Идея написания этого поста основана на быстром звонке одной из моих учениц колледжа, где я пытался объяснить ей об искусственном интеллекте и его возможных применениях в DevOps. По ее словам, это система, которой может управлять любой человек, независимо от происхождения. Это идеально!

В моем предыдущем посте о зависимости DevOps от ИИ мы увидели, как ИИ может помочь командам DevOps разрабатывать, поставлять, развертывать и организовывать приложения для повышения производительности и выполнения бизнес-операций DevOps. Теперь, если мы углубимся в это, мы точно знаем, что DevOps и облако уже стали многообещающей комбинацией для многих компаний по всему миру. Хотя облако и DevOps — разные предложения, они взаимосвязаны, и это сочетание обеспечивает гибкость и эффективность ИТ-операций. Автоматизированная ИТ-инфраструктура уже хорошо зарекомендовала себя. Самовосстанавливающиеся системы также не за горами с появлением контейнерных инструментов оркестрации (Kubernetes, Docker swarm и т. д.). Автоматизированная сборка/развертывание всей облачной инфраструктуры с использованием конвейера DevOps в гибкой манере сейчас является обычным явлением. ИИ еще больше расширит границы автоматизации ИТ-инфраструктуры. В будущем мы увидим интеллектуальную инфраструктуру на основе сложных алгоритмов с использованием таких технологий, как машинное обучение (МО) и глубокое обучение. С точки зрения исполнения этого можно добиться с помощью AI-Ops.

AIOps — это применение искусственного интеллекта для ИТ-операций. Это будущее ITOps, сочетающее алгоритмический и человеческий интеллект, чтобы обеспечить полное представление о состоянии и производительности ИТ-систем, от которых зависит бизнес. Успешная цифровая трансформация будет зависеть от AIOps, позволяющих ИТ-отделам работать со скоростью, необходимой современному бизнесу. Перспективные продукты AI-Ops согласно Gartner должны иметь следующие характеристики:

  • Они должны помочь уменьшить шум (например, в виде ложных тревог или избыточных событий)
  • Обеспечение лучшей причинно-следственной связи, которая помогает определить вероятную причину инцидентов
  • Захват аномалий, выходящих за пределы статических порогов, для упреждающего обнаружения аномальных условий
  • Экстраполируйте будущие события, чтобы предотвратить возможные сбои
  • Инициировать действия по решению проблемы (напрямую или через интеграцию)

Однако при наличии такого большого количества инструментов DevOps нам необходимо понять, как инструменты AI-Ops вписываются в современную ИТ-среду. При первом взгляде на AIOps не сразу понятно, как он вписывается в существующие категории инструментов. Причина в том, что AIOps не заменяет существующие инструменты мониторинга, управления журналами, службы поддержки или оркестровки. Вместо этого он находится на пересечении этих разных доменов, потребляя и интегрируя информацию из всех них и предоставляя полезные выходные данные, чтобы гарантировать доступность синхронизированного изображения из каждого инструмента. Весь процесс будет включать в себя применение моделей машинного обучения для анализа исторических данных и прогнозирования будущих операций на временной шкале, выделения потенциальных проблем и предложения возможных исправлений. Возможны разные проявления этой тройки — AI + Cloud + DevOps; однако мы все еще находимся на начальной стадии работы с этим. Но базовый контур должен состоять из встроенного интеллекта для автоматизации приложений/инфраструктуры, самообучающихся приложений и встроенного управления на основе интегрированной аналитики.

Чтобы привести такие системы в действие, Gartner предлагает следующие оптимизации, которые следует внести для преобразования IT-Ops в AI-Ops:

  • Развертывайте AIOps, применяя поэтапный подход, который начинается с исторических данных и переходит к использованию потоковых данных в соответствии с постоянным повышением зрелости ИТ-операций.
  • Выберите платформы, которые обеспечивают всестороннее представление о прошлом и настоящем состояниях ИТ-систем, определяя платформы AIOps, которые способны принимать и предоставлять доступ к текстовым данным и метрическим данным.
  • Углубите аналитические навыки своих ИТ-операторов, выбрав инструменты, которые поддерживают возможность поэтапного развертывания четырех этапов машинного обучения, ориентированного на ИТ-операции: описательные, диагностические, упреждающие возможности и анализ основных причин, чтобы помочь избежать серьезных сбоев.

Внедрение ИИ с DevOps + Cloud является симбиозом. Если мы посмотрим на это с технической точки зрения, то состояние разработки программного обеспечения таково, что глубокое обучение и машинное обучение в настоящее время постепенно становятся мейнстримом. Нам больше не нужно понимать математические жаргоны, такие как «стохастический градиентный спуск» или «обратное распространение», чтобы применять концепции глубокого обучения. Нам также не придется писать тысячу строк кода на Python, чтобы создать собственный чат-бот. Сотни моделей машинного обучения/глубокого обучения теперь доступны в виде управляемой службы в облаке, наряду с различными инструментами искусственного интеллекта, предоставляемыми облачными платформами. Поставщики облачных услуг пытаются упростить выполнение рабочих нагрузок машинного обучения на своей платформе. Они предлагают виртуальные машины (VM) на базе графического процессора (GPU) для создания приложений машинного обучения в облаке, API для готовых моделей и механизмы обработки естественного языка (NLP) для интеграции со своими приложениями. Компании делают ИИ более доступным для отдельного разработчика. AWS sagemaker — одна из таких попыток сделать комплект машинного обучения доступным для обычных разработчиков для создания интеллектуальных приложений. У нас будут продукты/услуги со встроенными алгоритмами машинного обучения, такими как анализ настроений, алгоритмы прогнозирования и модели глубокого обучения. Известный стек ELK, Splunk уже видел концепции машинного обучения, внедренные в их продукты для выявления аномальных шаблонов, корреляции событий между инфраструктурой, приложениями и бизнес-средами.

В заключение можно сказать, что сочетание ИИ, DevOps и облака изменит способ ведения бизнеса в разных секторах. DevOps и искусственный интеллект будут продолжать двигаться вверх по цепочке создания ценности стека технологий вместе с облаком. Интеллектуальная автоматизация станет новой нормой, приводя к новым инновациям и стандартам. Предприятиям следует начать искать способы внедрения неявной аналитики в свою ИТ-экосистему.

Использованная литература :

Мы в OpsLyft пытаемся создавать инструменты и платформы DevOps на базе AI/ML. Мы также предоставляем опытные консультации по DevOps. Мы будем рады услышать от вас, свяжитесь с нами по адресу [email protected]. Я уверен, что мы пригодимся вам.