多くの場合、インシデント対応の自動化にエージェント型 AI を使用すると、インフラストラクチャのログをフロンティア AI モデルに送信することになります。ホスト名、IP アドレス、システムトポロジーを含むすべてのジョブ障害ログは、大規模言語モデル (LLM) のエンドポイントに到達した瞬間にインフラストラクチャの外部へと送信されるため、金融サービスや医療などの規制の厳しい業界のコンプライアンスチームにとって重大な懸念事項となります。
別の選択肢として、これらの組織は自社のインフラストラクチャでホストされるオープンソースモデルを使用して、データレジデンシーやコンプライアンスの問題に対処することもできます。しかし、オープンソース AI モデルは、構造化された運用タスクにおいて大規模なフロンティアモデルの代替として十分に機能するのでしょうか。Red Hat はそうであると考えています。オープンソースモデルを適切なアーキテクチャのパターン (エージェントのハーネス、特化型スキル、コンテキストの分離) と組み合わせることで、わずかなコストで最先端レベルの分析を提供できるようになります。
本稿では、オープンソースモデルを使用して本番環境に対応したエージェント型 AIOps を構築し、スケーリングする具体的な方法を紹介する 3 部構成シリーズの第 1 回をお届けします。Red Hat は、オープンソースがこの課題に対応できる理由、Red Hat OpenShift AI が日常業務をどのように単純化するか、そしてスキル手動型アーキテクチャが手間のかかるモデルの再トレーニングがどのように不要にするかを詳しく解説します。
課題:運用がチームの規模よりも速くスケーリングする場合
ソリューションについて説明する前に、組織を AI を活用したインシデント対応へと駆り立てる、現場の現実についてご説明します。
ビジネス上の課題
ユースケースの例として、ハイブリッド・インフラストラクチャを運用している英国の金融サービス企業を取り上げます。140 台のオンプレミス Red Hat Enterprise Linux (RHEL) 仮想マシン (VM) と 3 つの Red Hat OpenShift クラスタ。同社は、プロビジョニング、パッチ適用、コンプライアンス・スキャン、構成ドリフトの修正のために、週に 600 件以上の Red Hat Ansible Automation Platform ジョブを実行しています。
ジョブが失敗すると、チケット管理システムにチケットが作成され、ChatOps チャネルに通知が送信されます。管理可能に思えるかもしれませんが、同社は週に約 40 件の障害チケットを処理しています。それぞれのチケットでは、手動によるトリアージ、調査、および修正またはエスカレーションが必要になります。
時間的なコスト:チケット 1 件につき、複雑性に応じて 45 - 90 分の SRE (サイト信頼性エンジニア) の作業時間。
スケーリングの課題:これをチーム全体に拡大して考え、夜間の障害やオンコール当番のローテーションも考慮に入れれば、組織的な運用上の問題が生じることになります。同社は、人員を 10 倍に増やすことなく、現在のインフラの 10 倍の処理能力を実現したいと考えています。
規制上の圧力:金融サービス企業である同社は、厳格な変更管理およびインシデント対応の要件下で業務を行っています。計画外の停止や構成ドリフトはすべて、定義されたサービスレベル契約 (SLA) の期間内に文書化 (根本原因、修正手順、責任者を含む) する必要があります。これらの期間を過ぎると、規制上の罰則が発生します。
規制当局は、第 1 四半期に 3 件の SLA 違反を指摘しました。それぞれの原因は、長時間未対応のまま放置された Ansible Automation Platform ジョブの失敗に遡ります。指示は明確であり、「より迅速に対応を完了させ、それを実行しているという監査証跡を確保する必要」がありました。
現在の課題:
- アラート疲れ:週に 40 件の障害チケットが発生し、その多くは既知のパターンを繰り返しています。オンコールチームは対応に追われ、応答時間が遅くなっています。
- 知識の断片化:ランブックやドメイン知識が Confluence や個々の担当者に分散しています。問題解決の質にばらつきがあります。
- 監査オーバーヘッド:コンプライアンス用の手動インシデントレポートの作成には、重大なインシデント 1 件あたり 2 - 3 時間かかり、多くの場合、記憶やチャットログから事後的に作成されます。
- エスカレーションのギャップ:「自分で修正する」か「誰かを起こす」かの二者択一であり、段階的かつ状況に応じた対応の仕組みは存在しません。
