Praktični vodič za podatkovnu otpornost AI agenta: cjelovito objašnjenje za 2026. godinu o pohrani, obnavljanju i usklađivanju
Od samostalnog spremanja do kliničke usklađenosti, pa do besplatnog ML sandučića — razlaganje AI agenata koji ne spadaju u nijednu pojedinačnu kategoriju za timove za inženjering i usklađenost
Daniel Nikulshyn
Editor
Pruštanje granica kategorija
Zašto su 'ostali' agenti vrijedni zasebnog poglavlja
U dvije godine održavanja Agent Pantheon kataloga, polako sam shvatio neugodan istinu: najvrijedniji AI agenti često su najteži za klasifikaciju. Oni nisu isključivo "agent za korisničku podršku", niti standardni "kôdni asistent", već se nalaze duboko u radnim tokovima određenih industrija, preuzimaju ključne, ali neizravne dužnosti autonomnim sustavima. Ovu grupu smjestili smo u kategoriju "Other", no to ne znači da nisu važni — zapravo, najčešće predstavljaju područje najvećeg poslovnog rizika. Pojam agentičke AI (Agentic AI), prema industrijskom konsenzusu, odnosi se na sustave koji mogu percipirati okruženje, samostalno planirati i izvršavati višestepene zadatke, te pozivati vanjske alate. Za razliku od pasivnih chatbotova, agent će aktivno donositi odluke. Kada se takva autonomija primijeni u scenarije visokog rizika poput backupiranja podataka, oporavka od katastrofa ili kliničke podrške odluka, kriteriji evaluacije se potpuno mijenjaju — brinete se više o "koliko štete može uzrokovati greška u radu agenta" i "da li se može auditirati". Ovaj članak fokusira se na tri tipična "ostala" agenta: agenta za otpornost podataka i mrežni oporavak, klinicki usklađenostni agent i sandbox za eksperimentiranje s mašinskim učenjem. Naizgled nespojivi, ali svi dijele zajedničku osobinu — nalaze se na raskrižju tradicionalnih kategorija, a imaju izuzetno visok operativni i regulatorni značaj. Koristit ću jedinstveni okvir za odabir kako bih ih ocijenio i preporučio tri stvarna alata iz kataloga kao primjere. Ako ste osoba koja se brine za infrastrukturu, sigurnost ili digitalnu transformaciju, cilj ovog vodiča je ponuditi vježbar model evaluacije, a ne marketinški popis.
- Intelligent agent - Wikipedia — Osnovni opis inteligentnih agenata i autonomnih sustava na Wikipediji
Backup više nije pasivno spremanje
Agenti podataka za otpornost: kada autonomija susreće ransomware
Tradicionalni backup je pasivno osiguranje: redovito kopirate podatke i molite da se ništa ne dogodi. Agenti podataka za otpornost pretvaraju ovaj proces u aktivnu obranu. Prema općem definiciji cyber resilienca, to je sposobnost organizacije da nastavi isporučivati poslovne rezultate nakon cyber napada — krug prevencije, otkrivanja, reagiranja i oporavka. Autonomni AI agenti u ovome igraju ulogu autonomnog nadzora anomalnih obrazaca pisanja, prepoznavanja sumnjivog ransomware‑enog šifriranja i izoliranja obziranih kopija pre nego što se dogodi ljudska intervencija. Tehnički izazov ovih agenata leži u ravnoteži lažnih alarma i propuštanja. Šifriranje rannevera na razini podataka je izuzetno slično legitimnim operacijama masovne šifriranja ili kompresije. Preagresivan agent može uzrokovati mnogo lažnih izolacija u normalnom održavanju, dok preoprezni agent može propustiti stvarni napad. Stoga, kada ocjenjujete takve alate, RPO (Recovery Point Objective) i RTO (Recovery Time Objective) su tvrdih pokazatelja – koliko podataka najviše možete izgubiti i koliko dugo od kvaru do poslovnog oporavka. Posebno je važno kombinirati "immutable backup" (nepromjenjivo backup) i "air‑gap" (zračna izolacija). Najbolje prakse industrije su evolucija tzv. 3‑2‑1‑1‑0 pravila: više kopija, više medija, geografski raspršene, offline/nepromjenjive kopije i nulova grešaka provjere. Vrijednost agenta je u automatiziranoj provjeri oporavka ovih kopija – mnogi organizacije čine da backup izgleda u redu, a kada dođe vrijeme za oporavak otkrivaju da ga nije moguće vratiti. Autonomni agent može redovito izvoditi "recovery drills", otkrivajući probleme unaprijed. Na razini nabave, preporučujem praksama da se prvo postave tri pitanja: je li odluka agenta objašnjiva i auditabilna? Koja je podrazumijevana akcija kada agent otkrije prijetnju – izolacija ili obavijest? I koliki je stupanj integracije s postojećim IAM (Identity and Access Management)? Agent koji može samostalno brisati ili mijenjati podatke predstavlja ogromno područje napada; princip najmanjih privilegija ovdje ne može biti kompromitiran.
