Портал №1 по управлению цифровыми
и информационными технологиями

Что дальше в DevOps: AIOps?

Уже со времен появления гигантских хранилищ и анализа больших данных эксперты говорили о том, какими огромными становятся ИТ—инфраструктуры, и что скоро они станут настолько массивными и сложными, что управлять ими вручную будет очень проблематично. В ответ на этот вызов мы видим, что появляются новые инструменты для упрощения управления ИТ-инфраструктурой. Контейнеризация, например, в настоящее время является полностью автоматизированным процессом, который абстрагирован от аппаратных и программных слоев.

Независимо от совершенствующихся средств автоматизации и появления множества вариантов упрощения управления ИТ-инфраструктурой, всё равно это лишь вопрос времени, когда нам нужно будет обратиться к самой сути происходящего. Специалисты DevOps работают над проблемой в полную силу. И снова искусственный интеллект (ИИ) — это решение, которое рассматривается всеми. Представьте себе: непрерывный мониторинг, адаптивное (или прогнозируемое) управление облаками и контейнеризация на уровне, который мы ранее и представить не могли — не это ли будущее?

AIOps как решение

AIOps — термин не новый. Впервые он был использован в 2017 году, когда было внедрено использование больших данных и машинного обучения в экплуатации ИТ. Тогда большие данные и машинное обучение были использованы для непосредственного улучшения области эксплуатации ИТ — в основном, в форме постоянного мониторинга, более быстрого и эффективного оповещения и получения персонализированной информации.

С тех пор AIOps и рассматривается как выход и решение. Организуются хранилища, которые собирают и накапливают данные с целью поиска новых, более эффективных способов управления ИТ-услугами и инфраструктурой. Это позволяет использовать проактивный подход к управлению ИТ-инфраструктурой, а не реактивный. Вместо того, чтобы ждать возникновения проблем, постоянный мониторинг и прогнозный анализ позволяют ИИ предотвращать проблемы.

Для сотрудников, занятых в эксплуатации ИТ, способность предугадывать проблемы в ИТ-инфраструктуре практически невозможна. А для ИИ это вопрос глубокого погружения в исторические данные, распознавания закономерностей, статистики и причин сбоев, а затем создания прогнозной модели для раннего оповещения и предотвращения проблем. Время простоя также может быть сведено к минимуму, поскольку AIOps может автоматизировать расчёт резервных мощностей и их использование.

AIOps и его базирование на огромных массивах данных позволяет принимать решения по ИТ-инфраструктуре, полностью основываясь на накопленных данных и имеющихся знаниях сотрудников эксплуатации ИТ. Им больше не нужно вручную анализировать сложившиеся условия. Вместо этого они могут обозначить ИИ определённые рекомендации, больше похожие на базовые правила и политики, чтобы ИИ мог принимать мгновенные решения, когда это необходимо.

И последнее, но не менее важное: использование ИИ значительно сокращает среднее время до замены / ремонта (MTTR). С одной стороны профилактика может значительно сократить время простоя некоторых компонентов, с другой — некоторых проблем избежать невозможно и потребуются замены. В этих ситуациях AIOps помогает сотрудникам эксплуатации, ускоряя процесс в целом.

Почему AIOps?

Зачем нам ИИ в управлении ИТ-инфраструктурой? На протяжении многих лет мы стремились и продолжаем стремиться к цифровой трансформации, что означает, что потребность в дополнительных вычислительных ресурсах и более сложной архитектуре возрастает и будет и дальше только возрастать.

При этом управление таким гигантским объёмом компонентов ИТ-инфраструктуры находится явно за рамками наших (человеческих) возможностей как операторов. Хотя мы можем сделать облачные приложения невероятно масштабируемыми благодаря микросервисам и инструментам, которые у нас есть сегодня, именно мы — люди — в конечном итоге станем узким местом этой масштабируемости. У ИИ такого предела не существует. ИИ может обрабатывать огромные объемы данных за секунды, оставаясь при этом чрезвычайно эффективным. Более крупные хранилища данных позволят улучшить модели анализа. Улучшение моделей анализа приведёт к лучшему «пониманию» ИИ происходящих в ИТ-инфраструктуре процессов. Улучшение «понимания», в конечном итоге, приводёт к улучшению принимаемых ИИ решений — их можно будет делать быстрее и точнее.

Граничные вычисления — это основной драйвер AIOps, особенно для распределённых сред. Поскольку периферийные устройства могут обладать более высокими вычислительными мощностями, ИИ и время выполнения вычислений можно перенести на «последнюю милю» такой облачной инфраструктуры. Как результат — более быстрая и эффективная инфраструктура, не зависящая от её сложности.

ИИ также высвобождает самые ценные ресурсы — время и энергию ведущих разработчиков и ИТ-специалистов. Поскольку им больше не нужно выполнять рутииные задачи, например, мониторинг, они могут сосредоточиться на более важных вещах, таких как улучшение своих приложений, повышение гибкости своей организации и внедрение инноваций.

