Kunstig intelligens lover at sætte maskiner eller robotter til at tage det tunge arbejde i mange dele af virksomheder. Nu, der er stadig flere initiativer, samt sælger produkter, der vil selvstændigt tage den tunge arbejde af it-afdelinger samt.
Foto: CERN Press Office
Automatisering af IT-funktioner har været under udvikling i årtier, selvfølgelig — fra job-planlægning systemer i 1990’erne, at self-healing systemer blev indført for mere end et årti siden. Disse dage, DET automation går under mange navne — som autonome systemer, der selv kører systemer eller bots. Sidst, mere af det, der falder ind under betegnelsen af AIOps, at deltage i paraden af xOps metoder, lovende at anvende AI og machine learning til at mekanisere, standardisere og automatisere levering af IT-tjenester.
Så langt, så godt med AIOps, i det mindste i de implementeringer, der har fundet sted til dato. En undersøgelse af 200 IT-chefer, der siger, at de allerede arbejder med værktøj eller praksis sige, at det er at hjælpe dem med at administrere deres IT-hårboller. Undersøgelsen, der blev udgivet i OpsRamp, siger 87 procent er enige om, at AIOps værktøjer er at levere værdi “gennem proaktiv IT-drift og bedre hybrid infrastruktur modstandskraft.” Da OpsRamp er en udbyder af AIOps værktøjer, er det indlysende, at de ville trompet disse resultater. På samme tid, de data, der peger på, hvor AIOps er bedst indsat, og nogle af de spørgsmål, der stadig holder op fremskridt.
Lad os starte med de spørgsmål, der opstod i forbindelse med AIOps initiativer. De problemer, spejl dem, der ses med AI og machine learning i almindelighed — opbygge troværdige data sæt, og finde de talenter, som kan gøre det samme ved AJ og AIOps en realitet. Mere end to-tredjedele af AIOps implementers sige, at det tager tid at opbygge tillid i relevansen og pålideligheden af AIOps anbefalinger. Indtil det sker, undersøgelsens forfattere bemærke, at “DET hold vil kombinere data-drevet indsigt med menneskelig dømmekraft til at drage de rigtige konklusioner for optimering.”
En lignende del af IT-chefer, 64 procent, der siger, at de ikke kan finde de færdigheder til at gøre AIOps en realitet. Undersøgelsen finder, at det tager et flertal af virksomheder, 53 procent, mellem seks til tolv måneder til at ansætte data videnskab og analytics-fagfolk. For mere end én ud af ti, det tager mere end et år til at ansætte data forskere. Teoretisk, i det lange løb, AIOps bør reducere krav til færdigheder til at køre datacentre. Lige nu, DET hold som har brug for til at opnå ekspertise i machine learning teknikker og kombinerer dem med en hændelse analyse færdigheder til at støtte AIOps installationer.
En anden bekymring er nævnt med et flertal af IT-chefer, 57 procent, er også den samme bekymring, at der har været udtryk om andre nye teknologier i fortiden-tab af kontrol. Er DET ledere klar til at afgive fuld kontrol, selvkørende autonome systemer, der leverer handlingsorienteret indsigt for problemet diagnosticering, fejlfinding og gendannelse? Ikke helt endnu.
Stadig, blandt dem, der arbejder aktivt med AIOps, der er nogle mærkbare fordele belægning, især på den operationelle side af tingene, ifølge undersøgelsen. Der er produktivitetsgevinster fra afskaffelse af lav værdi, gentagne opgaver på tværs af en hændelse lifecycle (citeret af 85 procent), hurtig udstedelse oprydning med hurtigere kerneårsagsanalyse (80 procent), og en bedre infrastruktur resultater gennem “noise reduction” (77 procent).
Undersøgelsen undersøger også de fem førende use case for AIOps på dette tidspunkt:
Intelligent varsling (citeret af 69 procent af dem, der bruger AIOps værktøjer). “AIOps værktøjer levere kontekstuelle alarmbeskeder at lade DevOps teams forstår begivenhed, historie, strømline hændelse samarbejde, og til at opfylde service-niveau krav til problemløsning,” undersøgelsens forfattere stat.Kerneårsagsanalyse (61 procent). “AIOps sikrer en bedre oppetid og pålidelighed med hurtig problemdiagnosticering, der kombinerer virkningen synlighed og service-forbindelse til at bestemme den sandsynlige årsag og virkning til operationelle spørgsmål.” Anomali/threat detection (55 procent). “Machine-learning algoritmer, der hurtigt kan identificere outliers via mønstergenkendelse, så DEN teams kan trække signal fra støj og identificere hændelser, der afviger fra almindelige system adfærd.”Kapacitet optimering (54 procent). Evnen til at håndtere systemets ressourcer har altid været omdrejningspunktet i DET performance management, og AI og machine learning er nu at hjælpe til at gøre det på tværs af forskellige skyer og on-premises systemer efter behov.Hændelsen auto-oprydning (53 procent). Undersøgelsen finder, at to ud af fem adspurgte var i stand til markant at fremskynde tid til at udbedre hændelser, og en ud af ti var i stand til at reducere de samlede hændelse beslutning gange med næsten halvdelen.
Disse use cases og fordele af AIOps hidtil drejer sig om at øge ydelse og levering af IT-tjenester fra en intern synsvinkel. Mens det er stadig et skridt væk fra direkte forretningsmæssige fordele, er det ikke desto mindre potentielt vil kunne styrke DET mål at tjene som en virksomhed i en virksomhed, giver overlegen kundeservice og kundernes oplevelser og samtidig holde omkostningerne nede.
Relaterede Emner:
Datacentre
CXO
Thought Leadership
Innovation
Tech og Arbejde