Indholdsfortegnelse[Skjule][At vise]
Du kan ikke håndtere den dynamiske og evigt foranderlige it-verden i dag med i gårs teknologier. Infrastrukturmodelændringer er kontinuerlige og hurtige, hvilket nødvendiggør brugen af teknologi og dynamiske ledelsesmetoder.
Et softwaredefineret ressourcemiljø, der tilpasser og rekonfigureres øjeblikkeligt, erstatter de statiske og forudsigelige fysiske systemer, som har karakteriseret virksomhedens miljø i årtier.
Derudover hvornår netværk arkitektur ændringer, bliver forældede modelbaserede softwaresystemer mere og mere arbejdskrævende for at bevare deres effektivitet, samtidig med at de glider længere og længere bagud.
AIOps har spredt sig i de seneste år. Hvis du er en tekniker, er jeg sikker på, at du har hørt om det, men du ved nok ikke meget om det. Du er uden tvivl på rette sted, hvis det er tilfældet.
I dette stykke tager vi et detaljeret kig på AIOps – hvorfor vi har brug for dem, hvordan det fungerer, deres fordele og meget mere.
Introduktion til AIOps
Brugen af kunstig intelligens (AI) og tilhørende teknologier, såsom maskinlæring og naturlig sprogbehandling (NLP), i rutinemæssige it-driftsprocesser og -aktiviteter, er kendt som kunstig intelligens til it-drift (AIOps).
Det repræsenterer ITOps' overskuelige fremtid (IT Operations). Den blander algoritmisk og menneskelig intelligens for at give fuldstændig indsigt i funktionaliteten og status for de it-systemer, som virksomheder og organisationer er afhængige af til den daglige drift.
Det refererer til avancerede flerlags teknologiske platforme, der forbedrer og automatiserer it-drift ved at bruge machine learning og analyser til at undersøge de store mængder data indsamlet fra forskellige ITOps-værktøjer og -enheder for at genkende og derefter reagere automatisk i realtid på problemer.
For at bruge AIOps skal du gå fra opdelte it-data til aggregerede observationsdata (som dem der findes i opgavelogfiler og overvågningssystemer) og engagementsdata (som dem der findes i en billet-, begivenheds- eller problemoptagelse) inde i en big data-platform .
AIOps anvender derefter analyser og maskinlæring på de samlede data. Med automatiseret implementering er resultatet løbende indsigt, der kan føre til løbende forbedringer.
Det kan derfor ses som CI/CD (Continuous Integration and Continuous Deployment) til grundlæggende it-drift.
AIOps gør det muligt for IT Ops, DevOps og SRE-teams at arbejde mere effektivt og hurtigt, så de kan identificere problemer med digitale tjenester tidligere og løse dem, før de har en negativ indvirkning på forretningsdrift og kunder.
Dette opnås gennem algoritmisk analyse af it-data og observerbarhedstelemetri.
AIOps kombinerer styrkerne fra tre it-discipliner for at nå sine mål om kontinuerlig læring og udvikling: automatisering, servicestyring og præstationsstyring.
Det er erkendelsen af, at i de nye hyperskalerede og accelererede it-indstillinger er en ny strategi, der kan gøre brug af big data og maskinlæringsfremskridt for at komme ud over begrænsningerne for ældre værktøjer og mennesker, mulig.
AIOps gør det muligt for virksomheder at fungere i det tempo, der kræves af moderne virksomhed, samtidig med at de giver en fantastisk brugeroplevelse, når IT er i centrum for initiativer til digital transformation.
Hvorfor har vi brug for AIOps?
I mange virksomheder har de statiske, usammenhængende on-site-systemer givet plads til en mere dynamisk blanding af on-premises, public cloud, private cloud og administrerede cloud-miljøer, hvor ressourcer skaleres og rekonfigureres løbende.
IT skal holde styr på det stigende antal enheder (navnlig Internet of Things eller IoT), systemer og applikationer. Overvej de gigabytes af data, som et lokomotiv kan generere i én kørsel.
