Chcete-li úspěšně zavést umělou inteligenci pro provozní účely, vyhněte se čtyřem častým problémům

Rychlý růst objemu provozních dat a výpočetní kapacity pro strojové učení konečně umožňuje zavádění AIOps – umělé inteligence pro provozní účely. Avšak stejně jako mnoha jiných technologií je nutné uvažovat o AIOps v širším organizačním a systémovém kontextu a podniky si musí být jisté, že jsou na ni skutečně připravené.

Úspěšná implementace řešení AIOps vyžaduje povědomí o možných problémech, které takový krok doprovází. Podívejme se na čtyři hlavní problémy či rizika, se kterými se podniky při zavádění AIOps setkávají, a na možnosti jejich řešení:

Problém č. 1: Stanovení účelu (nejen procesů)

Podniky, které nedefinují základní problémy, jejichž řešením má být AIOps, mají tendenci postupovat inkrementálně. Každá nová funkce AI a ML se může zdát jako snadný způsob, jak zvýšit efektivitu –nahrazením stávajícího podprocesu například strojovým učením s lidským učitelem.

Nejsmysluplnějších výsledků lze však dosáhnout přehodnocením provozních případů směrem shora dolů a doplnit tak zmiňované zlepšování procesů směrem zdola nahoru. Algoritmy AI/ML mají velmi odlišné přednosti a slabiny od lidských pracovníků, což znamená, že maximální užitek poskytnout při uplatnění v pracovních postupech odlišných od těch, které byly nastaveny pro člověka. Například autonomní vozidla se neomezují na dvě kamery na místě řidiče, které mají nahradit lidské oči, případně umístěné na vertikální ose simulující lidský krk. Namísto toho jsou vybavená půltuctem pevných kamer namířených do všech úhlů a doplněných o data z LIDARu, RADARu a dokonce ultrazvukových senzorů.

Totéž platí o AIOps. Data a procesy, které byly optimalizovány pro člověka, nemusí být ideální pro využití těchto algoritmů. Abychom se vyhnuli jejich neefektivnímu postupnému zavádění, je nutné začít shora analýzou všech systémů, aplikací a procesů a určit, kde by zavedení AIOps mělo největší efekt.

Problém č. 2: Nedostatek dat

Ani nejvýkonnější nástroje AIOps nemusí podávat uspokojivé výsledky, nemají-li ke zpracování dostatek dat. AI/ML algoritmy jsou známé svým hladem po datech. Potřebují nejen rozsáhlé soubory dat k zaučení, ale také průběžný přísun dat v reálném čase pro vyvozování spolehlivých závěrů.

Prvním krokem příprav na AIOps je zavést systém měření výkonnosti to, který bude sledovat všechny vrstvy aplikačního kódu, hardwarové a softwarové infrastruktury, a dokonce uživatelských a obchodních dat. Tato iniciativa jednak poskytne podniku lepší přehled o aktuálním provozu, jednak vybuduje správnou platformu pro efektivní zavedení AIOps.

Problém č. 3: Nekvalitní data

Jakmile existuje proces sběru patřičného množství dat, dalším krokem je vyhodnotit jejich kvalitu. Mezi běžné problémy, se kterými se v této oblasti dnes setkáváme, patří šum, nekonzistentnost, nedostatečná frekvence vykazování nebo dokonce nekonzistentní jmenné konvence mezi aplikacemi nebo datovými centry.

Podniky by měly zavést postupy pro standardizaci a filtrování dat při jejich sběru a pro určení typů dat, která mají pro daný účel nejvyšší hodnotu. Zavedení takových postupů se vyplatí dnes i do budoucna.

Problém č. 4: Smysl dat

Podniky mohou shromažďovat velké objemy vysoce kvalitních dat, ale bez správného kontextu jsou taková data téměř bezcenná. Datové body, které postrádají sémantickou definici nebo konzistentnost, jsou méně hodnotné jak pro zpracování člověkem, tak pro AIOps – představují například hodnoty označované jako „tempo uživatelských transakcí“ počet transakcí za sekundu, minuty, nebo hodinu? A platí totéž konzistentně ve všech případech, kdy je hodnota měřena?

Jiný příklad – jsou-li data získávána z mikroslužby, která běží v kontejneru, který běží na virtuálním stroji, který běží na fyzickém serveru, jsou data označována na všech úrovních, aby bylo možné chování na jedné úrovni porovnávat s chováním na jiných úrovních? V opačném případě mohou podniková data připomínat řadu izolovaných ostrovů nebo paralelních vesmírů.

Jako řešení tohoto problému by měly odpovědné týmy zdůrazňovat důležitost propojenosti dat, aby byly vztahy zaznamenávány a snadno zjistitelné. Standardizované jmenné konvence mohou pomoci předejít vzniku nových a nových izolovaných souborů dat.

Jak maximalizovat užitek z investic

AIOps slibuje vyřešit některé z nejnáročnějších problémů IT, ale nejprve je nutné vyřešit zásadní organizační otázky.

Vzhledem k tomu, že nejběžnější problémy, se kterými se podniky při zavádění AIOps setkávají, se týkají kvantity, kvality a interpretace dat, je nutné jako první důležitý krok – před implementací samotného AIOps řešení – smysluplně posoudit stávající IT systémy a způsoby využití. To zahrnuje metody sběru dat, obchodní záměry a smysl dat v kontextu.

Po vybudování robustní datové infrastruktury jako základu a jednoznačném stanovení účelů podniky zjistí, že jejich budoucí investice do AIOps přinesou to, co si od nich slibují, ale také dlouhodobou přidanou hodnotu, kterou ani neočekávají.

Kategorie: Novinky a hlavní zprávy

Tagy: