Trois éléments pour réussir la création et le déploiement de l'AIOps

​Aujourd'hui, alors que les applications Big Data prolifèrent dans tous les aspects de l'entreprise, les équipes informatiques sont confrontées à la tâche ardue de gérer le volume et la complexité des opérations. En conséquence, la demande des entreprises en matière d’AIOps augmente.

AIOps (Artificial Intelligence IT Operations) exploite le Big Data et l'apprentissage automatique (ML) pour prédire, identifier, diagnostiquer et résoudre les problèmes informatiques à une échelle et à une vitesse que les humains ne peuvent pas atteindre.

Un rapport récent de la société de capital-investissement et de capital-risque Insight Partners estime que la taille du marché des plateformes AIOps augmentera à un taux de croissance annuel composé de 32,2 % de 2021 à 2028, passant d'environ 2,83 milliards de dollars en 2021 à 199,3 dollars en 2028. milliard. Cela dit, les solutions AIOps efficaces ne se créent pas du jour au lendemain.

Une solution AIOps complète naît d'une solution qui a été affinée sur une longue période et contient trois ingrédients de base : des données, des analyses et une expertise dans différents domaines.

Données

Sans données, une AIOps réussie n'existe pas. Cette partie est cruciale. Même si les données sont abondantes, le défi consiste à les obtenir sous une forme utilisable et fiable. L'AIOps s'appuie sur des centaines, voire des milliers de points de données provenant de sources disparates telles que les performances du réseau, les systèmes d'entreprise et le support client, le tout généré seconde par seconde et dans de nombreux cas à des débits inférieurs à la seconde. La façon dont vous gérez de grandes quantités de données peut faire ou défaire une solution AIOps. Des pipelines distincts pour la gestion des données sur l'appareil et hors appareil donnent les meilleurs résultats en termes de vitesse, de rentabilité et d'efficacité maximale.

Le modèle traditionnel unique de traitement des données internes n’est plus capable de s’adapter à la complexité et au volume des ensembles de données actuels. Envisagez plutôt de créer ou de réorganiser votre entonnoir de traitement de données en deux parties : un pipeline de traitement simple et rapide qui gère les analyses critiques via un bus de données en temps réel sur site, et un pipeline plus robuste qui gère les analyses dans le brouiller les données restantes. Réduisez au minimum la production de données sur site et allouez le cloud (équipé d'un calcul élastique et de capacités de stockage plus sophistiquées) au traitement des données restantes, permettant ainsi une synthèse de données plus rapide et plus rentable.

Un modèle de pipeline séparé qui gère à la fois les données internes et externes peut améliorer la capacité d'une organisation à traiter des millions de points de données par heure. Les algorithmes d'apprentissage automatique (ML) peuvent aider à hiérarchiser les données entrantes de chaque pipeline et à transformer les données brutes et non structurées en mesures utilisables essentielles au service client ou aux équipes d'exploitation informatique. L'efficacité et la rapidité obtenues grâce à ce système à deux volets permettent également aux organisations de déployer des capacités de surveillance améliorées pour obtenir une visibilité en temps réel et des informations sur les tendances à long terme des performances du réseau.

Analyse

Le deuxième facteur clé du succès de l'AIOps est l'analyse. L'analyse dans AIOps est divisée en deux étapes, dont l'analyse exploratoire (élimination des tendances ou des anomalies à partir des données brutes qui nécessitent une inspection supplémentaire) et l'analyse statistique avancée (traduite en informations exploitables). Même si la recherche exploratoire joue un rôle essentiel, les équipes d’ingénieurs sont souvent désireuses de passer à l’analyse statistique avancée au fur et à mesure que les données circulent dans le pipeline. Contourner cette étape initiale peut conduire à un biais des données, en injectant un biais dans le processus AIOps et en identifiant de manière incorrecte les problèmes, rendant les algorithmes d'IA/ML inutiles et entraînant des conséquences opérationnelles indésirables.