Big Data er den sætning, der bruges i IT til at beskrive dette fænomen. Den enorme mængde data, som IT Drift skal behandle, kan en person ikke behandle. IT-medarbejdere er ikke i stand til at prioritere forskellige bekymringer for et hurtigt svar.
De får et stort antal meddelelser, hvoraf mange er overflødige, og oversvømmer dem. Kunde- og brugeroplevelse er skadet som følge heraf.
Traditionelle IT-styringsteknikker er ikke i stand til at håndtere denne mængde. De er ikke i stand til effektivt at tyde begivenheder fra syndfloden af data. De er ikke i stand til at linke data fra forskellige, men indbyrdes forbundne sammenhænge.
De er ikke i stand til at forsyne it-driften med den information i realtid og den forudsigelige analyse, de har brug for for at reagere hurtigt på problemer. Organisationer henvender sig til AIO'er for hurtigere at identificere, rette og undgå store udfald og andre it-driftsproblemer.
AIOps gør det muligt for it-driftsteams at reagere på udfald og opbremsninger hurtigt og proaktivt med meget mindre arbejde.
Det udfylder hullet mellem brugernes forventninger om lidt eller ingen nedetid i systemets ydeevne og tilgængelighed og det dynamiske, diversificerede og udfordrende it-økosystem.
Grundlæggende komponenter i AIOps
Lad os undersøge dets grundlæggende komponenter for at få en bedre forståelse af AIO'ers magt og ansvar. Blandt dem er følgende:
Væsentlige IT-data
Demontering af datasiloer er et grundlæggende mål for AIOps. Det kombinerer adskillige datasæt til it-servicestyring og it-driftsstyring for at gøre dette. Dette gør det muligt at automatisere og identificere rodproblemer hurtigere.
Indsamlede enorme data
Enhver AIOps-platforms kernekomponent er big data. AIOps kan bruge sofistikerede analyser med både lagrede data, der allerede er blevet indsamlet, og data, der genereres i realtid ved at rive siloer ned og frigøre de data, der allerede er tilgængelige.
Maskinelæring
AIOps er afhængig af sofistikerede maskinlæringsfærdigheder, der overgår manuel menneskelig kapacitet på grund af den store mængde data, der skal analyseres.
AIOps skalerer med en hastighed og præcision, som ellers ville være utænkelig ved at automatisere analyser og finde forbindelser og indsigt.
Observation
Platformens kapacitet til at overvåge data og dataadfærd spiller en afgørende rolle i AIOps-processen. Data fra mange it-domæner og -kilder, såsom ældre infrastruktur, container, cloud eller virtualiserede systemer, kan indsamles af AIOps gennem dataopdagelse.
For at give det mest aktuelle grundlag skal data indsamles så tæt på realtid som muligt.
Involvering
I adskillige it-discipliner, herunder ITSM, tilbyder AIOps-løsninger konfiguration, koordinering og administration af computersystemer og software.
AIOps-analyse gør det muligt for dataene at være mere troværdige og relevante, samtidig med at de inkluderer miljødata og muliggør automatisering.
Handling
AIOps' ultimative mål er at bygge et system med alle processer helt automatiserede, eliminere alle smuthuller og frigøre IT-driftsmedarbejdere fra alle opgaver.
AIOps er stadig i de tidlige stadier, og nogle hold er tilbageholdende med at omfavne dets potentiale fuldt ud.
Ikke desto mindre kan AIOps håndtere både enkle og mere komplicerede opgaver, og mange virksomheder vænner sig til, at AIOps-systemer udfører mere og mere vanskelige opgaver.
Funktion af AIO'er
For at kunne levere et centraliseret engagementssystem yder AIOps bedst, når det er uafhængigt implementeret til at indsamle og analysere data fra alle tilgængelige IT-overvågningskilder.
Den bruger stort set den samme procedure, som den menneskelige kognitive funktion gør for at gøre dette. Følgende er de fem vigtigste algoritmer i brug:
Valg af data
Baseret på specificerede udvælgelses- og prioriteringsparametre skal AIO'er være i stand til at finde de store "nåle" skjult i terabyte-store data "høstakke" ved at gennemsøge den enorme mængde af tilgængelige IT-data, analysere dem og finde væsentlige dataelementer.