Важное дополнение! ИИ не заменит нас. ИИ эффективно дополняет наши способности решать задачи эксплуатации ИТ и играть в них важнейшие роли. Специалисты по-прежнему должны будут улучшать свои навыки и приобретать новые, чтобы быть востребованными на рынке труда. И много возможностей для этого предлагает развитие AIOps. Будьте уверены, вы будете удивлены количеством новых рабочих мест, которые закладываются уже прямо сейчас.

AIOps как будущее

AIOps в своём существовании опирается на составляющие его компонеты. Для работы ИИ требуются как данные, так и определённая «помощь» со стороны человека. Хотя уже есть экземпляры ИИ, способные к обучению без посторонней помощи, для большинства сред выполнения машинного обучения по-прежнему требуются описания и тэгирование, прежде чем они смогут распознавать описанные закономерности.

Также необходимы расширенные коллекции наборов данных, и многие эксперты AIOps уже направляют усилия в этом направлении. Управление ИТ-инфраструктурой и управление услугами должны работать сообща, чтобы организация имела AIOps высокого уровня. Чтобы это произошло, разрозненные хранилища данных, с которыми мы обычно имеем дело сегодня, должны быть разрушены.

И нужно отметить и сам элемент машинного обучения. Машинное обучение создает более точные модели, когда данные, которые оно потребляет, актуальны и контекстны. Не стоит рассчитывать на использование машинного обучения для работы сразу «из коробки» — потребуется некоторое время, тщательное наблюдение и отладка, прежде чем AIOps станет достаточно зрелым для долгосрочного использования.

Учитывая вышеизложенное, можно увидеть перспективное будущее за AIOps. ИИ — идеальная технология для дополнения и расширения возможностей управления ИТ-инфраструктурой и управления услугами. Широкое распространение AIOps, как получается, неизбежно.

Источник.

«DevOps: современный подход к организации работы ИТ»
Учебный курс про менеджмент, а не про технические практики

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *

  • Рубрики

  •  
  • Авторы

  •  
  • Самое свежее

    • Куда растворился Access management в ITIL4?
      Коллеги, доброго дня. Неожиданный вопрос: куда растворился Access management в ITIL4? В практике Request Mgmt есть упоминание о том, что запросы на доступ управляются в практике Security Mgmt, но в описании этой практики нет об этом ничего, кроме управления инцидентами безопасности и аудита и ревью. Есть легкий намек, что эта практика используется в access control.
    • Конференция «Качество данных 2022. Стратегии, инструменты, практики, перспективы»
      Приглашаем принять участие в третьей ежегодной конференции «Качество данных 2022. Стратегии, инструменты, практики, перспективы». «Качество данных» – единственная в России конференция, полностью посвященная стратегии и практике обеспечения качества данных, гарантирующего высокий уровень бизнес-решений, сервисов и процессов. «Качество данных 2022» – это совершенно новые практические кейсы и проекты в развитии, привлекшие наибольший интерес участников предыдущих конференций.
    • Лучшие материалы Digital Enterprise за 2021 год
      Редакция Digital Enterprise поздравляет Вас с наступающим Новым годом! В этом посте мы собрали ТОП 5 авторских публикаций от экспертов Cleverics и 10 самых популярных статей портала в этом году.
    • Cleverics. Сколько курсов пройти, чтобы точно хватило?Сколько курсов пройти, чтобы точно хватило?
      В IT невозможно дойти до предела совершенства — всегда есть куда расти. Основная сложность в работе специалиста IT в том, что IT очень изменчивая область. Вам необходимо постоянно учиться, чтобы выжить во всем этом — и не остаться в колесе Сансары, когда оно будет делать новый оборот.
    • Почему запуск продукта проваливается (и как этого избежать)
      Сколько запусков новых продуктов происходит каждый год? По данным Nielsen около 30 000 среди товаров повседневного спроса. Для программного обеспечения гораздо труднее найти
    • Российскому стандарту ITAM быть!
      Управление ИТ-активами (ITAM), как дисциплина, существует уже не первое десятилетие. Однако в силу ряда причин именно сейчас ИТ-организации начинают проявлять к нему все больший практический интерес. Почему ИТ-менеджеры сейчас обращают на ITAM пристальное внимание?
    • Здравствуй, (VUCA) Новый год!
      Каждый раз, провожая уходящий год, хочется оглянуться назад, посмотреть на то, что было и попробовать помечтать и спрогнозировать то, что будет (или может быть) в новом году.
    • Возврат в системе канбан
      Что делать на доске канбан с задачей, по которой требуется переделка?
    • Записи вебинаров 21 сезона CleverTALK
      16 декабря завершился двадцать первый сезон вебинаров CleverTALK. Благодарим вас за интерес к нашим вебинарам и за то, что делитесь информацией о них!
    • Играйте в деловые игры ответственно
      Мы довольно давно проводим различные деловые игры. Надо сказать, что они действительно учат делать правильные выводы. И эти выводы рождаются благодаря приобретаемому опыту. Один
  •  
  • Вход

  • DevOps
    Kanban
    ITSM
    ITIL
    PRINCE2
    Agile
    Lean
    TOGAF
    COBIT