- Cyber resilience - Wikipedia — Definicija cyber otpornosti i kruga prevencije‑otkrivanja‑reagiranja‑oporavka.
- Ransomware - Wikipedia — Pregled mehanizama ransomwarea i strategija obrane.
Podrška u odlučivanju, a ne zamjena odlučivanja
Klinički usklađeni agent: granice AI u visokoregulatornim scenarijima
Zdravstvo je najstrože regulirano od svih "ostalih" tipova agenata. Pozicija kliničkog usklađenog agenta vrlo je osjetljiva: mora biti dovoljno pametan da standardizira prijelaz, prioritetizaciju i provjeru putanja, a istovremeno dovoljno kontroliran da ne preuzme krajnje odluke liječnika. U industriji se takvi sustavi obično nazivaju "klinički sustav za podršku u odlučivanju" (CDSS) – oni pružaju preporuke, usklađivanje s uputama, označavanje potencijalnih pristranosti, ali odgovornost ostaje na ljudskom kliničaru. Ključni pojam ovdje je "čovjek u krugu" (human-in-the-loop). U medicinskom kontekstu potpuno autonomni agenti gotovo nisu prihvatljivi; regulacijski okviri zahtijevaju tragabilnost odlučivanja. Kvalificirani klinički usklađeni agent trebao bi moći navesti konkretne odlomke u uputama (npr. NICE ili lokalne kliničke putanje) na koje se njegova preporuka temelji, a ne davati crnu kutiju zaključak. Ova objašnjivost nije dodatna prednost, već ulazni prag. Privatnost podataka je još jedan čvrsti ograničavajući faktor. Klinički agenti obrađuju zaštićene zdravstvene informacije (u SAD-u pod regulacijom HIPAA, u Europi GDPR). Tijekom procjene potrebno je potvrditi mjesto podataka, je li se koriste za treniranje modela i postoje li potpuni dnevnički zapisi pristupa. Mnogi naizgled moćni generalni agenti ne zadovoljavaju zdravstvene regulacijske zahtjeve, često zbog nedostatka upravljanja podacima, a ne zbog inteligencijskog nivoa. Iz praktične perspektive, najveća vrijednost kliničkih usklađenih agenata nije u "diagnostici", već u "smanjivanju varijabilnosti". Jedna i ista bolest može biti tretirana na različite načine od strane različitih liječnika i odjela, što utječe na kvalitetu i povećava troškove. Agentom koji usklađuje jedinstvene smjernice i automatski provjerava integritet prijelaza može se znatno smanjiti taj entropijski rast. Ovo je praktičan i nisko-rizik pristup, daleko realniji od težnje za "AI liječnikom".
- Clinical decision support system - Wikipedia — Definicija kliničkog sustava za podršku u odlučivanju i princip čovjeka u krugu.
- Health Insurance Portability and Accountability Act - Wikipedia — Zahtjevi HIPAA za rukovanje zaštićenim zdravstvenim informacijama.
