Kunstmatige intelligentie belooft voor het inschakelen van machines of bots te nemen op het zware werk van de vele onderdelen van ondernemingen. Nu, er zijn steeds meer initiatieven, alsmede de leverancier van producten, die autonoom nemen op het zware werk van de informatie technologie afdelingen.
Foto: CERN Druk op Kantoor
De automatisering van IT-functies is evoluerende voor decennia, natuurlijk — van job scheduling systemen in de jaren 1990 tot self-healing systemen introduceerde meer dan een decennium geleden. Deze dagen, automatisering gaat onder vele namen, zoals autonome systemen, self-driving systemen of bots. De laatste tijd, meer van het vallende onder de naam van AIOps, die deelnemen aan de optocht van xOps methodieken, veelbelovende toepassing AI en machine learning te mechanize, standaardiseren en automatiseren van de levering van IT-diensten.
Tot zover gaat het goed met AIOps, ten minste in de implementaties die tot dusver hebben plaatsgevonden. Een enquête van 200 IT-managers die zeggen dat ze nu al werken met de tools of de praktijk zeggen dat het hen te helpen het beheer van hun IT-hairballs. Het onderzoek, uitgebracht door OpsRamp, zegt 87 procent het ermee eens dat AIOps tools zijn op het leveren van waarde “door proactief IT-operaties en de verbeterde hybride infrastructuur veerkracht.” Sinds OpsRamp is een aanbieder van AIOps tools, is het logisch dat ze zouden trompet van deze resultaten. Op hetzelfde moment, de gegevens waar AIOps is het beste kunnen worden geïmplementeerd, en de problemen steeds houden van de vorderingen.
Laten we beginnen met problemen ondervonden met AIOps initiatieven. De problemen met de spiegel die met AI en machine learning in het algemeen — bouwen van betrouwbare data sets, en het vinden van de talenten die AI en AIOps een realiteit. Meer dan twee derde van de AIOps uitvoerders zeggen dat het nemen van de tijd om vertrouwen op te bouwen in de relevantie en betrouwbaarheid van de AIOps aanbevelingen. Totdat dat gebeurt, is het onderzoek van de auteurs opmerking, “HET de teams van het combineren van data-gedreven inzicht met het menselijk oordeel te trekken van de juiste conclusies voor optimalisatie van prestaties.”
Een vergelijkbaar deel van de IT-managers, 64 procent, zeggen ze het niet kunnen vinden van de vaardigheden om AIOps een realiteit. Het onderzoek komt tot de conclusie dat een meerderheid van de ondernemingen, 53 procent, tussen de zes tot twaalf maanden te huren gegevens wetenschap en analytics professionals. Voor meer dan één op de tien, het duurt meer dan een jaar te huren gegevens wetenschappers. In theorie, op de lange termijn, AIOps moet verminderen vaardigheden vereisten voor het uitvoeren van data centers. Nu, DEZE teams zullen nodig hebben om expertise in machine learning technieken en combineer ze met de incident analyse vaardigheden AIOps implementaties.
Een ander punt van zorg genoemd door een meerderheid van de IT-managers, 57 procent, is ook de bezorgdheid die is geuit over andere nieuwe technologieën in het verleden-verlies van controle. Zijn IT-managers klaar te staan gelijk de volledige controle zelf rijden autonome systemen leveren bruikbare inzichten voor het probleem diagnose, probleemoplossing en herstel? Nog niet helemaal.
Nog steeds onder die actief werken met AIOps, zijn er een aantal opvallende voordelen aan de oppervlakte, vooral op de operationele kant van de dingen, volgens de enquête. Er zijn productiviteit van de eliminatie van een lage waarde, repetitieve taken over een incident in de levenscyclus (aangehaald door 85 procent), snelle afgifte sanering sneller van root cause analysis (80 procent) en een betere infrastructuur prestaties door middel van “noise reduction” (77 procent).
Het onderzoek verkent de vijf leidende use case voor AIOps op dit moment:
Intelligente meldingen (aangehaald door 69 procent van de mensen met AIOps tools). “AIOps gereedschappen leveren contextuele meldingen dat laat DevOps teams begrijpen gebeurtenis de geschiedenis, het stroomlijnen van incident samenwerking, en het service-niveau van de eisen voor het oplossen van problemen,” het onderzoek van de auteurs staat.Root cause analysis (61 procent). “AIOps zorgt voor een betere uptime en betrouwbaarheid met problemen snel de diagnose dat combineert impact zichtbaarheid en service context om te bepalen vermoedelijke oorzaak en gevolg voor de operationele zaken.” Afwijking/detectie (55 procent). “Machine learning algoritmen kunt u snel achterhalen uitschieters door middel van patroonherkenning, zodat DEZE teams kunnen uitpakken signaal van ruis en het identificeren van gebeurtenissen die afwijken van de reguliere werking van het systeem.”Capaciteit optimalisatie (54 procent). De mogelijkheid tot het beheren van systeem resources heeft altijd al de hoeksteen van HET performance management, en AI en machine learning is nu helpen om dit te doen in verschillende wolken en on-premise-systemen als dat nodig is.Incident auto-sanering (53 procent). De enquête vindt twee op de vijf respondenten waren in staat om aanzienlijk te versnellen, is het tijd om de sanering van incidenten, en één op de tien in staat waren om te snijden algemene incident resolutie keer met bijna de helft.
Deze use cases en de voordelen van AIOps tot nu toe hebben betrekking op het verhogen van de prestaties en de levering van IT-services van een intern standpunt. Terwijl het nog een stap verwijderd van de directe voordelen zijn, is het niettemin mogelijk zal versterken HET doel om te dienen als een bedrijf binnen een bedrijf, voor een superieure klantenservice en ervaringen van klanten en houdt de kosten laag.
Verwante Onderwerpen:
Datacenters
CXO
Thought Leadership
Innovatie
Tech en Werk