企業がクラウドに移行する際、IT 運用と保守は AI を通じてどのようにインテリジェンスを実現できるでしょうか?

近年、あらゆる分野でインターネット+が採用され、クラウドコンピューティングやビッグデータなどの技術を利用して生産効率が向上しています。これに関連して、企業のITシステムはますます複雑化しています。 ITシステムの規模が大きくなるにつれ、より精緻な運用・保守管理の要求、運用・保守収集指標の増加、応答時間の短縮要求などの課題が次々と現れます。大量の運用・保守データと、リアルタイムの第 2 レベルのデータ分析および処理の要件に直面して、従来の IT システムとモデルでは、現在の運用・保守のニーズを満たすことがますます難しくなっています。

[[227348]]

これまで、IT リソースは手動で管理されており、システム ネットワーク アーキテクチャの定義、仮想マシンの構成とクローン作成、OS の構成、データベースのインストールなど、使用前に時間のかかるプロセスが必要でした。また、手動操作では、展開プロセス中にエラーが発生しやすくなっていました。従来の運用と保守は非常にストレスが多く、あちこち走り回って問題を解決するのは疲れます。私たちは変化を求め、自動化、プラットフォーム化、インテリジェンスへと移行する必要があります。

IT サービス管理の面では、ITSM と自動化テクノロジーの助けを借りて管理効率を効果的に向上させることができます。 ITSM の自動化ツールは、企業が管理タスクをより効率的に改善し、アプリケーションのリリースプロセスを大幅に短縮し、IT 効率を高め、IT ニーズへの対応速度を高め、運用、保守、開発担当者の作業時間を効果的に節約するのに役立ちます。

IT運用・保守の面では、Docker、OpenStack、Puppetなどの技術の普及や、マイクロサービス、CI/CD、DevOpsなどの概念の導入により、運用・保守の自動化の発展が小さな盛り上がりを見せています。全体として、自動化された運用・保守プラットフォームは、運用・保守の効率を向上させ、人的過失やプロセス操作エラーによる運用・保守の失敗を削減するのに役立ちました。

IT運用の再定義

企業がビジネスのインターネット化のプロセスを加速するにつれて、新しいビジネスや新しいシナリオが次々と出現し、企業はITアーキテクチャを適切に調整し、それらを満たすための開発要求にさらに重点を置く必要があります。企業のデジタル化の度合いが高くなるほど、運用と保守の管理が難しくなります。

テクノロジーコミュニティでは、サービス指向のソフトウェアアーキテクチャと継続的デリバリープロセスが徐々に生まれています。同時に、ビジネスボリュームが急速に拡大するにつれて、サービス指向開発によってもたらされるアプリケーション管理、継続的デリバリー、監視、安定性、コスト管理などの多数の非機能システムの構築と保護には、専任チームが必要です。このとき、運用と保守に対する要求も静かに変化しています。

このプロセスにおいて、クラウド コンピューティングの発展は IT リソースの供給モデルを変え、運用と保守管理に対する新たな要件も提示しました。従来のネットワーク、ハードウェア、システムの保守責任は徐々に弱まり、運用と保守の焦点も最下層からアプリケーションとビジネス レベルへと移行することを余儀なくされています。既存のオペレーティング システムと人員の役割を再配置する必要があります。

AIがIT運用を可能にする

AI時代の到来により、私たちの仕事や生活のすべてが再定義されつつあります。企業は、AI テクノロジーを活用して、コストを削減し、ビジネス変革を実現しながら、運用・保守サービスの有効性と予測可能性を向上させようとしています。

2016 年にガートナーは AIOps の概念を提唱し、2020 年までに AIOps の採用率が 50% に達すると予測しました。 AIOps は簡単に言えば、既存の運用保守データ (ログ、監視情報、アプリケーション情報など) を基にした自動化や機械学習によって解決できない IT 運用保守の課題をさらに解決することを目指しています。

AIOps は、アルゴリズムをツールに統合する新しい運用および保守方法として、企業が運用および保守作業を最大限に簡素化し、時間がかかりエラーが発生しやすいプロセスから IT を解放するのに役立ちます。従来の IT 運用・保守管理ツールは、緊急事態 (アラームなど)、構成、パフォーマンスに重点を置いていますが、AIOps は問題、分析、予測に重点を置いています。この 2 つは互いに補完し合っていると言えます。

