Løs disse fire udfordringer for at få succes med AIOps

Udgivet den 16/04/2019

Eksplosionen indenfor operationelle data og maskinlæringskapacitet giver langt om længe mulighed for AIOps – Artificial Intelligence for Operations. Men som de fleste andre nye teknologier skal AIOps passes ind i en større organisatorisk og systemmæssig sammenhæng, og virksomheder skal naturligvis sikre, at de er klar til overgangen.

Succesfuld implementering af AIOps kræver, at man er opmærksom på de potentielle problemer forbundet med et sådant skift.  Her beskriver vi de fire centrale udfordringer, som organisationer står over for i forbindelse med implementering af AIOps-løsninger, og hvordan de bedst kan adressere disse risici:

Udfordring 1: Start med at identificere cases for anvendelse – og tænk ikke kun på processer

Virksomheder, der ikke identificerer de underliggende problemer, som de forsøger at løse med AIOps, har en tendens til at tage en trinvis tilgang. Hver ny AI- og ML-relateret funktion (ML = Maskinlæring) kan virke som en let måde at øge effektiviteten på – f.eks. ved at erstatte en eksisterende delproces med overvåget læring.

De mest betydningsfulde resultater opnås dog ved at genoverveje operationelle cases for anvendelse på en top-down måde – og herved at supplere evt. bottom-up procesforbedringer. AI/ML-algoritmer har væsentligt andre styrker og svagheder end menneskelige operatører. Det betyder, at algoritmens maksimale værdi realiseres i arbejdsgange, der adskiller sig fra dem, der blev skabt til mennesker. For eksempel begrænser selvkørende biler sig ikke til at placere to kameraer i førersædet for at efterligne menneskelige øjne, og de tvinger heller ikke kameraerne til at dreje rundt som en menneskelig nakke. I stedet kan selvkørende biler gøre brug af et halvt dusin fikserede kameraer rundt i hele bilen og supplere disse data med LIDAR, RADAR og endda ultralydssensorer.

Den samme tilgang gælder for AIOps. Data og processer, der er optimeret til mennesker, er givetvis ikke den bedste måde at bruge disse algoritmer på. For at undgå en ineffektiv trin-for-trin implementering bør virksomheder starte med en top-down vurdering af alle systemer, applikationer og processer for at afgøre, hvor integration af AIOps vil have størst effekt.

Udfordring 2: Har I tilstrækkeligt med data?

Selv de mest kraftfulde AIOps-værktøjer kan blive hæmmet, hvis de ikke har tilstrækkelige mængder data til at behandle. AI/ML-algoritmer er notorisk data-sultne, og kræver både et stort træningsdatasæt såvel som løbende realtids data for at sikre robuste konklusioner.

Et første skridt i forberedelsen til en AIOps-investering er at implementere et system til at måle performance på tværs af alle lag i app-koden, i hardware- og softwareinfrastrukturen og endda i bruger- og forretningsmæssige data. En sådan tilgang vil både give virksomheden større synlighed af sine nuværende aktiviteter og opbygge den rette platform for effektiv AIOps implementering.

Udfordring 3: Har data høj nok kvalitet?

Når først der er en proces på plads til at indsamle en tilstrækkelig mængde data, er næste skridt at vurdere kvaliteten af data. Nogle af de problematikker, der ofte ses, er bl.a. ”støjende” data, inkonsekvent eller utilstrækkelig frekvens for rapportering og sågar inkonsekvente navngivningspolitikker på tværs af applikationer eller datacentre.

Organisationer bør udvikle procedurer til at standardisere og filtrere dataindsamlingen samt identificere de typer data, der er mest værdifulde for organisationernes specifikke prioriteringer. Det vil få stor gavn af – både nu og i fremtiden – at indføre procedurer baseret på en internt fælles forståelse.

Problem 4: Betydningen af data

Virksomheder kan måske indsamle rigelige mængder af data af høj kvalitet – men uden den rette sammenhæng er dataene næsten ubrugelige. Datapunkter, der mangler semantisk definition/konsistens, er mindre værdifulde for både menneskelige operatører og AIOps. Er f.eks. værdierne for en given parameter som f.eks. “transaktionshastighed” for brugerne opgivet i sekunder, minutter eller timer? Og er den valgte tidsenhed anvendt konsekvent på tværs af andre relaterede målinger?

Et andet eksempel: Hvis data indsamles fra en microservice, der kører i en container, der kører på en virtual machine (VM), der kører på en fysisk vært – er dataene så blevet tagget på alle niveauer, sådan at et adfærdsmønster på ét niveau kan korreleres og sammenlignes med andre niveauer? Hvis ikke, så kan virksomhedsdata ligne en række til silo-opdelte, parallelle universer.

For at adressere denne problemstilling skal jeres teams have fokus på vigtigheden af at forbinde data på en måde, så sammenhængene registreres og let kan identificeres. F.eks. er en standardiseret navngivningspolitik helt afgørende.

Maksimér jeres investering

AIOps kan tackle nogle af de vanskeligste IT-problemstillinger, men som det fremgår ovenfor, er der centrale organisatoriske udfordringer, som skal adresseres internt, før AIOps kan skabe reel værdi.

Før man kaster sig ud i en AIOps-løsning, er det som beskrevet helt afgørende at foretage en meningsfyldt vurdering af eksisterende IT-systemer og forskellige cases for, hvor man får størst værdi ud af AIOps. Da nogle af de mest almindelige udfordringer ved AIOps integration, findes i organisationernes data – deres mængde, kvalitet og fortolkningen af dem, er det første kritiske skridt at få 100 procent styr på data. Det omfatter indsamlingsmetoder, forretningsmæssig motivation og den kontekstuelle betydning bag dataene.

Virksomheder, der er grundige med at opbygge et sådant robust fundament med en stærk datainfrastruktur og relevante cases for anvendelse, vil kunne få maksimalt udbytte ud af deres AIOps-investering – de vil ikke blot få det lovede – men opnå langt større værdi end forventet.


Kategori: Business, Forretning

Tags: , , , ,

Relaterede artikler

Udgivet den 11/01/2019 af blogadmin

Der er ikke noget, du ikke kan!

I løbet af de sidste fire årtier har vi opnået fantastiske fremskridt i vores udvikling – takket være teknologi. Udviklingen betyder, at vi kan mange flere ting, og vi kan arbejde meget hurtigere og mere effektivt. Derudover giver teknologien værktøjer til fremtiden, hvilket er med til at skabe en retfærdig, sundere og mere bæredygtig verden at […]

3 Læs
Udgivet den 21/05/2019 af blogadmin

Kunstig intelligens kræver næste generation af datacentre

En af de mest mærkbare transformationer drevet af kunstig intelligens (Artificial Intelligence – AI) vil ske inden for entreprise technology i de kommende år.

3 Læs
Udgivet den 31/03/2019 af blogadmin

Lad kunstig intelligens gøre arbejdet

På den ene side vil kunstig intelligens (AI) medføre, at 75 millioner arbejdspladser forsvinder frem mod 2022. På den anden side forventes teknologierne at skabe 133 millioner nye job – altså en vækst på 58 millioner jobs. Så det er bare om at komme i gang for danske virksomheder. Men de tøver.

3 Læs

Comments

No comments yet

Add a comment

Your email address will not be published.

*

This site uses cookies to improve the user experience. By using this site you agree to the privacy policy