Автор: Фил Ти

Это пятый и последний блог в серии «Как AIOps освобождает ИТ от подхода, основанного на правилах».

Резюме

1. AIOps освобождает ИТ-специалистов от управляемых правилами рабочих процессов, которые представляют собой монотонную умственную работу, предоставляя возможность развивать новые навыки, знания и продуктивность.

2. Поскольку AIOps — это математический подход к машинному обучению, один алгоритм может заменить логику сотен тысяч правил.

3. ИТ-отделы должны отказаться от устаревших решений, основанных на правилах, и задействовать современное машинное обучение AIOps как можно раньше.

Я вырос в Англии недалеко от родины промышленной революции. Мучительные, катастрофические социальные изменения при переходе к новым паровым и автоматизированным производственным процессам между 1780–1830 гг. были прелюдией к новому миру. Аграрное и натуральное хозяйство было революционизировано машинами, используемыми для автоматизации производства текстиля и других товаров в ошеломляющих масштабах. Можно сказать, что стремление механизировать стало философским ядром жизни двадцатого века. Упорядоченные системы. Винтики в колесе. Предсказуемое поведение. Предопределенные результаты. Все регулируется правилами. Все прекрасно запечатлено в фильме Чарли Чаплин в Современное время.

Выход за рамки правил

Времена Прядильной Дженни давно прошли. Но правила по-прежнему везде. Поскольку мы снова боремся с суматохой перемен в двадцать первом веке, самое время спросить, почему. Этот вопрос особенно актуален, поскольку многие люди задаются вопросом, собираются ли ИИ и машинное обучение (МО) растоптать жизнь в том виде, в каком мы ее знаем, точно так же, как это сделали луддиты во время промышленной революции.

Правила, о которых я говорю, не являются ограждениями повседневной жизни, такими как соблюдение правил дорожного движения, соблюдение санитарных норм и уплата налогов (или что-то еще).

Moogsoft занимается улучшением ИТ-операций на предприятиях, которые, несмотря на глобальное масштабирование в эзотерических виртуальных облачных системах, обычно ставят свою производительность и время безотказной работы на правила.

В этой серии образовательных блогов мы рассмотрели серьезные ограничения решений на основе правил и объяснили, почему их недостаточно для эффективного управления ИТ-операциями. Мы узнали, что:

  • Правила создают иллюзию простоты, но вместо этого добавляют экспоненциальную сложность, потому что они хрупкие и их легко сломать.
  • Правила обходятся дорого поддерживать и нести скрытые расходы
  • Правила непредсказуемы в сложных средах из-за их крошечного масштаба.
  • Правила неразрешимы в реальных сценариях отказов, что делает их неадекватными для обеспечения непрерывного обслуживания.

ИИ и машинное обучение — новые возможности

Мы также описали, как ИИ и машинное обучение освобождают ИТ от всех ограничений правил. Принципиальное отличие заключается в том, как AI/ML использует данные мониторинга. Система, основанная на правилах, отделяет инфраструктуру, которую вы пытаетесь понять, от данных, которые она производит. Чтобы предсказать проблемы, он применяет предварительно созданную логику к предупреждениям, генерируемым системными событиями. Как я уже говорил в этой серии блогов, это не всегда работает так, как рекламируется.

AI/ML использует противоположный подход. Он не обрабатывает данные отдельно от системы. Вы не можете переходить из состояния в событие, но вы можете переходить из состояния в состояние. Этот подход предполагает наличие сигнала в шуме, создаваемом предупреждениями, который математически интерпретируется с помощью статистического машинного обучения, чтобы сделать вывод о наличии проблем, заслуживающих изучения. И если вы считаете это понятие странным, то такое отношение системы к наблюдателю веками использовалось во всем, от восточного мистицизма до квантовой механики.

В практике ИТ-операций мы только сейчас понимаем, что вы не можете разделить их.

AIOps позволяет обнаруживать инциденты, ранее не обнаруженные решением на основе правил. Статистическое машинное обучение может использовать тот же алгоритм для вывода экземпляров одного типа из других типов. Алгоритмы сами по себе устойчивы к ошибкам, и им не нужно иметь все данные, чтобы делать надежные выводы. Алгоритмы детерминированы — это означает, что они всегда производят один и тот же результат независимо от ввода. Алгоритмы работают независимо от порядка обработки данных. Поскольку AIOps — это математический подход к машинному обучению, один алгоритм может заменить логику сотен тысяч правил. В доли секунды.

Все это звучит так просто, почти волшебно. Так почему же не все используют AIOps?

