テクノロジーのトレンドは人間の行動を永続的に変えます。 過去XNUMX年間で、コラボレーションと自動化を高速化し、時間を大幅に節約するデジタルライフを採用することで、社会として向上してきました。 ザ・ ITオペレーション 景観も例外ではなく、人工知能（AI）がその最前線にあります。 私たちの目標は、自動化を追加することでステップ関数の生産性を向上させ、簡単に自動化できない重要で困難な問題の解決に集中できるようにすることです。 毎年、そのありふれた作業の多くがAIによって自動化され続けるでしょう。
As AI Ops ITチーム全体で勢いを増しているため、主要なトレンドを常に把握しておくことが重要です。 2021年に注目すべきXNUMXつのAIOpsトレンドと、組織で成功するAIOpsイニシアチブを開始する方法を読み続けてください。
2021年に探すべきXNUMXつのAIOpsトレンド
1.AIOpsはXNUMXつのデータ型から複数のデータ型アルゴリズムに移行しています
私が市場で見ている最大の傾向のXNUMXつは、AIOpsをXNUMXつのデータ型から複数のデータ型に移行することです。 トレンドは、AI、機械学習、統計分析などのさまざまな確率的手法が、メトリックである単一のデータ型に適用されたところから始まりました。 ログ、またはトランザクション。 来年、データサイエンティストは、複数のデータセットのAIアルゴリズムを一緒に設計する予定です。 メトリック、ログ、およびトランザクションデータを一緒に調べ、それらがどのように相関しているか、および問題のトラブルシューティングをより迅速に行えるように、実際にすべてのノイズからどの信号をフィルターで除去できるかを調べます。
LogicMonitorを含む多くのテクノロジー企業は、その傾向に投資し始めています。 究極の目標は、早期警告システム、ノイズからの信号のフィルタリング、または自動化のいずれかによって、人々が時間を節約できることです。
2.リモートワークは、問題の検出に向けてAIを展開するためのより多くのテクノロジープラットフォームを推進しています
2020年の初めに、世界中の何百万人もの労働者が、コロナウイルスのパンデミックのために、オフィスを放棄し、急いで自宅で仕事をすることを余儀なくされました。 多くの企業にとって、 リモートワークは、今後の新しい現状になります。 AIOpsに関しては、ユーザーがどこから作業しているかは関係ありません。 アルゴリズムが操作可能になると、その唯一の仕事は、入力データを受け入れ、インテリジェンスを抽出し、最適化された値を出力することです。 リモート環境では、デジタルトラフィックが急激に増加するため、顧客エクスペリエンスと従業員の生産性に影響を与えるパフォーマンスを予測することが非常に重要になっています。
現在、世界中で人々は自宅で仕事をしており、学生はキャンパスから離れています。 以前は、すべてが非常に特定の領域に集中していました。 さまざまな場所から収集されるデータにはさまざまなプロパティがあるため、これは違いを生みます。 現在、リモートで作業しているすべての個々のユーザーはデータジェネレーターですが、集合的な作業環境では、データはより集約されているか、類似しています。 製品をリモートで使用する従業員の生産性や顧客体験の問題を予測するには、よりインテリジェントなアルゴリズムが必要です。 これらの異なるデータストリームは、AIが役立つデータの量が非常に多いため、手動で分析するのは困難です。 AIは、異種のデータソースの複雑な処理を自動化し、大量のデータで同様のパターンを検出することで、問題が発生する前に個々のレベルで問題を予測するのに役立ちます。
3.AIOpsは可観測性プラットフォームにより深く組み込まれるようになります
可観測性 ITにおけるとは、システム内で何が起こっているかを外部の監視ツールに可視化するシステムの機能を指します。 ビジネス価値とパフォーマンスに関しては、可観測性のXNUMXつの主要な要素があります。 XNUMXつ目は、顧客が製品を使用したり、ビジネスとやり取りしたりする度合いを定義するカスタマーエクスペリエンスです。 XNUMXつ目は、従業員の生産性です。これは、従業員が適切なツールを使用して生産性を高める方法を定義します。 XNUMXつ目は、従業員の生産性と顧客体験を統合されたテクノロジープラットフォームに結び付けるデジタルインフラストラクチャです。 これらのXNUMXつのことが適切に行われていない場合、組織はビジネスのパフォーマンスを十分に把握できません。
可観測性プラットフォームは、メトリック、依存関係、およびログを調べ、それらをまとめて、異なるデータ型間のドットを接続します。 このデータを見ると、組織は、顧客エクスペリエンス、従業員の生産性、およびデジタルインフラストラクチャ全体で良好な観察可能性が得られ、ビジネスのパフォーマンスを理解できます。 これらのプラットフォームにAIOpsと自動化を組み込むことで、問題がビジネスに影響を与える前に、問題を予測して修正するために必要な時間を短縮できます。 組織での可観測性プラットフォームの使用は増加しており、来年にはAIOpsがさらに組み込まれることが期待されています。
4.セキュリティとIT運用がより適切に統合されます
ビジネスインフラストラクチャとアプリケーションのセキュリティ保護に関しては、基本的なデータはIT運用データセットとほぼ同じです。 これは、デジタルインフラストラクチャを流れるマシンとユーザーのデータです。 セキュリティアルゴリズムは、過去の行動パターンをモデル化し、それらのパターンからの異常や逸脱をほぼリアルタイムで検出します。 AIを使用すると、このプロセスをさらに自動化して、悪意のある攻撃者をほぼリアルタイムでブロックすることができます。