Prvi kilometar od prototipa do proizvodnje
Eksperimentalni sandbox: podcijenjena infrastruktura za razvoj agenata
Prije nego što se zabavimo sa zapanjujućim samostalnim agentima, vrijedi se zaustaviti i osvrnuti na mjesto njihovog rođenja — eksperimentalno okruženje. Sandbox za strojno učenje je ozbiljno podcijenjena kategorija “drugi” alati; ne stvara izravnu poslovnu vrijednost, ali odlučuje brzinu iteracija timova na agentima. Dobri sandboxi omogućuju inženjerima da u par minuta pokrenu reproduktivno okruženje, a ne da provode pola dana na konfiguriranje ovisnosti i GPU upravljačkih programa. Aktualno najrasprostranjeniji oblik je JupyterLab zasnovan na pregledniku. Njegova ključna prednost je nula lokalne konfiguracije: jednostavno otvorite preglednik i možete pisati kod, pokretati eksperimente i pristupati CPU ili GPU resursima, a status eksperimenata se može trajno spremiti. Za edukaciju, brzu prototipizaciju i ograničenu verifikaciju to je gotovo idealna uvodna cesta, osobito kada je besplatno, jer je prag dodatno smanjen na gotovo nulu. Prakmci moraju biti svjesni granica sandboka. Besplatni sandboci često imaju ograničenje trajanja sesije, kvota računanja i ograničenje pohrane, što nije prikladno za velike treniranja ili proizvodne radne opterećenja. Njihova svrha je „prvi kilometar“ – potvrditi ideje, naučiti okvir, pokrenuti minimalne primjere. Kad trebate distribuirano treniranje ili dugotrajne zadatke, trebao bi se prebaciti na cjelovitu upravljanu platformu. Razumijevanje tih granica sprječava trošenje vremena na pogrešnim alatima. Moje preporuke za tim su: traktirati sandbox kao alat za edukaciju i verifikaciju, a ne kao temeljnu inženjersku infrastrukturu. Koristite ga za smanjenje ulaznih troškova novih članova i brzo isključivanje tehničkih puteva; čim projekt uđe u fazu koja zahtijeva pouzdanost i skalabilnost, jasno planirajte migraciju. Zmjena sandboka i proizvodne platforme je česta greška u malim timovima.
- Project Jupyter - Wikipedia — Pozadina projekta Jupyter i okruženja za interaktivni izračun.
- Amazon SageMaker - Wikipedia — Pregled Amazon SageMaker platforme za upravljanje strojnim učenjem.
Istinski primjeri međudjelovanja agenta
Tri izabrana kataložna rješenja: DruAI, Healthcare CoPilot i SageMaker Studio Lab
U Agent Pantheon katalogu, tri alata upravo predstavljaju tri "druga" smjera koje razmatramo u ovom članku. Njihova pozicioniranje se drastično razlikuje, ali svaki je reprezentativni proizvod u svojem niši, vrijedan detaljnog analizira. DruAI je agencijski AI integriran u Druva platformu za zaštitu podataka. Njegova osnovna obećanja su samostalno zaštititi, oporaviti i upravljati podacima, čime se povećava mrežna otpornost organizacije. Drugim riječima, nije samo „pametni dodatak“ za alat za backup, već paket autonomne prepoznavanja prijetnji, vježbi oporavka i sposobnosti upravljanja podacima u obliku SaaS‑skog stoga za zaštitu podataka. Prikladan je za srednje i velike poduzeća koja već koriste ili planiraju koristiti cloud‑baziranu zaštitu podataka i žele smanjiti ručni rad i održavanje. Healthcare CoPilot je platforma usmjerena na kliničare, fokusirana na standardizaciju preporuka, triagea i provjere putanja, i osigurava da ti procesi budu u skladu s kliničkim smjernicama. To je točno onaj vrijednosni točku iz prethodne sekcije – "smanjivanje varijabilnosti" – ne nastojeći zamijeniti dijagnostičke odluke doktora, već automatizirati ponavljajuće provjere usklađenosti. Prikladan je za bolnice, mreže klinika i upravitelje zdravstvenih sustava koji trebaju ujednačiti kliničke putanje. Amazon SageMaker Studio Lab je besplatno, bazirano na pregledniku JupyterLab okruženje koje pruža CPU/GPU računalnu moć i trajni spremnik, posebno dizajnirano za eksperimente s mašinskim učenjem. Ovo je živ primjer sekcije "sandbox" u članku: bez konfiguracije, besplatno, pogodno za učenje i prototipiranje, ali je važno razumjeti njegove granice kvota. Prikladan je za studente, samostalne istraživače i timove koji žele brzo potvrditi ML ideje. Kada pogledate ova tri rješenja zajedno, otkrit ćete kako pokrivaju tri potpuno različita područja – sigurnost, medicinu i infrastrukturu razvoja – a dijele istu logiku procjene: traženje ravnoteže između autonomije i kontrole, sposobnosti i usklađenosti, praktičnosti i granica.