- スケーラビリティの上限:現在のチームでは予測される成長に対応できません。SRE をさらに増員することは経済的に実現可能ではなく、知識の断片化も解決しません。
機会:エージェント型 AI は、リスクの高い変更に対して人を適切に関与させながら、トリアージ、調査、および対処 (完全な監査証跡を伴う) を実行できます。
予測される成果 (成功した場合):
- 平均復旧時間 (MTTR) の短縮:既知の障害パターンについて、平均 45 分から目標の 12 分に短縮。
- 監査の効率性:インシデントレポートが自動生成され、コンプライアンスチームはゼロから作成するのではなくレビューのみを行います。
- スケーラビリティ:人員を比例して増やすことなく、10 倍のチケット量を処理。
- ナレッジの収集:エージェントのパターンによってランブックの知識が抽出され、自己改善型の運用ナレッジベースが構築されます。
- コスト管理:自社所有のインフラストラクチャ上のオープンソースモデルと、外部プロバイダーへのトークン単位の課金との比較。
SRE における技術的な課題
SRE の観点から見ると、問題は運用の迅速性と安全性のトレードオフにあります。
量と多様性:障害は複数のドメインに及びます。Ansible Playbook のエラー、Linux パッケージ管理の問題、OpenShift Pod のライフサイクルの問題、ネットワーク DNS/SSH の障害などです。単一のエージェントがすべての分野のエキスパートになることはできません。
コンテキスト要件:優れたインシデント分析には、組織固有の知見が必要です。パッケージのインストールが「No package python3.14 available」というエラーを出して失敗した場合、一般的な回答は「リポジトリ設定を確認してください」となります。組織固有の回答の場合には、以下を参照します。
- Satellite サーバーのトポロジー (プライマリー、障害復旧、同期スケジュール)
- チームごとのコンテンツビューモデル (どのチームがどのリポジトリを取得するか)
- エスカレーションプロセス (標準作業手順書 (SOP) の参照、優先対応用 Slack チャネル)
- 使用しているオペレーティングシステム (OS) のバージョン用のパッケージがそもそも存在するかどうか
汎用的なトラブルシューティングは時間の浪費につながります。コンテキストに応じた分析により、解決までの行程をより迅速にできます。
コンプライアンスの制約:規制環境では、すべてのアクションが追跡可能である必要があります。ログを記録せずに動作する AI エージェントは、コンプライアンス上のリスクとなります。すべての内容 (分類の根拠、スペシャリストの分析、信頼度スコア、レビュー担当者の判定) をログに記録するエージェントは、コンプライアンス上の資産となります。
英国金融行動監視機構 (FCA) の監査人は、変更管理およびインシデント対応の記録を定期的にレビューします。SLA の期限を逃すことは、修正が遅れることだけでなく、規制上の罰則や是正措置報告書の提出義務が生じることになります。現在、これらの報告書は手作業で作成されています (重大なインシデント 1 件あたり 2 - 3 時間の時間を要し、多くの場合、事後的に再構成されています)。
データ主権の要件:フロンティアモデルに対するすべての API 呼び出しにより、データが外部に送信されます。
{
"job_id": "3847",
"host": "rhel-node-01.meridian.internal",
"error": "fatal: [rhel-node-01]: FAILED! => {\"msg\": \"No package python3.14 available\"}",
"playbook": "/var/lib/awx/projects/ansible-plays/install-python.yml",
"credential": "meridian-satellite-sync"
}このペイロードは以下を公開します。
- 内部 DNS トポロジー (
meridian.internal) - インフラストラクチャの命名規則
- 認証情報識別子 (
meridian-satellite-sync) - システム構成の詳細
一般データ保護規則 (GDPR) (国際データ転送に関する第 44 条 - 第 49 条) および DORA (デジタル・オペレーショナル・レジリエンス法) が適用される規制環境では、これにより深刻なデータレジデンシーのリスクが生じます。
運用要件:システムは以下を満たす必要があります。
- 障害を正確にトリアージし、分類する (適切なスペシャリストにルーティングする)
- ドメイン固有の根本原因分析を実行する (汎用的なトラブルシューティングではない)
