AIOps (применение искусственного интеллекта в ИТ-операциях) может помочь компаниям улучшить качество обслуживания клиентов, предотвратить сбои в работе сервисов, автоматизировать анализ первопричин, оптимизировать архитектуру развертывания и достичь целей ESG, пишет на портале ITPro Today Майкл Сабадос, главный операционный директор NETSCOUT.
Современный бизнес-ландшафт трансформируется подобно второй промышленной революции. Но на этот раз речь идет не о паровых и стальных машинах, а об ИИ. Как Марк Андреессен в 2011 г. предсказал, что «программное обеспечение съест мир», так и сейчас мы стоим на пороге эры, когда ИИ станет новым пожирателем, переделывающим целые отрасли по своему образу и подобию.
Для справки, я не говорю о цунами генеративного ИИ (GenAI), представленном такими прорывными чатботами, как ChatGPT. Речь идет о преобразованиях, гораздо более характерных для компаний. Это ИИ, применяемый для автоматизации механизмов управления, обеспечивающих работу наших инфраструктур, производительность наших приложений и высокую доступность наших сетей.
Все это необходимо потому, что управление объемами данных и обновлений ПО, проходящих через современные сложные гибридные ИТ-среды, намного превышает возможности человека. В этом перегруженном мире невозможно выделить каждый проблемный сигнал из стены шума или диагностировать первопричину каждого плохого пользовательского опыта по его симптомам.
Организации по всему миру стремятся таким образом использовать потенциал ИИ, но эта гонка сопряжена с препятствиями. Сложность систем ИИ, растущие киберриски и повсеместная нехватка квалифицированных кадров — вот лишь несколько препятствий, которые приходится преодолевать компаниям. Кроме того, традиционные ИТ-методологии оказываются неадекватными для решения поставленных задач.
Появление AIOps
AI Operations (AIOps) — использование ИИ и машинного обучения для улучшения и автоматизации различных аспектов ИТ-операций — представляет собой сейсмический сдвиг в управлении технологическими экосистемами. Речь идет не просто об использовании ИИ, а об интеграции ИИ в основу ИТ-операций. Аналитические платформы, такие как Splunk и ServiceNow, включающие в себя ИИ и MО, обрабатывают огромные и разнообразные источники данных, позволяя автоматизировать рабочие процессы, которые раньше требовали ручного контроля. Такая автоматизация не только повышает эффективность, но и открывает путь к новым приложениям для оптимизации ИТ, безопасности и бизнеса.
Однако, как надежность GenAI-чатбота зависит от качества данных, которыми он снабжается, так и выполнение самой миссии AIOps-трансформации зависит от точности, актуальности и своевременности данных, получаемых платформами.
Традиционно типы данных, доступные для AIOps, ограничиваются различными видами телеметрии — журналами, трассировками, метриками, — которые сообщают о состоянии сетевых элементов. Это необходимый, но неполный взгляд на систему. Эти данные предоставляют моментальные снимки — важные, но статичные — компонентов системы без учета их взаимодействия, которое является жизненно важным фактором устойчивости, безопасности и масштабируемости сети. Иными словами, наблюдаемость, которую создают платформы AIOps, впечатляет, но они могли бы приносить еще большую отдачу, если бы располагали более точным и содержательным набором данных.
Лучше данные — лучше AIOps
Из богатого, сложного взаимодействия источников информации и пользователей в сети можно получить существенно иной, пока еще недостаточно используемый набор данных с высокой ценностью, который обещает триангуляцию и корреляцию с другими доступными наборами данных, повышая их совокупную ценность для конкретного сценария использования.
Проблема использования этого источника заключается в том, что необработанные данные о трафике невероятно массивны и слишком сложны для прямого ввода. Кроме того, даже сжатые в метаданные, без преобразования они превращаются в разрозненный поток жестких, высококардинальных наборов данных из-за присущего им разнообразия и сложности.
Новое поколение AIOps-решений готово преодолеть этот дефицит данных и преобразовать этот все еще необработанный поток данных в усовершенствованные коллекции организованных потоков данных, которые дополняются и редактируются с помощью интеллектуального извлечения признаков.
Эти решения используют адаптивную модель ИИ и многоступенчатую последовательность преобразований, чтобы работать в качестве активных членов более крупной экосистемы AIOps, гармонизируя потоки данных с рабочими процессами, выполняемыми на целевой платформе, делая их более релевантными и менее зашумленными.
Позволяя извлекать признаки и применять ИИ/МО в непосредственной близости от исходных источников информации, эти решения для AIOps-моделирования значительно снижают уровень шума и ложных срабатываний. Это позволяет платформам AIOps перейти от дублирования оповещений и инцидентов к более эффективной координации многочисленных потоков оперативной информации. Автоматизация становится реактивной и проактивной, что характеризуется более быстрым временем реагирования, снижением затрат и повышением уверенности. Вполне логично, что если ваша платформа AIOps обрабатывает меньшие объемы более актуальных и ценных данных, отсеивая весь несущественный шум, вы сможете быстрее и гораздо эффективнее решать конкретные задачи.
Используя этот подход к адаптивному AIOps-моделированию, компании могут:
- Непрерывно анализировать, как клиенты используют цифровые сервисы, и соответствующим образом обновлять их, повышая уровень клиентского опыта и их лояльности.
- Предотвращать сбои в работе сервисов благодаря непрерывному мониторингу, анализу и корреляции интеллектуальных данных из сети с другими телеметрическими данными, что позволяет избежать ложных срабатываний для более эффективного использования ресурсов и экономии операционных расходов.
- Автоматизировать анализ первопричин для минимизации перебоев в обслуживании при адаптации к меньшей численности и уровню квалификации персонала, что снижает операционные расходы.
- Постоянно оценивать эффективность текущей архитектуры развертывания для расширения границ сети при сохранении безопасности. На основе этой информации они могут оптимизировать свою сеть, чтобы поддерживать минимальные затраты и оптимизировать обслуживание клиентов.
- Более эффективно достигать целей ESG путем информирования команд разработчиков продуктов и DevOps о том, насколько «болтливы» их приложения и как много энергии они тратят.
На пути к новому миру автоматизации высшего порядка
При обучении и развертывании процессов и платформ, управляемых ИИ, решающее значение имеют компактность и релевантность данных. Благодаря новому подходу адаптивного AIOps-моделирования решения могут быть основаны на доказательствах, а не на догадках, на доказательствах, а не на подозрениях, и на значимых связях, а не на приблизительных корреляциях. Это позволяет платформам AIOps достигать целевых результатов быстрее и с таким уровнем доверия, который ранее был недостижим.
По мере того как организации адаптируются к новым способам работы, ориентированным на ИИ, мы становимся свидетелями возникновения новой цифровой экономики. Это экономика, в которой ИИ является движущей силой и центральной осью инноваций и создания ценности. Однако риски тоже велики. Чтобы успешно снизить вероятность нежелательных последствий и потери контроля, самым большим рычагом, доступным сегодня компаниям, является правдивость, релевантность и своевременность данных, которыми они снабжают свою платформу ИИ.