Будь-яка форма штучного інтелекту настільки хороша, наскільки хороші дані, які використовуються для її навчання. Якщо організації планують ефективно застосовувати ШІ в ІТ-операціях (ITOPs), то їм потрібно зібрати якомога більше телеметричних даних, повідомляє DevOps.com.
ІТ-команди часто виявляють, що їхня платформа AIOps була навчена на вузькій базі телеметричних даних. Вони могли бути зібрані, наприклад, із платформи DevOps, якій не вистачає повної видимості розподіленого обчислювального середовища, де працює їхній застосунок.
Через відсутність синтетичних даних телеметрії, зібраних із платформи моніторингу продуктивності Інтернету (IPM) для збору даних телеметрії, малоймовірно, що алгоритми машинного навчання, які є ядром будь-якої платформи AIOps, нададуть найкращі рекомендації щодо оптимізації досвіду застосування.
Проблема полягає у ймовірнісній природі ШІ. Релевантність рекомендацій визначається якістю даних, на яких навчена модель штучного інтелекту. Справжні дані користувача, наприклад, можуть бути розрідженими або взагалі не існувати.
Звичайно, якщо телеметричні дані ніколи не передавались моделі штучного інтелекту, то вкрай малоймовірно, що рекомендації ШІ сприятимуть покращенню роботи програм.
ІТ-команди повинні бути впевнені, що дані, які використовуються для навчання моделі ШІ, відображають виробниче середовище, де розгортаються програми.
Перш ніж будь-яка ІТ-група запровадить платформу AIOps, вона повинна знати походження даних базової моделі ШІ. Якщо пул навчальних даних ШІ обмежений, то згенеровані рекомендації також будуть обмеженими.
ІТ-команди не мусять довіряти платформам AIOps, які радять їм вдаватися до певних дій на основі часткових або неповних даних. Кожен результат має бути перевірений. Зрештою, єдине, що гірше, ніж помилятися, коли справа стосується ІТ та ШІ, — це помилятися в катастрофічному масштабі.
Враховуючи залежність сучасних програм від інтернет-сервісів, будь-які спроби застосувати штучний інтелект для управління ІТ, які не включають синтетичні дані інтернет-телеметрії, призведуть до неоптимального результату. Включивши цей тип телеметрії, аналітична інформація, що надходить до команд DevOps, дозволить їм забезпечити досягнення та підтримку ключових показників ефективності (KPI).
Навряд чи існує одна модель ШІ, яка б керувала ними всіма. У багатьох випадках мережеві, безпекові та інші платформи керування ІТ-послугами (ITSM) уже застосовують ШІ до телеметричних даних, які вони збирають у режимі реального часу.
Результати цих моделей штучного інтелекту потім будуть передані платформам AIOps для автоматизації серії завдань, для яких раніше ІТ-командам потрібно було оркеструвати робочі процеси на кількох острівцях автоматизації.
Команди DevOps повинні оцінити ефективність того, що незабаром стане мережею моделей ШІ. Їх дуже багато. Кожна з них розроблена або буде розроблена для автоматизації конкретних завдань, таких як аналіз інтернет-трафіку для виявлення джерела вузьких місць, які можуть періодично впливати на програму.
Після цього платформа AIOps зможе постійно генерувати корисні рекомендації, яким команди DevOps можуть довіряти. Тоді вони можуть дозволити інструментам автоматично застосовувати пропозиції щодо того, як потрібно перенаправляти інтернет-трафік, щоб підтримувати цілі рівня обслуговування (SLO).
У міру вдосконалення платформ AIOps вони можуть значно скоротити роботу. З цим викликом регулярно стикаються команди DevOps.
Команди можуть витратити тижні, намагаючись визначити першопричину проблеми, на усунення якої після виявлення може знадобитися кілька хвилин.
Значна частина стресу, який відчуває будь-яка команда DevOps, пов’язана з незнанням справжньої причини проблеми, що продовжує генерувати низку постійних сповіщень. AIOps обіцяє зменшити цей стрес, спростивши, по-перше, кореляцію причинно-наслідкових зв’язків, а по-друге, автоматизувавши усунення проблем.
Читайте також на ProIT про трансформацію мейнфреймів: 6 прогнозів на 2024 рік.
Також ми розповідали, яким був 2023 рік для DevOps: огляд стану ринку.
Підписуйтеся на ProIT у Telegram, щоб не пропустити жодної публікації!