- 監査に対応したインシデントレポートを生成する (コンプライアンスに適した出力)
- 段階的な自律性をサポートする (リスクの高い作業には人間を介在させ、定型的な作業には人間を介在させない)
- パフォーマンスを低下させることなく、10 倍のボリュームを処理できるようにスケーリングする
- モデルの再トレーニングを行うことなく、知識の迅速な更新 (新しい SOP、インフラストラクチャの変更) を可能にする
従来のアプローチ | エージェント型アプローチ | |
示す | カスタムモデルを構築し、インフラストラクチャのデータに基づいてファインチューニングし、広範なモニタリング機能とともにデプロイする | オープンソースモデル + エージェントのハーネス + スキル主導型のナレッジ |
タイムライン | 数カ月 | 数日 |
利用料 | 大 | 固定インフラストラクチャ |
メンテナンス | 継続的なモデルの再トレーニング | マークダウンファイルの更新 |
データ主権の問題
EMEA 全域の大企業の 63% が、クラウド導入における最大の障壁としてデータ主権に関する懸念を挙げています。運用データを処理する AI ワークロードの場合、そのリスクはさらに高くなります。
Red Hat は、オープンソースがソブリン AI の基盤であると考えています。Red Hat OpenShift AI 上で実行されるオープンモデルにより、制御性を確保できます。推論を実行する場所を自由に選択でき、データがプラットフォームの外部に送信されることはなく、AI サプライチェーンの完全な監査可能性を維持できます。
これは一部の組織に限られた問題ではありません。EMEA 地域の企業の 3 分の 2 以上が、今後 18 カ月間の IT における最優先課題としてデータ主権を挙げています。金融サービス企業にとって、ジョブの出力を外部の大規模言語モデル (LLM) プロバイダーに送信することは、コンプライアンスチームが決して容認できない規制リスクを生じさせます。
機能ギャップの縮小
2 年前には、オープンソースモデルを選択することは、機能面での大きなギャップを受け入れることを意味していました。7B パラメーターのオープンモデルではハルシネーションが発生していました。70B モデルでは、複雑な推論を行うのは困難でした。そのため、本番環境においては、フロンティアモデルが唯一の実用的な選択肢でした。
しかし現在では、はるかに大規模なオープンソースモデル (230B 以上) が利用可能になったため、状況は変わっています。
エージェント革命が状況を一変させる
エージェント型 AI (LangChain の Deep Agents、Anthropic の Claude Agent SDK、カスタムハーネスなどのフレームワーク) の台頭により、モデルの機能に対する考え方が大きく変わりました。エージェントのハーネスは、プロンプトを送信して結果を待つだけではなく、以下を実行します。
- コンテキストウィンドウを管理し、関連する情報のみにフォーカスし続ける。
- スペシャリストに委任し、特定のドメインに焦点を絞ったサブエージェントを生成する。
- 構造化されたスキルを提供し、マークダウンとして読み込まれた参照知識を提供する。
- 出力を解析および検証し、構造化された実用的な結果を提供する。
この構造化アプローチは、オープンソースモデルとフロンティアモデルの間の機能ギャップを埋めるのに役立ちます。適切に設計されたハーネスにより、中規模のオープンソースモデルでも目前の特定のタスクで非常に高いパフォーマンスを発揮できるようになります。
例:パッケージ管理の障害に関する分析
以下は、Red Hat の本番 AIOps パイプラインにおける実際の比較です。同じ障害に対する 2 つの異なるモデルによる比較:
フロンティアモデル (claude-sonnet-4-6):
Root Cause: DNF package manager reports "No package python3.14 available"
Recommended Action:
1. Verify package name is correct
2. Check repository configuration
3. Consider using EPEL or enabling additional repos
Confidence: 85%オープンソースモデル (qwen3-235b (MaaS 上で稼働)):
Root Cause: DNF package manager reports "No package python3.14 available"
Analysis: Python 3.14 requires CRB (CodeReady Builder) and EPEL repositories.
