AIOps の構築と展開を成功させるための 3 つの要素

現在、ビジネスのあらゆる側面でビッグデータが急増する中、IT チームは膨大な量と複雑な運用を処理するという困難な課題に直面しています。その結果、AIOpsに対する企業の需要が高まっています。

AIOps (人工知能 IT オペレーション) は、ビッグデータと機械学習 (ML) を使用して、人間が達成できない規模と速度で予測および識別します。 、IT の問題を診断して解決します。

プライベートエクイティおよびベンチャーキャピタル会社のInsight Partnersの最近のレポートでは、AIOpsプラットフォームの市場規模は2021年から2028年にかけて年平均成長率32.2%で増加し、2021年の約28億3,000万ドルから199.3ドルに成長すると推定されています。 2028年には10億ドル。とはいえ、効果的な AIOps ソリューションは一夜にして実現するものではありません。

完全な AIOps ソリューションは、長期間にわたって洗練されたソリューションから生まれ、データ、分析、さまざまな分野の専門知識という 3 つの基本要素が含まれています。

データ

データがなければ、成功する AIOps は存在しません。この部分は非常に重要です。データは十分に供給されていますが、課題はそれを使用可能で信頼できる形式にすることです。 AIOps は、ネットワーク パフォーマンス、ビジネス システム、カスタマー サポートなどの異種ソースからの数百、さらには数千のデータ ポイントに依存しており、これらはすべて秒単位で、多くの場合 1 秒未満のレートで生成されます。大量のデータをどのように処理するかによって、AIOps ソリューションの成否が決まります。オンデバイスとオフデバイスのデータ管理用に個別のパイプラインを使用すると、速度、費用対効果、最大効率の点で最高の結果が得られます。

従来の単一の内部データ処理モデルでは、今日のデータセットの複雑さと量に対応できなくなりました。代わりに、データ処理ファネルを 2 つの部分に分けて構築または再設計することを検討してください。1 つはリアルタイムのオンプレミス データ バスを介してタイム クリティカルな分析を処理する無駄のない高速処理パイプラインで、もう 1 つはタイム クリティカルなデータを処理するより堅牢なパイプラインです。残りのデータをクラウドで分析します。オンプレミスでのデータ生成を最小限に抑え、残りのデータの処理にクラウド (エラスティック コンピューティングとより高度なストレージ機能を備えたもの) を割り当てることで、より高速でコスト効率の高いデータ合成が可能になります。

内部データと外部データの両方を管理する分離されたパイプライン モデルにより、1 時間あたり数百万のデータ ポイントを処理する組織の能力を強化できます。機械学習 (ML) アルゴリズムは、各パイプラインから受信するデータに優先順位を付け、生の非構造化データを顧客サービス チームや IT 運用チームにとって重要な使用可能な指標に変換するのに役立ちます。また、2 つの側面からなるシステムから得られる効率と速度により、組織は強化された監視機能を導入して、ネットワーク パフォーマンスに関するリアルタイムの可視性と長期的な傾向情報を得ることができます。

分析

AIOps 成功の 2 番目の重要な要素は分析です。 AIOps の分析は、探索的分析 (追加の検査が必要な生データから傾向や異常を選別する) と高度な統計分析 (実用的な洞察に変換する) の 2 つの段階に分かれています。探索的研究は不可欠な役割を果たしますが、エンジニアリング チームは多くの場合、データがパイプラインを流れるにつれて高度な統計分析に飛びつきたがります。この初期段階をバイパスすると、データ バイアスが発生する可能性があります。つまり、AIOps プロセスにバイアスが注入され、問題が誤って特定され、AI/ML アルゴリズムが役に立たなくなり、望ましくない運用上の結果につながる可能性があります。

探索的分析は、ML とデータ サイエンティストに依存して、重要な特定の指標を特定して決定します。その過程で、IT チームは、エキサイティングで効率的なテクノロジーである ML に惹かれる可能性があります。ただし、純粋な ML が常に最も効果的な分析方法であるとは限りません。 ML は、特定のパラメーターのセットに基づいて特定の問題を解決しようとします。エンジニアは、結論 A、B、または C に到達するために必要と思われる指標に基づいて ML アルゴリズムを作成し、他の可能な解決策や統計を除外します。

対照的に、統計学者やデータ サイエンティストは、特定の結果を念頭に置いて生データを調査するのではなく、データにパターンや異常がないかどうかを調べることを目的としています。手動によるデータのレビューは面倒ですが、専門家は高度な統計分析を必要とせずに、即時の IT ソリューションを特定できます。

調査フェーズで特定された傾向や異常が正しいとチームが確信したら、高度な統計分析と AI/ML アルゴリズムのトレーニングに進むことができます。 AI/MLでも試行錯誤が必要で、すぐには結果が出ません。すべての AIOps ソリューションの背後には、AIOps の成功を確実にするために AI/ML モデルを広範に調整およびテストするドメイン専門家のチームが存在します。

さまざまな専門分野

AIOps 実装を成功させるための 3 番目の要素は、ドメインの専門知識です。 AIOps の作成では、活用できる経験はそれほど多くありません。あらゆる企業への AI の導入を成功させるには、さまざまな分野の専門家の関与が必要です。たとえば、ネットワーク運用の分野では、ネットワーク エンジニアは、ML システムの微妙な違いや、特定の問題を正確に解決するために必要な AI アルゴリズムを理解しています。同時に、技術者ではない専門家が、データセットの出所や可用性、ビジネス戦略や運営など、業界固有の知識をもたらします。多数の分野専門家が、AI/ML アルゴリズムが現実世界の運用を反映し、結果の重要な検証を提供し、欠陥のある手法や意図しない結果をチェックする重要なツールとして機能することを保証しています。たとえば、計画的なメンテナンス中の通信システムは、一般に問題状態 (ネットワーク トラフィックが非常に少ないなど) を示す動作を示す場合があります。メンテナンス チケット発行システムと通信するビジネス ロジック レイヤーをモデル予測に追加すると、これらの誤報を排除できます。

ドメインの専門家は、AIOps ソリューションを求める経営幹部の聴衆に説明する上で重要な役割を果たします。 ML はブラック ボックス内で動作する傾向があり、チームはモデルがどのように特定の決定を下したかを明確に説明できません。これにより、企業経営者の間で AI を活用した洞察やアクションに対する懐疑や躊躇が生じる可能性があります。一方で、説明可能な人工知能は、AIOps に馴染みのないビジネス リーダーからより強い認識と信頼を得ることができます。

AIOps には 3 つの主要な材料が必要ですが、他のレシピと同様、それらの材料の品質と、それらの材料が誰の手に委ねられたかによって、最終的な結果が決まります。試行錯誤は、特に ML のトレーニングという複雑な技術において、イノベーション プロセスの一部です。データが正しく処理されることを保証し、適切なタイプの分析を使用し、専門分野の専門家を関与させることで、企業は業務効率化に対する高まる需要を満たす、成功したスケーラブルな AIOps ソリューションを提供できるようになります。

以上がAIOps の構築と展開を成功させるための 3 つの要素の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。