たとえば、ハッカーがファイアウォールにアクセスまたは侵入しようとしています。 これは、データの量の変化、またはデータにアクセスしようとしているユーザーの場所の変化のいずれかによって検出されます。 複数の機能を使用して、その特定のアクセスを通常のアクセス、ハッカーアクセス、または安全でないアクセスのいずれかに分類できます。 それが検出されると、自動化システムに渡されて、その特定の地域またはその特定の範囲のIPアドレスがブロックされる可能性があります。
注意深く観察すると、このインテリジェンスを収集するために必要な基礎となるデータは、依然としてトランザクション、ログ、およびメトリックですが、ユーザーはセキュリティチームであり、解決しようとしている問題は、悪意のある人物からビジネスを保護することです。 ビジネス上の問題とアルゴリズムは異なりますが、基礎となるデータは同じです。 来年、IT運用チームとセキュリティチームは緊密に協力して、インフラストラクチャパフォーマンスの問題を検出するだけでなく、サイバーセキュリティの脅威をほぼリアルタイムで防止します。
5.AIOpsプラットフォームの価値実現までの時間は短縮されます
多くのAIOpsプラットフォームはセットアップ時間が長いため、DevOpsチームは貴重な時間を浪費しています。 来年、AIOps機能が製品内でより主流になるにつれて、これは変化します。 LogicMonitorなどのSaaS監視製品のAIOps機能は、膨大な量のデータでトレーニングされた機械学習アルゴリズムを使用して、より豊富なパターンを検出する際に大幅に向上します。 これにより、大幅なセットアップコストをかけずに、製品内でより実用的な洞察と新しいプロアクティブな機能が提供されます。 この進歩は、将来の統合された自己修復システムの基盤を確立します。
AIOpsプラットフォームで従業員を適切に教育することも、多くの組織の速度を低下させる課題です。 AIOpsプラットフォームを効率的に使用するには、適切なチームを配置する必要があります。 ビジネス、データ所有者、エンジニアの間で部門の枠を超えたチームを構築します。 これらのXNUMXつの柱が一緒になると、AIOpsイニシアチブから真の価値が得られます。 アルゴリズムに取り組んでいるデータサイエンティストだけのチームがある場合、またはエンジニアがデータレイクを構築しようとしているだけの場合、目標を達成することはできません。 解決するには、適切なビジネス上の問題を理解している適切な人材の組み合わせが必要です。 組織が実際のビジネス上の問題ではなく流行語に結び付けられたイニシアチブを推進しているのを常に見ています。 AIOpsは複雑なビジネス上の問題を解決することを目的としているため、流行語ではなく問題の説明から始める必要があります。 ビジネス上の問題が適切に理解されると、AIまたはその他の手段を使用して問題を解決するためにチームを配置することが容易になります。 組織がこの基本的なアドバイスに従わない場合、AIの成熟度が失われ、失敗したプロジェクトに多くの時間を費やすことになります。
成功するAIOpsイニシアチブを開始する方法
AIOpsは旅であり、四半期ごとの目標や年ごとの目標ではありません。 ビジネスの観点から、AIOpsは長期的に投資したいものです。 AIOpsで最も重要なことのXNUMXつは、成熟の旅のどこにいるかを理解することです。 AIイニシアチブをすぐに開始することもできますが、適切な成熟度が得られるまでAIの能力を十分に発揮できない可能性があることを理解する必要があります。 AIOpsイニシアチブを開始するときに探すべきXNUMXつの成熟度レベルがあります。
AIの成熟度の最初のレベルは 記述分析。 記述統計は、ダッシュボードとレポートを通じて何が起こったかを示します。 それはより後ろ向きで反応的です。 XNUMX番目のレベルは 予測分析。 このレベルでは、記述的分析から検出した履歴パターンに基づいて、何が起こるかを予測できます。 XNUMX番目のレベルは 規範的分析。 何が起こるかがわかったら、それを自動化するための適切な処方箋がありますか？ 最後に、XNUMX番目のレベルは オートノミックまたは自己修復システム。 このレベルに達すると、ビジネスプロセスの50％以上が自動化され、従業員は大幅な時間を節約できます。
これらのXNUMXつの成熟度レベルは、AIOpsや自動運転車などに適用できる一般的なAI成熟度レベルです。 自動運転車の旅を見たことがあれば、それは長い数年の旅でした。 それは一夜にして起こることではありません。 当初はマニュアルギア、次にオートマチックギアがありましたが、今では新車にはギアがまったくなく、電気モーターしかありません。 最初のリリースで自動運転車を撮影しようとすると、失敗します。 あなたは成熟度曲線のどこにいるかを理解し、その成熟度レベルを上げるために年々改善し続ける必要があります。
私たちは、データが最も価値のある企業商品であるエキサイティングな時代に生きています。 それは未来の組織のバックボーンです。 どのデジタル組織でも、その瞬間に何かが起こっているか、将来を予測するパターンであるかにかかわらず、ビジネスの直感はデータに埋め込まれています。 デジタルインフラストラクチャを流れる運用データ、監視データ、およびビジネスデータは、プロアクティブなアクションを実行して時間を大幅に節約するために必要な直感を提供します。 2021年に予定されているすべてのエキサイティングな改善により、今が最適な時期です。 組織でAIOpsを活用する.
