AIOpsの構築と導入を成功させるための3つの要素

今日、ビッグデータ アプリケーションがビジネスのあらゆる側面で急増しているため、IT チームは膨大な量と複雑な操作を処理するという困難な課題に直面しています。その結果、企業における AIOps の需要が高まっています。

AIOps (IT 運用のための人工知能) は、ビッグ データと機械学習 (ML) を活用して、人間では達成できない規模と速度で IT の問題を予測、識別、診断、解決します。

プライベートエクイティおよびベンチャーキャピタル企業 Insight Partners による最近のレポートでは、AIOps プラットフォーム市場規模は 2021 年から 2028 年にかけて年平均成長率 32.2% で増加し、2021 年の約 28 億 3,000 万ドルから 2028 年には 1,993 億ドルに成長すると予測されています。とはいえ、効果的な AIOps ソリューションは一夜にして実装できるものではありません。

完全な AIOps ソリューションは、データ、分析、さまざまな分野の専門知識という 3 つの基本要素を含む長期的なソリューションから生まれます。

データ

データがなければ AIOps は成功しないため、このコンポーネントは非常に重要です。データは豊富に存在しますが、それを使用可能かつ信頼できる形式で入手することが課題です。 AIOps は、さまざまなソース (ネットワーク パフォーマンス、ビジネス システム、顧客サポートなど) からの数百または数千のデータ ポイントに依存しており、それらはすべて数秒または多くの場合 1 秒未満の速度で生成されます。大量のデータをどのように処理するかによって、AIOps ソリューションの成否が決まります。デバイス内とデバイス外のデータ管理用のパイプラインを別々にすると、速度、コスト効率、最大効率の点で最高の結果が得られます。

従来の単一の内部データ処理モデルでは、今日のデータ セットの複雑さと量に対応できなくなりました。代わりに、データ処理ファネルを 2 つの部分に構築または再構築することを検討してください。1 つは、リアルタイムのオンプレミス データ バスを介して時間的に重要な分析を処理する、無駄のない高速処理パイプライン、もう 1 つは、クラウド内の残りのデータを分析するためのより堅牢なチャネルです。社内でのデータ生成を最小限に抑え、残りのデータの処理にクラウド（弾力性のあるコンピューティングとより高度なストレージ機能を備えた）を割り当てることで、より高速で経済的なデータ合成が可能になります。

内部データと外部データの両方を管理する個別のパイプライン モデルにより、組織は 1 時間あたり数百万のデータ ポイントを処理できるようになります。機械学習 (ML) アルゴリズムは、各パイプラインから受信されるデータの優先順位付けや、生の非構造化データの顧客サービスや IT 運用チームにとって重要な使用可能な指標への変換に役立ちます。 2 つの側面を持つシステムから得られる効率性とスピードにより、組織は強化された監視機能を導入して、ネットワーク パフォーマンスに関するリアルタイムの可視性と長期的な傾向情報を取得することもできます。

分析する

AIOps の成功の 2 番目の重要な要素は分析です。 AIOps 分析は、探索的分析 (生のデータを精査して、追加検査が必要な傾向や異常を探す) と高度な統計分析 (実用的な洞察に変換する) の 2 つのフェーズに分かれています。探索的研究が重要な役割を果たしている一方で、データがパイプラインに送り込まれると、エンジニアリング チームは高度な統計分析にすぐに取り掛かりたがることがよくあります。この初期段階を省略すると、データ バイアスが発生する可能性があります。つまり、AIOps プロセスにバイアスが注入され、問題が誤って特定され、AI/ML アルゴリズムが役に立たなくなり、運用上の悪影響が生じることになります。

探索的分析では、重要な特定の指標を識別して決定するために、ML とデータ サイエンティストに依存します。その過程で、IT チームは、刺激的で非常に効果的なテクノロジーである ML に惹かれていくかもしれません。しかし、ML だけが常に最も効果的な分析方法であるとは限りません。 ML は、特定のパラメータ セットに基づいて特定の問題を解決しようとします。エンジニアは、結論 A、B、または C に到達するために必要と思われる指標に基づいて ML アルゴリズムを作成し、それによって他の可能な解決策や統計を除外します。

対照的に、統計学者やデータ サイエンティストは、特定の結果を念頭に置いて生データを調べるのではなく、パターンや異常がないかデータを調べます。手動によるデータレビューは面倒ではありますが、高度な統計分析を必要とせずに簡単な IT ソリューションを特定できます。

チームは、探索フェーズで特定された傾向や異常が正しいと確信したら、高度な統計分析と AI/ML アルゴリズムのトレーニングに進むことができます。 AI/ML でも試行錯誤のテストが必要であり、すぐに結果は得られません。すべての AIOps ソリューションの背後には、AIOps の成功を確実にするために AI/ML モデルを徹底的に調整およびテストするドメイン エキスパートのチームがいます。

さまざまな専門分野

AIOps 実装を成功させるための 3 番目の要素は、ドメインの専門知識です。 AIOps を作成する際に活用できる経験はあまりありません。企業で AI をうまく導入するには、さまざまな分野の専門家の関与が必要です。たとえば、ネットワーク運用の分野では、ネットワーク エンジニアは ML システムのニュアンスと、特定の問題を正確に解決するために必要な AI アルゴリズムを理解しています。同時に、非技術系の専門家は、データセットのソースと可用性、ビジネス戦略、運用などの業界固有の知識をもたらします。多数のドメイン エキスパートが、AI/ML アルゴリズムが実際の操作を反映し、結果の重要な検証を提供し、誤ったアプローチや意図しない結果をチェックするための重要なツールとして機能することを確認します。たとえば、計画メンテナンス中の通信システムは、通常、問題のある状態を示す動作 (ネットワーク トラフィックが極端に低いなど) を示すことがあります。メンテナンス チケット システムと通信するモデル予測にビジネス ロジック レイヤーを追加すると、これらの誤報を排除できます。

ドメイン エキスパートは、AIOps ソリューションを熱望する経営幹部層に説明する上で重要な役割を果たします。 ML はブラックボックス内で動作する傾向があり、モデルが特定の決定にどのように到達したかをチームが明確に説明するのを妨げます。これにより、経営幹部の間で AI 主導の洞察や行動に対する懐疑心や躊躇が生じる可能性があります。一方、説明可能な AI は、AIOps に精通していないビジネス リーダーからも高い認識と信頼を得ることができます。

AIOps には 3 つの主要な材料が必要ですが、他のレシピと同様に、それらの材料の品質と、誰がそれらを手にするかによって最終結果が決まります。試行錯誤はイノベーション プロセスの一部であり、特に ML のトレーニングという複雑な技術においては重要です。データが正しく処理されていることを確認し、適切な種類の分析を使用し、ドメインの専門家と連携することで、組織は運用効率に対する高まる需要を満たす、成功しスケーラブルな AIOps ソリューションを提供できるようになります。