Много шума (и шумихи) вокруг ИИ с успехом в ориентированных на человека играх, таких как Jeopardy, Go, Dota 2! В этой статье анализируются основные реалии машинного обучения (наиболее популярной ветви ИИ) и анализируются последствия для автоматизации рабочих процессов управления ИТ на предприятии. Вывод из этого анализа заключается в том, что есть задачи рабочего процесса ИТ, которые являются малозаметными целями для нарушения работы ИИ (обобщенные данные приведены в таблице ниже). Кроме того, ИТ-задачи по принятию решений, требующие агрегирования нескольких источников знаний и телеметрии, также станут целями для поддержки принятия решений на основе ИИ. Сеть, сеть, разрушение корпоративного управления ИТ становится все более неизбежным. Благодаря широкой доступности мощных платформ глубокого обучения, таких как Tensorflow от Google, барьер для входа еще больше снижается, что ставит действующих и новых участников в равные условия. Подробности читайте в остальной части статьи!
По мере того, как программное обеспечение поглощает все вертикальные рынки, корпоративные ИТ превращаются из затрат на ведение бизнеса в отличительные черты бизнеса. ИТ-директора заняты «цифровой трансформацией», уделяя особое внимание оцифровке новых и существующих бизнес-процессов, а также извлечению информации о конкурентах из растущего объема данных. Для достижения этих целей ИТ-директора активно оценивают различные локальные или облачные платформы, которые обеспечивают гибкость при доставке новых приложений, а также соответствуют ожидаемым функциональным возможностям. Ключевым показателем является сокращение человеческих усилий в области ИТ с повседневного управления с упором на инновации, а не на тушение пожаров. Обещание «человеческого интеллекта» ИИ начинает находить отклик у ИТ-директоров, которые вынуждены делать больше с меньшими затратами.
ИИ на самом деле представляет собой набор методов. Термин интеллект в широком смысле определяется как способность усваивать знания и рассуждать на их основе для решения проблем. Ветвь искусственного интеллекта, получившая сегодня большую популярность, — это машинное обучение. ИИ разрабатывался в течение 60 лет, и теперь его сравнивают с тем, что он стал таким же важным, как электричество. Скептики утверждают, что методы обучения, такие как нейронные сети, не новы, так почему же сейчас? Есть три тенденции, которые сходятся воедино: повышение доступности дешевых параллельных вычислений; растущий корпус данных; и достижения в области алгоритмов машинного обучения и науки о данных. По мере того, как ИТ-директора оценивают технологии на основе ИИ, можно выделить несколько показателей успеха: 1) снижение эксплуатационных расходов за счет автоматизации части выполняемых вручную задач; 2) Уменьшить потери из-за потери данных, атак безопасности, простоя и т. д.; 3) Оптимизация затрат за счет лучшего использования ресурсов и т. д.
Хотя кажется, что с помощью машинного обучения можно решить любую проблему, реальность такова, что сегодня существует ограниченное количество категорий вопросов, которые лучше всего подходят для машинного обучения. Полезность применения машинного обучения зависит от того, насколько точно сформулирован вопрос и есть ли данные, подтверждающие ответы. В упрощенном смысле популярные категории вопросов таковы:
- Обнаружение аномалий: Обычно высокая задержка?; Является ли загрузка ЦП ненормальной?
- Кластеризация (найти похожие шаблоны): Какова нагрузка в разное время дня?; Какова производительность для этого шаблона рабочей нагрузки?
- Классификация: Какова категория ошибки?; Какой процент рабочих нагрузок будет затронут?
- Регрессия (прогнозирование результатов): Какова ожидаемая задержка для этой рабочей нагрузки?; Каково значение перегрузки для этого ресурса?
- Повторное обучение (влияние действия обучения): Как повлияет изменение этого параметра?; Какое влияние окажет заданное значение этого регулятора?
Управление корпоративными ИТ можно в широком смысле определить как обеспечение уровней обслуживания для критически важных бизнес-приложений (внутренних или клиентских). Цели уровня обслуживания обычно определяются с точки зрения измеримых показателей безопасности, производительности, доступности и масштабирования. В зависимости от жизненного цикла корпоративных ИТ задействованы различные повседневные действия: день 0, день 1, день 2 — это общая терминология, используемая для обозначения действий во время начального развертывания, настройки и оптимизации, а также обслуживания соответственно. Существуют лучшие практики, такие как ITIL, которые определяют действия, связанные с различными задачами управления ИТ на предприятии. Вот несколько ключевых категорий:
- Планирование емкости: как начальное планирование, так и текущее масштабирование развертываний.
- Непрерывный мониторинг: непрерывное отслеживание данных телеметрии, а также журналов.
- Управление конфигурацией: обеспечение правильности параметров конфигурации, а также оптимизация
- Управление изменениями: обеспечение своевременной установки исправлений, обновлений, проверки служб и т. д.
- Диагностика первопричин: комплексный анализ проблем, влияющих на работу приложений.
В приведенной выше таблице представлена упрощенная версия применения машинного обучения к различным задачам управления ИТ на предприятии. Зеленые ячейки представляют собой низко висящие плоды w.r.t. что возможно сегодня в машинном обучении. Например, обнаружение аномалий для мониторинга уже доступно в нескольких предложениях. В общих чертах каждая из зеленых ячеек представляет некоторую активность при запуске (либо известную, либо скрытую).
В заключение, корпоративное управление ИТ созрело для прорыва. Демократизация строительных блоков для ИИ и, в частности, машинного обучения сделает это пространство все более активным. Ключом к успешному решению является глубокое понимание современных ИТ-процессов и реалистичное отношение к сильным сторонам ИИ!
