A transformação digital requer uma abordagem automatizada e assistida por máquina
A transformação dos negócios digitais está forçando as organizações de TI a reconsiderarem como garantir o desempenho da infraestrutura e dos aplicativos. Velocidade, escala e complexidade proporcionadas por infraestruturas e digitalizações em multinuvem resultam em monitoramento e gerenciamento de desempenho baseados em regras tradicionais. O AIOps aplica o aprendizado de máquina e técnicas avançadas de análise para identificar padrões em monitoramento, central de serviços e dados de automação que são tão vastos que, de outra forma, ficam além da compreensão humana. A adoção de AIOps capacita as operações de TI a:
- Reduzir o ruído do evento e priorizar os problemas mais críticos para os negócios para melhorar o desempenho
- Apoiar a velocidade da mudança na arquitetura do aplicativo e adoção do DevOps
- Identificar problemas de forma proativa e analisar rapidamente a causa raiz para reduzir o MTTR
- Modelar e prever os requisitos de capacidade da carga de trabalho para otimizar o uso e o custo dos recursos
"As plataformas AIOps combinam funcionalidade de big data e aprendizado de máquina para suportar todas as funções principais de operações de TI por meio da incorporação e análise de volume, variedade e velocidade cada vez maiores de dados gerados pela TI."
Fonte: Gartner Market Guide for AIOps Platforms, 12 de novembro de 2018
Principais elementos de uma abordagem AIOps
A implementação de uma abordagem AIOps vai além de obter melhores análises para os dados existentes. Criar a base para um sistema de aprendizado de máquina que produzirá insights contínuos requer:
- Acesso a dados abertos, incluindo várias fontes consumíveis de dados históricos e de streaming de TI
- Uma plataforma de big data que possa suportar visualização em tempo real e consultas profundas
- Aprendizado de máquina que refina os algoritmos com base nos dados sem intervenção humana
- Algoritmos analíticos que geram insights de TI automatizados sobre dados de TI para fins de TI
Acesso a dados abertos
Dos quatro elementos principais, o mais crítico é o acesso a dados abertos. A TI principal sempre terá várias tecnologias e sistemas de registro de diferentes fornecedores. Eles também variam de acordo com as disciplinas de TI. Liberar dados de seus silos organizacionais para a agregação e análise de big data talvez seja o desafio mais difícil para as equipes de TI que tentam implementar AIOps.
Uma plataforma AIOps eficaz deve ter um esquema de dados que possa consumir dados de uma variedade de fontes de TI e estruturar, marcar e organizá-los para ser útil para análises consistentes e repetíveis.
Escala e velocidade de big data
Transformação digital quer dizer grandes volumes de dados de TI em rápida mudança. Os armazenamentos de dados relacionais tradicionais não são escaláveis nem suficientemente responsivos para suportar a quantidade e a velocidade dos dados digitais. A análise precisa ocorrer em tempo real conforme os dados chegam, não apenas off-line quando os recursos estão disponíveis.
Uma plataforma de big data AIOps também deve suportar a exploração de dados ad-hoc responsivos e consultas profundas. As tecnologias de big data, originalmente criadas para lidar com grandes lagos de dados de data warehouses, evoluíram para não apenas escaláveis, mas mecanismos de manipulação de dados responsivos que podem atender às necessidades de AIOps. AIOps representa a unificação de pesquisas de dados profundos e análises on-line em tempo real para elevar a tomada de decisões de TI.
Aprendizado de máquina
O AIOps permite que a TI passe do gerenciamento humano baseado em regras de análises para sistemas de aprendizado de máquina e análise assistida por máquina. Isso é necessário não apenas por causa dos limites para a quantidade e complexidade da análise que os agentes humanos podem alcançar, mas também por permitir um nível de adaptação de mudança que não era possível.
A análise avançada de TI tem a ver com a correspondência de padrões. Sistemas de TI, usuários e ecossistemas exibem comportamentos e relacionamentos que podem apontar para as causas raiz, isolar problemas e indicar problemas futuros. O aprendizado de máquina aplica a potência computacional e a velocidade das máquinas à descoberta e à correlação de padrões nos dados de TI. Ele faz isso em maior quantidade e velocidade do que os agentes humanos e altera dinamicamente os algoritmos usados pela análise com base nas alterações dos dados.
AIOps e automação
O AIOps conecta e impulsiona a automação no ambiente de nuvem hipercomplexo e de várias fontes. Fornecer análise assistida por máquina em escala em grandes volumes de dados digitais de TI é inútil se os resultados ainda exigirem intervenção humana. O AIOps pode gerar fluxos de trabalho e medir os efeitos desses processos, alimentando os resultados de volta no sistema como dados a serem analisados e aprendidos. Além disso, o AIOps deve ser aplicado automaticamente pelo sistema com base nos dados, sem a necessidade de intervenção e decisão do usuário.
A democracia dos dados
A TI precisa se concentrar em permitir a transformação dos negócios digitais. Ela não deve ter especialistas ou cientistas de dados dedicados para alimentar e criar sistemas de análise nem contratar ou desenvolver habilidades de análise de dados na equipe de TI. O AIOps aproveita as máquinas para fazer esse trabalho sem a necessidade de recursos especializados. O resultado da análise pode ser consumido e personalizado por qualquer pessoa na organização de TI e pode ser facilmente estendido para parceiros em toda a empresa.
