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

  •  
  • Самое свежее

  •  
  • DevOps
    Kanban
    ITSM
    ITIL
    PRINCE2
    Agile
    Lean
    TOGAF
    COBIT