Прорывы и препятствия для перемен

Во-первых, применение статистического машинного обучения в ИТ-операциях влечет за собой довольно новые методы. Эти концепции существуют со времен прорыва Алана Тьюринга 90 лет назад. Основы современных алгоритмов ИИ были заложены в 1960-х, 70-х и 80-х годах. Первыми коммерческими приложениями были системы торговли акциями, затем последовали другие, такие как обнаружение мошенничества и распознавание рукописного ввода.

Три недавних прорыва, наконец, способствовали широкому внедрению AI/ML для ИТ-операций.

Во-первых, статистическое машинное обучение требует очень мощных компьютеров, которые стали обычным явлением только в последнее десятилетие. Во-вторых, статистическое машинное обучение требует много-много данных. Простота хранения, доступа и использования больших данных, наконец, стала практичной благодаря глобальному облаку и, конечно же, благодаря нерушимой преемственности Закона Мура в отношении хранения и вычислений. В-третьих, знания, которые когда-то были исключительно прерогативой академических компьютерных наук, теперь распространяются среди более широкого сообщества специалистов по ИТ.

Что может быть единственным оставшимся препятствием для повсеместного использования AIOps? Сопротивление ИТ-специалистов!

Мы всего лишь люди. Люди склонны с подозрением относиться к новым подходам к машинному обучению, потому что не понимают их. Тема сложная. Людям легче усвоить булеву логику, которая является старым и привычным способом мышления. Их зона комфорта растягивается, когда вы говорите о нейронных сетях, сходстве как о диапазоне, а не о логическом значении, обратном распространении, исчислении высокого уровня, теории категорий, гомологии и вероятности — обо всех сложных математических терминах, незнакомых многим ИТ-специалистам.

AIOps приносит будущее перемен и надежды

Несмотря на эти проблемы, на AIOps возлагаются большие надежды, потому что это небольшая часть того, что я называю Промышленной революцией 2.0, которая включает в себя все инновации, вытекающие из AI/ML. Первая промышленная революция вырвала людей из нищеты, голода и бедности. В Revolution 2.0 люди увидят положительные, хотя и непредсказуемые улучшения в своей работе и жизни.

Революция 19 века породила непредсказуемые социальные инновации, навсегда изменившие общество. Технологические изобретения включали текстильное производство, производство железа, паровую энергию, станки, химикаты, цемент, газовое освещение, производство стекла, бумагоделательную машину, сельское хозяйство, добычу полезных ископаемых и транспорт. Социальные эффекты включали фабричную систему, повышение уровня жизни, одежду и потребительские товары, урбанизацию, лучшую жизнь для женщин и семей и более безопасные условия труда.

Revolution 2.0, основанная на искусственном интеллекте и машинном обучении, также изменит нашу жизнь. Я уверен, что эти изменения будут положительными. Например, если вы специалист по ИТ-операциям, рассмотрите свою текущую трудовую жизнь. Откровенно говоря, мир, основанный на правилах, в основном обеспечивает рабочий процесс, который представляет собой тяжелую умственную работу: черную, повторяющуюся и низкооплачиваемую. AI/ML автоматизирует эту жалкую жизнь и предоставит ИТ-специалистам возможность повысить уровень применения своих знаний более продуктивным и приятным способом.

Мы не можем игнорировать массовые изменения, которые ИИ внесет в должностные обязанности и карьерные возможности. Всемирный экономический форум прогнозирует, что использование ИИ приведет к сокращению 75 миллионов рабочих мест к 2022 году. Однако будет создано 133 миллиона новых рабочих мест — чистое увеличение на 58 миллионов. С этим изменением требуется, чтобы сегодняшние работники переквалифицировались для этих новых возможностей. Исследование 2018 года предполагает, что не менее 54% всех сотрудников потребуют значительной переквалификации и повышения квалификации. Если вы работаете в сфере ИТ, очень важно начать планировать это изменение СЕЙЧАС.

У Moogsoft много крупных корпоративных клиентов, которые уже получают огромные преимущества от AIOps. Наш новый подход позволяет им сократить среднее время разрешения операционных инцидентов, улучшить качество обслуживания для клиентов, упростить управление облачной инфраструктурой и более эффективно управлять инициативами по цифровому преобразованию.

Пришло время для ИТ-эксплуатаций отказаться от устаревших устаревших решений, основанных на правилах, и задействовать современное машинное обучение AIOps. Это лучший подход для предоставления предприятию гарантии непрерывности обслуживания.

Прочитайте предыдущий блог из этой серии: Неразрешимая проблема правил