Artificiell intelligens lovar att aktivera maskiner eller robotar att ta på sig det tunga arbetet i många delar av företag. Nu finns det allt fler initiativ, liksom säljaren produkter, som kommer att självständigt ta på sig det tunga arbetet i it-avdelningar också.
Foto: CERN Tryck på Office
Automatisering av IT-funktioner har utvecklats under decennier, naturligtvis — från jobb-schemaläggning på 1990-talet till självläkande system infördes för mer än tio år sedan. Dessa dagar, DET automation går under många namn-som autonoma system, självgående system eller robotar. Nyligen, mer av det är att falla under namnet av AIOps, gå med i paraden för xOps metoder, lovar att tillämpa AI och maskininlärning för att mekanisera, standardisera och automatisera leveransen av IT-tjänster.
Så långt, så bra med AIOps, åtminstone i de implementeringar som har skett hittills. En undersökning bland 200 IT-chefer som säger att de redan arbetar med verktyg eller praxis säger att det hjälper dem att hantera sin IT-hårbollar. Undersökningen, som släpptes av OpsRamp, säger 87 procent instämmer i att AIOps verktyg är att leverera värde “genom en proaktiv IT-drift och förbättrad hybrid infrastruktur motståndskraft.” Eftersom OpsRamp är en leverantör av AIOps verktyg, är det förståeligt att de skulle trumpet dessa resultat. På samma gång, de uppgifter som pekar på var AIOps är bäst ut, och några av de frågor som fortfarande håller upp framsteg.
Låt oss börja med de frågor som uppstår med AIOps initiativ. De problem spegel de som ses med AI och lärande i allmänhet-att bygga tillförlitliga datamängder och att hitta de talanger som kan göra AI och AIOps en verklighet. Mer än två tredjedelar av AIOps utförare säga att det tar tid att bygga förtroende i relevans och tillförlitlighet i AIOps rekommendationer. Tills det händer, enkäten, som författarna noterar att “DET lag som kommer att kombinera data-driven insikter med det mänskliga omdömet att dra de rätta slutsatserna för att optimera prestanda.”
En liknande andel av IT-chefer, 64 procent, uppger att de inte kan hitta den kompetens att göra AIOps en verklighet. Undersökningen konstaterar att det krävs en majoritet av företagen, 53 procent, mellan sex till tolv månader för att hyra data vetenskap och analytics-proffs. För mer än en av tio, det tar mer än ett år för att hyra data forskare. Teoretiskt, i det långa loppet, AIOps bör minska färdigheter som krav för att köra datacenter. Just nu, DET lag som kommer att behöva för att få kompetens i lärande tekniker och kombinera dem med tillbud kompetens att stödja AIOps distributioner.
Ett annat problem som nämns av de flesta IT-chefer, 57 procent, är också samma oro som har framförts om annan ny teknik i det förflutna-förlust av kontroll. Finns DET chefer som vill avstå fullständig kontroll att själv kör autonoma system som ger värdefulla insikter om problem, diagnos, felsökning och återhämtning? Inte riktigt ännu.
Fortfarande, bland dem som aktivt arbetar med AIOps, finns det några märkbara fördelar beläggningsarbeten, särskilt på den operativa sidan av saker och ting, enligt undersökningen. Det finns produktivitetsvinster från eliminering av lågt värde, repetitiva uppgifter över en incident livscykel (citerad av 85 procent), snabba frågan sanering med snabbare root cause analysis (80 procent), och bättre infrastruktur prestanda genom “noise reduction” (77 procent).
Enkäten undersöker också de fem ledande använda fallet för AIOps vid denna tid:
Intelligent varna (citerad av 69 procent av de som använder AIOps verktyg). “AIOps verktyg ger kontextuella aviseringar för att låta DevOps lag förstå händelse historia, effektivisera incident samarbete, och möta service-krav för problemlösning,” den undersökning som författarna staten.Root cause analysis (61 procent). “AIOps ger bättre service, tillgänglighet och tillförlitlighet med snabb problem diagnos som kombinerar effekterna synlighet och service sammanhang för att bestämma trolig orsak och verkan för operativa frågor.” Anomali/hot upptäckt (55 procent). “Machine-learning algoritmer kan snabbt identifiera extremvärden genom mönsterigenkänning, så att DET lag som kan extrahera signal från buller och identifiera händelser som avviker från det vanliga systemet beteende.”Kapacitet optimering (54 procent). Förmågan att hantera system med resurser har alltid varit en hörnsten i DET resultatstyrning, och AI och maskininlärning är nu hjälpa till att göra det i olika moln på lokaler och system som behövs.Händelsen auto-sanering (53 procent). Undersökningen finner två av fem svarande hade möjlighet att avsevärt påskynda tid att åtgärda incidenter, och en av tio skulle kunna minska de totala incident resolution gånger med nästan hälften.
Dessa användningsfall och fördelarna med AIOps hittills avser att öka prestanda och leverans av IT-tjänster från ett inre perspektiv. Medan det är ändå ett steg bort från direkt affärsnytta, har det ändå kommer eventuellt att stärka DET har som mål att fungera som en verksamhet inom ett företag, vilket ger överlägsen kundservice och kundernas erfarenheter och samtidigt hålla kostnaderna på en låg nivå.
Relaterade Ämnen:
Datacenter
CXO
Trodde Ledarskap
Innovation
Tech och Arbete