- DruAI — Agencijski AI u Druva platformi, samostalno zaštitite, oporavite i upravljate podacima za veću mrežnu otpornost.
- Amazon SageMaker Studio Lab — Besplatno preglednička JupyterLab okruženje, s CPU/GPU i trajnim spremnikom, pogodno za ML eksperiment.
- Healthcare CoPilot — Agencijska platforma za kliničare, standardizacija preporuka, triagea i putanja usklađene s kliničkim smjernicama.
Praktični popis od pet dimenzija
Jedinstveni okvir za izbor: kako ocijeniti bilo koju "drugu" vrstu agenta
Bez obzira na to na kojem dijelu trka se agent nalazi, koristim istu petdimenzijsku skalu za njegovu procjenu; ta skala je proći kroz stotine alata tijekom revizije kataloga. Prva dimenzija je ravnoteža autonomije i kontrola. Pitajte što agent zadano radi, koji se postupci moraju odobriti od strane čovjeka i postoji li mehanizam „isključivanja“. U scenarijima visokog rizika, mogućnost za jedno‑klikom pauziranja autonomnog ponašanja je nužna. Druga dimenzija je objašnjivost i revizija. Da li svaki ključni odabir agenta ostavlja trag? Da li se može pratiti na koje podatke ili pravila se oslanja? Agenti bez revizijskih mogućnosti u reguliranom sektoru su neprihvatljivi. Treća dimenzija je upravljanje podacima. Gdje se podaci pohranjuju, jesu li korišteni za obuku, kako se kontrolira pristup, i zadovoljava li se HIPAA ili GDPR i sl. Ova dimenzija često je razlog da općeniti alati budu odbačeni. Četvrta dimenzija je dubina integracije. Je li agent nativno integriran s vašim IAM‑om, SIEM‑om, EHR‑om ili kanalima podataka? Alati sličnih funkcionalnosti mogu imati troškove integracije koji se razlikuju deset puta. Peta dimenzija je operativni okvir i model troškova. Koja je njegova kvota računarske snage, koliko je paralelnih zahtjeva dozvoljeno i kako se naplaćuje – po upotrebi, po korisniku ili po čvoru? Skriveni granice besplatnih sandboxa posebno se lako zanemaruju. Ako ovu petdimenzijsku skalu pretvorite u ocjenjivač, inženjeri, sigurnost i regulatorni timovi sami ocjenjuju, a zatim se rezultati sumiraju i raspravljaju – ovaj međufunkcionalni proces često otkriva više o unutarnjoj toleranciji rizika od samog odabira alata. Za autonomne agente, postizanje tog konsenzusa je važnije od same izbore proizvoda. Zadnji praktični savjet: počnite s niski‑rizičnim, visokovrijednim uskim scenarijima. Bilo da je riječ o vježbama backup‑restauracije, standardizaciji kliničkih prijelaza ili provjeri ML prototipa, prvo provjerite pouzdanost agenta unutar kontroliranog okvira, a zatim postupno širite ovlasti i opseg. Postupni pristup je jedini siguran put upravljanja autonomijom.
- General Data Protection Regulation - Wikipedia — GDPR-ove ključne zahtjeve za obradu i upravljanje podacima.
Resursi
- Inteligentni agent - Wikipedia
Osnovni opis inteligentnih agenata i autonomnih sustava.
- Cyber otpornost - Wikipedia
Koncept ciklusa sprječavanja‑otkrivanja‑odgovora‑obnova sajber otpornosti.
- Klinički sustav podrške odlukama - Wikipedia
Princip u kojem klinički sustav podrške odlukama surađuje s ljudima u povratnoj vezi.
- Amazon SageMaker (službeni)
Službena stranica AWS‑ovog upravljanog platforma za strojno učenje.
- Druva (službeni)
Službena web stranica Druva platforme za zaštitu podataka i sajber otpornost.
Često postavljana pitanja
Što je "drugi" tip AI agenta i zašto je važno posebno ga razmatrati?