Target host group indicates AI/ML team workload.
Recommended Action:
1. Submit Content View Request per SOP v2.3
2. Request CRB + EPEL enablement for aiml-workloads content view
3. Escalate via #platform-satellite fast-track (2-hour SLA)
Confidence: 92%オープンソースモデルは、AI スキル (Satellite インフラストラクチャ、コンテンツビューモデル、エスカレーションパスに関する組織固有の知識をエンコードしたマークダウンドキュメントとして提供) を使用することで、より優れた応答を生成しました。モデルはトレーニングデータからこれを学習する必要はありませんでした。Red Hat がコンテキストとして回答を与えたためです。
スキルが高度な処理を担います。
そのスキルの内容は以下のとおりです。
---
name: analyze-package-management-failure
description:組織固有の知識を活用したパッケージ管理障害の分析
---
# Analyze Package Management Failure
## Institutional Knowledge: Satellite Infrastructure
**Content View Model (per-team):**
- base-rhel9: All RHEL servers, core OS packages only
- ops-tooling: SRE team, monitoring, diagnostic tools
- aiml-workloads: AI/ML team, Python 3.11+, CUDA, data science libs (CRB + EPEL enabled)
**Escalation Path:**
- Standard: Content View Request SOP v2.3
- Fast-track: #platform-satellite channel (2-hour SLA for AI/ML workloads)The model provided the reasoning engine. The skill provided institutional knowledge. Together, they delivered analysis that exceeded frontier quality because we encoded our specific operational context.
モデルが推論エンジンを提供しました。スキルが組織固有の知識を提供しました。Red Hat 固有の運用コンテキストをエンコードしたため、これらが連携してフロンティアモデルの品質を超える分析を提供しました。
コストの方程式
運用環境では、フロンティアモデルの価格設定によってコストが急速に増大します。
- トークンごとの課金:すべてのインシデント分析において、複数の大規模言語モデル (LLM) 呼び出し (分類、スペシャリストによる推論、レビュー) が行われます。
- ボリュームのスケーリング:週に 40 件以上の障害が発生すると、トークンコストは重大な出費項目となります。
- コスト上限の欠如:インシデント発生時の使用量の急増は、予測不可能な請求額につながります。
自社のインフラストラクチャ上で実行されるオープンソースモデルの計算コストは固定されています。
Frontier Model Cost Model:
- $15 per million input tokens
- $75 per million output tokens
- Average incident: ~50K tokens (classification + analysis + review)
- 40 incidents/week × 52 weeks = 2,080 incidents/year
- Annual cost: ~$7,800 in LLM API fees alone
Open Source Model Cost Model:
- Fixed GPU infrastructure (Nvidia A100 or H100)
- Red Hat OpenShift AI subscription
- No per-token billing
- Predictable annual cost regardless of incident volume週に何百件ものインシデントを処理する場合、経済的な観点からオープンソースが圧倒的に有利になります。
Red Hat OpenShift AI Model-as-a-Service (MaaS)
Red Hat OpenShift AI は、各種の GPU 全体にわたる vLLM 推論アクセラレーションを備え、OpenShift 上で稼働するオープンソースモデルのポートフォリオであるModel-as-a-Service (MaaS)を提供します。
MaaS で利用可能なモデルの例を以下に示します。
モデル | パラメーター | 最適な対象 | トレードオフ |
|---|---|---|---|
qwen3-235b | 235B | 複雑な推論、オーケストレーション、根本原因分析 | 最高品質、低速、最大のコンピュートリソース |
