IT运维部门的发展迅速且呈指数级. 今天, 应用程序基础结构中涉及的数据量是巨大的, 然而,一些组织仍然手工处理和报告它, 使用几十年前设计的静态报告. 对持续可用性和预测洞察力的需求导致了AIOps的出现.

 

据Gartner, 大约50%的企业将积极地将AIOps技术与应用程序性能监控(APM)结合使用,以提供对业务/关键任务应用程序和IT操作的洞察. 如今,只有不到10%的企业这样做.

 

为什么增加? 在某种程度上, 因为应用程序性能监视可以帮助诊断应用程序问题, 它通常很少提供关于如何利用这些信息为业务带来好处的见解. 这就是AIOps发挥重要作用的地方.

 

IT团队一致认为,AIOps解决方案通过处理单调乏味的任务来提高生产率, 减少实时和跨领域事件协作的摩擦, 确保数字化服务交付的速度和一致性. 在商业利益方面, AIOps工具对于智能警报特别有效, 根本原因分析和威胁检测.

 

  • 智能报警:提供上下文警报通知,让DevOps团队了解事件历史, 简化事件合作, 并满足解决问题的服务水平要求.
  • 根本原因分析:确保更好的服务正常运行时间和可靠性, 通过结合影响可见性和服务上下文的快速问题诊断来确定操作问题的可能原因和影响.
  • 威胁检测:利用机器学习算法,通过模式识别快速识别异常值, 使IT团队能够从噪声中提取信号,并识别偏离常规系统行为的事件.

 

当谈到“构建vs. 买”决定, Gartner的数据显示,55%的IT决策者选择从公认的AIOps工具供应商那里实现商业可用的解决方案. 评估和选择合适的供应商通常归结为四个客户认为非常关键的特性:推理模型, 事件可视化, data-agnostic摄入, 以及一个整合的生态系统.

 

推理模型

推理模型并不奇怪, 因为IT团队正在寻找供应商提供预构建的警报管理优化技术. AIOps可以立即交付价值, 分析大量的IT事件数据集,以进行历史和实时事件分析.

 

Data-Agnostic 摄入

考虑到体积, 由今天的IT服务产生的数据的多样性和速度, AIOps解决方案通过整合来确保及时的事件响应, 规范并提出正确的操作洞察力,以便采取明智的行动.

 

事件可视化

考虑到现代数字服务的复杂性和相互依赖性, AIOps工具,可以清晰地突出提示洞察力, 相关性能指标, 在一个地方的事件时间表对事件反应者来说是一个巨大的福音.

 

集成生态系统

AIOps工具可以通过集成相关事件来管理整个事件生命周期, 来自不同IT操作工具的度量和日志. IT团队可以跨多个数据源访问正确的性能洞察,而无需借助转椅监视.

 

使用AIOps的操作好处来自于消除低价值的生产率提高, 事件生命周期中的重复任务, rapid issue remediation with faster root-cause analysis; better infrastructure performance through reduced incident and ticket volumes; and significantly reducing the human time spent on first response, 警报优先级和根本原因分析.

 

这些工具都有明显的业务优势,但有些企业在采用AIOps工具方面仍进展缓慢. 为什么? IT领导们引用了数据的准确性, 技能差距, AIOps的实现周期和失控是实现AIOps工具时最重要的担忧来源.

 

  • 数据的准确性. 企业将需要更多的时间来建立对AIOps建议的相关性和可靠性的信任. IT团队将结合数据驱动的见解和人类的判断,得出正确的性能优化结论.
  • 技能差距. IT团队将需要获得机器学习技术方面的专业知识,并将它们与事件分析技能结合起来,以支持AIOps部署.
  • AIOps的实现周期. AIOps实现时间表是组织成熟度的一个函数, 员工接触机器学习, 以及正确投资大数据分析,以处理大规模活动. 65%的实施了AIOps工具的组织花了三个多月的时间来构建准确的模型, 用正确的数据训练机器智能, 并投资于员工培训,以部署面向企业的AIOps解决方案.
  • 失去控制. 事件管理团队不敢将完全的控制权交给自动驾驶系统,因为自动驾驶系统可以为问题诊断提供可操作的见解, 故障诊断和恢复.

 

很明显, AIOps可以影响业务性能, 正如Gartner预测的那样, 领先的用例是智能警报通知, 根本原因分析, 和异常检测. 然而,一些企业在探索这一新领域时仍有一些担忧. 而企业则将赌注押在AIOps工具上进行预测性问题分析, 供应商应该提供解决方案,以解决对数据准确性日益增长的担忧, 失去控制和较长的实现周期. 在客户端/企业端, 管理层应该确保他们有合适的人才组合,以加快采用, 具有数据科学方面的专业知识, 机器学习, 和行业知名度.

 

hga010皇冠安卓版预计还有五个步骤可以帮助企业启动AIOps计划:

  1. 明智地选择初始测试用例. 转型要从试点和产业化开始.
  2. 实验自由. 尽管AIOps平台通常是成本和复杂性都很高的产品, 有很多机器学习软件可以让进化成为可能.
  3. 超越它. 数据管理是AIOps的一个重要组成部分,团队通常已经很熟练了.
  4. 在可能的地方标准化,在可行的地方现代化. 通过采用一致的自动化体系结构,准备一个支持最终AIOps实现的环境, 基础设施代码, 以及不可变的基础架构模式.
  5. 采用可视化全. 有许多变量和可用的产品将会发展, AIOps也一样,以及企业负责的基础设施和应用程序.

 

Krishnan马哈

Krishnan马哈

能力 & 售前领导,人工智能运营(AIOPs)

@WiproDigital

Krishnan拥有25年的IT经验, 具有核心的分析能力, 广泛的企业应用的业务知识和实施经验, 部署和管理应用程序. 他曾领导过成功的it交付组织,为各个行业领域的全球领导者提供服务, 从制造业和消费者到医疗保健和零售业.

Tanmoy Nandy

Tanmoy Nandy

高级解决方案架构师 & 自动化工具专家

@WiproDigital

Tanmoy在机器人、自动化和主动监控系统方面拥有专业知识 & 基于认知的解决方案,以帮助即兴处理业务并将其集成到it系统中. 这有助于Wipro客户提高他们的业务机会和降低运营成本, 同时进行工艺改进和质量保证.

你在这里读到的? 冰山一角. 你准备好参与其中了吗?