Agenti kategorije "drugi" su oni autonomni sustavi koji ne spadaju u standardne kategorije poput korisničke podrške, programiranja ili marketinga; obično su duboko ugrađeni u specifične industrijske radne tokove, poput obnove podataka, kliničke usklađenosti ili ML eksperimentalnih okruženja. Izgleda da su neobični, ali obično nose izuzetno visoki operativni i usklađeni rizik, stoga je standard za njihovu evaluaciju potpuno drugačiji od općih agenata.
Koja je razlika između agenta za podjeljnost podataka i tradicionalnog softvera za rezervno kopiranje?
Tradicionalno rezervno kopiranje je pasivno osiguranje kopiranja podataka, dok je agent za podjeljnost podataka proaktivan odbrambeni mehanizam: sam se prati na nenormalno pisanje, prepoznaje sumnjive ponašanja ransomwarea, izolira oštećene kopije i redovito provodi vježbe oporavka kako bi potvrdio njihovu obnovljivost. Ključna vrijednost je unapređenje "spremišta" u "mrežnu izdržljivost", fokusirajući se na hardne metrike poput RPO i RTO.
Zamjenit će li klinički agent dijagnostičke odluke liječnike?
Ne, niti bi trebao. Kvalificirani klinički agent je usmjeren na podršku odlukama, slijedeći princip "čovjek u krugu"; standardizira preusmjeravanje, triage i provjeru usklađenosti s uputama, pruža praćivi savjet, ali konačna odgovornost ostaje kod kliničkog liječnika. Njegova prava vrijednost je u smanjenju varijabilnosti putanja između različitih liječnika, a ne u zamjeni dijagnostike.
Samo li su besplatni ML sandučići prikladni za proizvodne radne opterećenja?
Ne. Sandučići poput SageMaker Studio Lab, koji su besplatni i funkcionišu kroz web preglednik, imaju ograničenja duljine sesije, kapaciteta izračuna i prostora za pohranu, a dizajnirani su za "prvu kilometražu" – testiranje ideja, učenje okvira i pokretanje minimalnih primjera. Kad vam je potreban distribuirani trening ili dugoročni proizvodni zadaci, trebat ćete se prebaciti na kompletno upravljanu platformu.
Koji je najčešće zanemaren rizik pri procjenjivanju autonomnih agenata?
Najlakše se zanemaruje upravljanje podacima i mogućnost revizije. Mnoge ekipe privučene su funkcijama, a ne potvrđuju gdje se podaci pohranjuju, hoće li se koristiti za obuku i hoće li svaki ključni odabir ostati pod znakom. U reguliranim industrijama, agent bez mogućnosti revizije nije prihvatljiv, čak i ako je izuzetno inteligentan.
Kako postići ravnotežu između autonomije i kontrole?
Ključ je jasna definicija zadnjih podataka agenta, koje operacije zahtijevaju ljudsku odobrenje i postoji li mehanizam za gašenje. U visokorizičnim scenarijima, mogućnost jednokliknog zaustavljanja autonomnih radnji je nužna. Preporuča se početi s niskorizičnim usmjernim scenarijima, potvrditi pouzdanost, a zatim postupno proširiti ovlasti; postupni pristup je najsigurniji put.
Tko su ciljana tržišta DruAI, Healthcare CoPilot i SageMaker Studio Lab?
DruAI je namijenjen srednje i velikim tvrtkama koje trebaju autonomnu zaštitu podataka i mrežnu izdržljivost; Healthcare CoPilot je usmjeren prema bolnicama i mrežama klinika koje žele objediniti kliničke putanje i smanjiti teret usklađenosti; SageMaker Studio Lab je idealan za studente, istraživače i razvojne timove koji trebaju brzo testirati ML ideje. Tri se proizvoda protežu kroz područja sigurnosti, zdravstvene njege i razvojne infrastrukture.
Koju ulogu igra međufunkcionalna revizija u odabiru agenta?
Održavanje inženjerskih, sigurnosnih i usklađenih timova da sami ocijene po pet dimenzija i zatim diskutuju rezultati često otkriva nesuglasice u toleranciji rizika unutar organizacije. Za autonomne agente, postići taj konsenzus je važnije od odabira konkretnog proizvoda.