Mønstergenkendelse
AIOps undersøger relevante data, identificerer sammenhænge mellem dataelementer og grupperer dem samlet for yderligere analyse.
Intuition
AIOps-systemer kan tydeligt identificere de underliggende årsager til problemer, hændelser og mønstre takket være dybdegående forskning, som også producerer indsigtsfulde resultater, der kan bruges til at guide fremtidige handlinger.
Samarbejde
AIO'er skal også fungere som en platform for samarbejde, advare de relevante teams og enkeltpersoner, give dem relevant information og muliggøre effektivt samarbejde på trods af afstanden mellem operatørerne.
Automation
Sidst men ikke mindst er AIOps bygget til øjeblikkeligt at reagere på og løse problemer, hvilket i høj grad forbedrer effektiviteten og præcisionen af it-drift.
Fordele
AIOps' største fordel er, at det gør det muligt for it-drift at finde, adressere og rette opbremsninger og udfald hurtigere, end de kan ved manuelt at sortere advarsler fra forskellige it-driftsværktøjer.
Som et resultat er der mange forskellige fordele:
Administrer din virksomhed på en proaktiv, proaktiv og forudsigelig måde
AIOps stopper aldrig med at lære, så den forbedrer sig løbende til at opdage mindre presserende advarsler eller signaler, der svarer til mere presserende omstændigheder.
Dette indebærer, at det kan tilbyde forudsigende meddelelser, så it-professionelle kan løse mulige problemer, før de forårsager træghed eller forstyrrelser.
Forbedre den gennemsnitlige tid til opløsning (MTTR) hastighed:
AIOps er i stand til at opdage fundamentale årsager og tilbyde løsninger hurtigere og mere præcist, end mennesker er i stand til at gøre ved at skære igennem støjen i it-drift og korrelere driftsdata fra forskellige it-miljøer.
På grund af dette er virksomheder nu i stand til at etablere og opfylde MTTR-mål, som tidligere var utænkelige.
Lavere driftsomkostninger
AIOps-løsninger kan reducere omkostningerne på en række forskellige måder, men en vigtig og vanskelig løsning er at tilføje personale. brugervejledning incident management er besværligt og langsomt.
Organisationer forsøger at løse problemet ved at ansætte flere mennesker, efterhånden som kompleksiteten og datamængderne stiger. AIOps tilbyder nyttige oplysninger om problemer, reducerer drastisk antallet af advarsler og automatiserer operationer.
Dette gør det muligt for virksomheder at øge produktiviteten for at fastholde en konstant arbejdsstyrke, reducere antallet af eskalationer og reducere nedetiden.
Hold din IT-drift og dit IT-driftsteam opdateret:
AIOps-driftsteams modtager kun advarsler, når bestemte serviceniveautærskler eller parametre er opfyldt, og de gør det med al den kontekst, der er nødvendig for at stille de bedst mulige diagnoser og træffe den bedste og hurtigste korrigerende handling.
Dette reducerer antallet af advarsler, som driftsteams modtager fra alle miljøer. Jo mere AIO'er lærer og automatiserer, jo mere hjælper det med at "holde lyset tændt" med mindre menneskeligt arbejde, hvilket frigør dine IT-driftspersonale til at koncentrere sig om opgaver, der har en højere strategisk værdi for virksomheden.
Nogle bemærkelsesværdige fordele er angivet nedenfor:
- Forbedrede oplevelser for både medarbejdere og kunder
- Øget kapacitet og infrastrukturudnyttelse
- Forbedret synkronisering mellem IT-tjenester og business-service-output
- Hurtigere levering af nye it-tjenester
- Fjernelse af kvalifikationskløften
- Traditionel infrastruktur, offentlig cloud, privat cloud og hybrid cloud support
- Problemhåndtering går fra reaktiv til proaktiv til forudsigelig
- Modernisering af IT-driftspersonalet og IT-driften
- Forbedret samarbejde mellem sikkerhed og drift
- Færre brande at slukke og billigere afbrydelser
- Øger den gennemsnitlige tid til at løse hurtigere (MTTR)
- Forbedring af forholdet mellem forandring og præstation
- En større evne til at håndtere forandringer effektivt
- IT-driftspersonalets pligt mindskes, fordi AI hjælper med analysen
- Brug anomalidetektion til at stoppe problemer, før de påvirker forbrugerne.