gpt-oss-120b | 120B | 強力な分析、優れた構造化出力 | 品質とスピードのバランスが良好 |
gpt-oss-20b | 20B | シンプルな分類、迅速なトリアージ | 高速かつ安価、推論能力は控えめ |
llama-scout-17b | 17B | 軽量なツールの使用、構造化された出力 | 最小、最速、限定的な推論能力 |
本番環境では、単一のモデルのみを使用するわけではありません。エージェントごとにモデルを組み合わせることができます。
ops_manager(オーケストレーター):qwen3-235b(強力な分類と委任が必要)sre_linux(スペシャリスト):gpt-oss-120b(ドメインの特化、構造化された出力)reviewer(バリデーター):gpt-oss-20b(シンプルな一貫性チェック)
この階層化アプローチにより、品質を維持しながらコストを最適化できます。トリアージエージェントは、ログに「No package X available」が含まれているかを確認するために 235B のパラメーターを必要としません。
アーキテクチャ第 2 世代エージェント
オープンソースモデルを複雑な運用タスクで機能させるのは、LLM を監視なしで実行させるのではなく、ラップして駆動するフレームワークであるハーネスです。
第 1 世代エージェントと第 2 世代エージェントの比較
第 1 世代エージェント (従来の ReAct パターン) の場合、複数のステップから成る運用への対応を簡単に行えません。
- コンテキストが会話履歴に限定される
- 約 50 回のツール呼び出し後にパフォーマンスが低下する (「dumb zone」)
- 会話の外部に永続的な状態が存在しない
- すべてのタスクが 1 つのコンテキストウィンドウを共有する
第 2 世代エージェント (Deep Agents、Claude Agent SDK) は、4 つのアーキテクチャの柱を使用します。
- 明示的な計画 (永続的なコンテキストアンカーとしての To-Do リスト)
- 永続ファイルシステム (メモや構造化された成果物のための仮想ワークスペース)
- サブエージェントの生成 (クリーンなコンテキストを持つスペシャリストへの委任)
- コンテキストの分離 (各スペシャリストは必要な情報のみを参照)
例:インシデント対応パイプライン
Red Hat の AIOps パイプラインは Deep Agents パターンを採用しています。
ops_manager (long-running Deep Agent)
├── Receives AAP2 job failure webhook
├── Classifies failure domain (ansible/linux/openshift/networking)
├── Spawns specialist subagent (ephemeral)
│ └── sre_linux (fresh context)
│ ├── Loads skills: analyze-linux-failure, create-ticket, common
│ ├── Analyzes incident data
│ └── Returns structured TicketPayload
├── Spawns reviewer subagent (ephemeral)
│ └── reviewer (validates ticket coherence)
└── Submits ticket to Kira + notifies Rocket.Chatそれぞれの sre_* サブエージェントは一時的なものです(必要に応じて作成され、使用後に破棄されます)。これは以下のことを意味します。
- コンテキストの分離:パッケージ障害が SSH 障害のコンテキストを汚染することはありません
- 焦点を絞った専門知識:各エージェントはドメイン固有のスキルのみを読み込みます
- クリーンな状態:すべての分析がクリーンな状態で開始され、履歴は蓄積されません
235B パラメーターのオープンソースモデルは、過去 50 件のインシデントを「記憶」する必要がないため、目前のタスクで優れたパフォーマンスを発揮します。適切なスキルが読み込まれた状態で、目の前にある 1 件のインシデントについて推論するだけで十分です。
データ主権 + コスト + 品質 = 本番環境対応
オープンソースモデルをエージェント型ワークロードの本番環境に対応させる要因として、次の 3 つが挙げられます。
- データ主権:ログは自社のインフラストラクチャ内に保持されます (一般データ保護規則 (GDPR) や DORA に関連するリスクなし)
- コスト:固定されたインフラストラクチャコスト (予測不可能なトークンごとの課金と比較)
- 品質:エージェントのハーネスとスキルの組み合わせにより、フロンティアモデルと同等の結果を提供
Red Hat では、これを本番環境で 6 カ月間運用しており、週に 40 件以上のインフラストラクチャインシデントを処理しています。既知の障害パターンに対する Red Hat の平均復旧時間 (MTTR) は、45 分から 12 分に短縮されました。Red Hat のコンプライアンスチームは、満足できる監査証跡を活用しています。Red Hat のインフラストラクチャコストは予測可能です。
このオープンソースモデルは以下を処理します。
- Ansible Playbook のエラーおよび認証情報の問題
- Linux パッケージ管理および systemd の障害