L'analyse exploratoire s'appuie sur le ML et les data scientists pour identifier et déterminer les métriques spécifiques qui comptent. En cours de route, les équipes informatiques pourraient se tourner vers le ML, une technologie passionnante et efficace. Mais le ML pur n’est pas toujours la méthode d’analyse la plus efficace. ML tente de résoudre un problème spécifique en fonction d'un ensemble spécifique de paramètres. Les ingénieurs écrivent des algorithmes de ML sur la base des mesures qu'ils estiment nécessaires pour parvenir à la conclusion A, B ou C, excluant ainsi d'autres solutions ou statistiques possibles.

En revanche, les statisticiens et les data scientists examinent les données brutes non pas en pensant à des résultats spécifiques, mais plutôt en examinant les données à la recherche de modèles ou d'anomalies. L'examen manuel des données est fastidieux, mais les experts peuvent identifier des solutions informatiques immédiates sans avoir besoin d'une analyse statistique avancée.

Lorsque l'équipe est sûre que les tendances ou anomalies identifiées lors de la phase d'exploration sont correctes, elle peut passer à l'analyse statistique avancée et à la formation des algorithmes d'IA/ML. Même l’IA/ML nécessite des tests par essais et erreurs et ne produit pas de résultats immédiats. Derrière chaque solution AIOps se cache une équipe d'experts dans le domaine qui ajustent et testent en profondeur les modèles IA/ML pour garantir le succès de l'AIOps.

Différents domaines d'expertise

Le troisième élément d'une mise en œuvre réussie de l'AIOps est l'expertise du domaine. Lors de la création d’AIOps, il n’y a pas beaucoup d’expérience sur laquelle s’appuyer. Le déploiement réussi de l’IA dans toute entreprise nécessite l’implication d’experts dans différents domaines. Par exemple, dans le domaine des opérations réseau, les ingénieurs réseau comprennent les nuances des systèmes ML et les algorithmes d’IA nécessaires pour résoudre avec précision des problèmes spécifiques. Dans le même temps, des experts non techniques apportent des connaissances spécifiques au secteur, telles que la provenance et la disponibilité des ensembles de données, les stratégies commerciales et les opérations. Un grand nombre d'experts dans le domaine veillent à ce que les algorithmes d'IA/ML reflètent les opérations du monde réel, fournissent une vérification critique des résultats et constituent un outil important pour vérifier les méthodes défectueuses ou les conséquences imprévues. Par exemple, un système de communication soumis à une maintenance planifiée peut présenter un comportement qui indique généralement un état problématique (tel qu'un trafic réseau extrêmement faible). L'ajout d'une couche de logique métier aux prédictions du modèle qui communique avec le système de tickets de maintenance peut éliminer ces fausses alarmes.

Les experts du domaine jouent un rôle important pour expliquer à un public de dirigeants avides de solutions AIOps. Le ML a tendance à fonctionner dans une boîte noire, laissant les équipes incapables d'illustrer clairement comment le modèle a pris une décision spécifique. Cela peut conduire au scepticisme et à l’hésitation des dirigeants d’entreprise à l’égard des idées et des actions basées sur l’IA. D’un autre côté, l’intelligence artificielle explicable peut gagner une plus grande reconnaissance et une plus grande confiance de la part des dirigeants d’entreprise qui ne sont pas familiers avec l’AIOps.

AIOps nécessite trois ingrédients de base, mais, comme toute recette, la qualité de ces ingrédients et les mains dans lesquelles ils sont placés détermineront le résultat final. Les essais et erreurs font partie du processus d’innovation, en particulier dans l’art complexe de la formation au ML. En garantissant que les données sont traitées correctement, en utilisant les bons types d'analyses et en engageant des experts du domaine, les entreprises aideront à fournir des solutions AIOps efficaces et évolutives qui répondent aux demandes croissantes d'efficacité opérationnelle.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!