do original em inglês com IA e conferida quanto ao sentido. Códigos de exame, comandos e nomes de produtos são mantidos como aparecem na prova.