AIOps を使用すると、IT 障害が発生した場合、運用および保守担当者はシステムが障害アラームを発するのを待つ必要がなくなります。内蔵の機械学習アルゴリズムとビッグデータ技術により、システム内のさまざまな異常を自動的に検出し、異常に基づいて障害の可能性、重大度、影響度を判断し、機械によるデータ分析に基づいて最適な対応計画を決定します。

包括的なデータがあって初めて科学的な判断を下すことができます。多くの場合、表示されるログが不完全であったり、取得する監視データが不正確であったりすると、間違いなく判断が性急になってしまいます。たとえば、データセンターのサービス リンクに問題が発生した場合、切り替える必要があるでしょうか?データは依然として一貫していますか?この時点では、決定を裏付ける明確なデータが得られていないため、決定を下す際に不安や躊躇を感じるでしょう。

現在までに、Baidu、Sogou、Alibaba などの国内インターネット企業が AIOps を模索、試行し、良好な成果を上げています。 AIOps 機能をサポートすることで、プラットフォームはより優れた分析、調整、自己修復機能を提供でき、IT 効率がさらに向上します。

複雑な運用・保守監視データから、必要な情報と結果をどのように取得するか。一言で言えば、それは識別と洗練です。同時に、ビジネスおよび SLA のサービス レベルを確保し、問題に迅速に対応し、自動的に分析および最適化し、合理化された効率的な処理プロセスを組み合わせ、問題を適切なシナリオと照合し、適切な人を見つけて、適切なタイミングで適切に処理します。

機械学習では、トレーニングに大量のデータが必要です。障害はさまざまな形で発生します。過去の障害データを分類してラベル付けし、パターン認識とデータを継続的に使用して機械の認識と分析をトレーニングし、機械が自動的に正確な判断を下せるようにする必要があります。

データとモデルに基づいてイベント処理機能を改善します。多くの場合、一部のエンジニアは問題を非常に迅速に処理しますが、問題に精通していないエンジニアは解決に長い時間がかかることがあります。これには、他の人が参照して学習し、同様のシナリオ イベントを処理する能力を向上させるための戦略的な知識ベースを構築する必要があります。

データセンターの管理と運用を例に挙げてみましょう。データセンターの運用と保守には、主に構成管理と監視が含まれます。運用と保守の担当者は、毎日大量のモジュール保守操作を実行する必要があります。このプロセスの手順のほとんどは手動で完了します。一方で、人間のエネルギーには限りがあり、時間内にすべての欠陥を発見することは不可能です。他方、このプロセスでは人為的なエラーが発生する可能性は避けられません。データセンターの管理と制御に人工知能を適用し、機械学習モデルを通じて洗練された管理を実行することで、インテリジェントな運用と保守の目標を達成できます。

Google は、データセンター管理に人工知能技術を採用した最も初期の代表的企業の 1 つと言えます。同社は人工ニューラル ネットワークを使用して大規模データセンターの運用を分析し、データ (データセンター インフラストラクチャの電力消費量や一定の冷却効果を達成するために使用する水の量など) を収集して集計し、人工知能計算モデルを通じてデータセンターの運用効率を分析および評価し、データセンターの運用効率を向上させるための対応するソリューションを提案しています。

結論

AIを活用したIT運用・保守の目標は、人間への依存を減らし、徐々に機械を信頼し、機械が判断、決定、自己決定できるようにすることです。テクノロジーは絶えず進歩しています。AI テクノロジーは、解決に多くの人材と時間を要する問題を解決できますが、AI は純粋なテクノロジーではありません。また、特定の企業シナリオやビジネスと組み合わせ、コンピューティングとデータによって駆動され、真に使用可能な製品を生み出す必要があります。

企業における AI を活用した IT 運用・保守の導入は一夜にして実現できるものではなく、段階的かつ付加価値の高いプロセスです。現在、IT 運用と保守は変革期にあります。より効率的でプラットフォーム化された実践を経て、AIOps は IT 分野全体にさらなる新鮮さと活力を吹き込み、将来的に発展・成長し、世界的なトレンドの重要な原動力となることが予想されます。