- Fald i menneskelige fejl
- Forstå hvordan arbejdsbelastninger påvirker omkostningerne
Ulemper
Der er stadig mere arbejde at gøre for at skabe og kombinere de underliggende AIOps-teknologier på en måde, der gør dem nyttige, på trods af at de er rimeligt modne. Nogle af dens fejl er anført nedenfor:
- Implementering, administration og vedligeholdelse af AIOps-platformen kan tage meget tid og kræfter.
- AIOps-systemer afhænger af flere datakilder, såvel som datalagring, sikkerhed og bevaring.
- Dens ydeevne er kun baseret på de algoritmer, du lærer den, og de data, den tilføres. Det kan således ikke overskride grænserne for sin programmering.
- AIOps nødvendiggør tro på værktøjer, som nogle virksomheder måske ikke kan lide. Dette skyldes, at for at AIOps-værktøjer kan fungere autonomt, skal de korrekt spore ændringer i deres målmiljø, erhverve og beskytte væsentlige data, drage de rigtige konklusioner, prioritere aktiviteter og til sidst udføre passende automatiserede trin.
Hvilken rolle spiller AIO'er i det nuværende it-landskab?
Du indser måske ikke med det samme, hvordan AIOps passer ind i de kategorier af teknologier, du allerede bruger, når du først ser på det.
Rationalet er, at det ikke træder i stedet for den eksisterende logstyring, overvågning, orkestrering eller servicedesk-teknologier.
I stedet interagerer den med hvert enkelt domæne og værktøj, integrerer og forbruger data fra hver enkelt af dem. At levere et synkroniseret billede fra hvert værktøj giver også nyttige resultater.
Disse værktøjer står på deres egne fordele som værdifulde genstande. At være afbrudt gør det udfordrende at få den relevante information på det rigtige tidspunkt.
AIOps tilbyder en alsidig metode til at kombinere de mange delperspektiver til en grundig forståelse af det brede billede, hvilket dine ITOps-teams skal være opmærksomme på.
Brugen af big data og machine learning har eksisteret i et stykke tid, selvom AIOps repræsenterer en dramatisk afgang for ITOps.
Ved skift fra manuel til automatiseret handel, vedtog børsmæglere lignende ML-strategier. Brugen af ML og analyser i sociale medier har også eksisteret i et stykke tid, uanset om det er i Google Maps, Instagram eller onlinebutikker som eBay og Amazon.
Disse metoder har konsekvent og bredt vist sig nyttige i indstillinger, hvor hurtige reaktioner på skiftende situationer og brugertilpasning er nødvendig.
AIOps brug af AI er mere lovende end maskinlæring. Lige nu kan du håndtere presserende use cases ved hjælp af enten ligetil automatisering eller automatisering med maskinlæring.
Nye applikationer til kunstig intelligens udvikles løbende. Under alle omstændigheder, før man begynder at basere menneskelig adfærd på ITOps, som det nu praktiseres, skal der etableres et solidt AIOps-grundlag.
Den konservative karakter af ITOps-personalets opgaver gør dem langsomme til at tilpasse sig AIOps-scenarier. De er ansvarlige for at opretholde organisationens infrastrukturs stabilitet og holde lysene tændt.
Flere ITOps-organisationer bliver dog snart nødt til at tilpasse sig de nye AIOps-teknologier og -metoder på grund af tendenserne til allestedsnærværende AIOps-implementeringer.
Konklusion
Som et resultat af forbedret kommunikation og samarbejde mellem IT-driftsteams og andre interessenter er AIOps allerede begyndt at understøtte digital transformation.
Behovet for automatisering og samarbejde vil blive større i takt med, at applikationer bliver stadig mere komplicerede i fremtiden.
Giv en kommentar