- OpenShift Pod のライフサイクルおよびロールベースのアクセス制御 (RBAC) の問題
- ネットワーク DNS および接続の問題
同じパイプライン、同じスキル、同じプロンプト、そして異なるモデルを使いますが、確実に機能します。
実際に試す
オープンソースモデルを使用したエージェント型 AIOps パイプラインの構築を実際に体験してみませんか。実際のワークショップをお試しいただくには、Red Hat の担当者にお問い合わせください。
関連資料
この記事について:本記事は、Red Hat の現場デモ用に作成された実践的なワークショップに基づいています。説明されている手法は、実際のインフラストラクチャのインシデントを処理する本番 SRE 環境で稼働しています。ラボ全体をお試しいただくには、Red Hat の担当者にお問い合わせください。
製品トライアル
開発者サンドボックス上の Red Hat OpenShift AI | Developer Sandbox for Red Hat OpenShift AI の 30 日間のセルフサービス型トライアル
執筆者紹介
Ishu Verma is an AI Solution Architect at Red Hat dabbling in emerging technologies like AI Ops, AI safety and security. He, along with fellow open source hackers, works on building enterprise focused solutions with open source technologies. Prior to Red Hat, Ishu worked in technical marketing at Intel on IoT Gateways and building end-to-end IoT solutions with partners.
Tony Kay is an AI Lead and a Senior Principal Architect at Red Hat, where he has worked since 2017. He is part of the Portfolio Technology and Platform team, building and operating infrastructure that serves thousands of internal and external users daily. His recent work focuses on second-generation agentic AI, designing autonomous, skills-driven agent architectures using state-of-the-art harnesses like Deep Agents and others, and deploying them on Red Hat OpenShift AI. He is also deeply involved in driving enterprise-wide AI usage at Red Hat and developing tooling in that domain. Tony is a seasoned international speaker who has delivered hands-on workshops and technical talks at Red Hat Summit, AnsibleFest, VMworld, ContainerCon, LinuxCon, and many other conferences and local meetups. His sessions blend cutting-edge agentic AI patterns with the production engineering realities of running these systems on OpenShift and other cloud environments.
類似検索
OCR を超えたその先へ:GroundX と Red Hat OpenShift AI で請求処理の精度 98% を達成
asago のご紹介:オープンソースの AI の安全性とガバナンスのオーケストレーション
Can we trust AI agents in the enterprise?
Can agentic AI patch the internet?
チャンネル別に見る
自動化
テクノロジー、チームおよび環境に関する IT 自動化の最新情報
AI (人工知能)
お客様が AI ワークロードをどこでも自由に実行することを可能にするプラットフォームについてのアップデート
オープン・ハイブリッドクラウド
ハイブリッドクラウドで柔軟に未来を築く方法をご確認ください。
セキュリティ
環境やテクノロジー全体に及ぶリスクを軽減する方法に関する最新情報
エッジコンピューティング
エッジでの運用を単純化するプラットフォームのアップデート
インフラストラクチャ
世界有数のエンタープライズ向け Linux プラットフォームの最新情報
アプリケーション
アプリケーションの最も困難な課題に対する Red Hat ソリューションの詳細
仮想化
オンプレミスまたは複数クラウドでのワークロードに対応するエンタープライズ仮想化の将来についてご覧ください