AIOps創新連續性之旅

最近，IEEE對全球CIO和CTO進行了一項調查，認為人工智慧(AI)和機器學習(ML)是2021年最重要的技術。許多業內人認為，AI和ML是技術領域的基本特徵，他們能夠利用從聯網使用者和裝置中流出的不斷增長和無盡的資料洪流的洞察力和力量。只要看看AIOps (AI在IT運營活動中的應用)就知道了，它是這些新興技術用於改進企業網路的一個案例研究。事實上，我們正處於網路的AI革命的早期階段。幾年前，人工智慧開始應用於資料中心的異常檢測和故障排除，現在已經發展到監控和預測邊緣故障。接下來，跨整個網路基礎設施的新的洞察力驅動和基於結果的特性，註定要透過將技術和業務資訊融合在一起來完全轉換業務操作。

AIOps連續體始於通常解決網路核心或資料中心運營效率的解決方案。這些AIOps功能主要是分析和預測網路行為，僅此而已。AIOps連續體的下一步，對於早期採用者來說剛剛開始執行，它將AIOps從IT系統監控推進到根本原因分析和問題識別，在最複雜的情況下，還包括補救。將AIOps提升到下一個邏輯步驟，AI和ML將在基礎設施和應用監控中使用，在問題影響網路效能或使用者體驗之前主動識別並自主解決。

提高運營效率

AIOps正被應用於監控和自主恢復網路邊緣的問題，而不僅僅是增強網路核心的網路彈性，它代表著連續體上的一個重要拐點。

廣域網邊緣的故障對企業站點來說可能是災難性的，會造成數小時的網路當機時間，損害客戶體驗，並阻止創收活動。針對廣域網邊緣系統(如路由器、SD-WAN裝置和防火牆)的AIOps可以最佳化整個邊緣的資料流，預測整個路由的網路流量模式，並識別和分流可能出現單點故障的邊緣裝置。這使得網路能夠在邊緣到邊緣之間進行自我修復，提高運營效率，保護業務連續性。

整個網路

將AIOps擴充套件到邊緣，也增加了ML模型的資料池，以不斷學習和最佳化整個網路中AI的使用。更重要的是，隨著企業網路上使用者、裝置和應用數量的增長，相關廣域網上的可用資料量也在急劇增加。這意味著ML模型可以同時吸收、關聯和分析來自整個分散式網路中各個位置的資料，以評估對終端使用者的影響，包括在單個網路內和整個WAN群體中。然後，人工智慧可以評估整體網路狀態，識別異常情況，自動開啟服務票，並向服務代理和工程師發出警報以及提供分流建議。

隨著時間的推移，透過全天候的ML分析，建立效能基線，系統能夠更快、更準確地識別獨特的操作特徵並識別服務中斷症狀，從而提高了不良網路行為的解決方案。即使邊緣的AIOps特性不能自動糾正問題，它們也可以作為早期預警系統，經常提供潛在硬體故障或慢性站點問題的診斷。這使得早期行動能夠完全阻止任何災難性的破壞。

洞察力驅動的資訊服務

如今，AIOps功能正被用於整個IT運營，監控、分流，甚至預先阻止核心和廣域網邊緣的網路問題。在AIOps的下一個歷程中，管理服務提供商(MSP)正在將AIOps應用更廣泛地擴充套件到整個數字企業環境中。機會在於發現資料驅動的洞察力，使企業能夠部署變化或糾正行動，以使業務的其他部分受益。

透過基於結果的服務實現業務轉型

但這還不是AIOps的使用範圍。沿著這個連續體的下一個階段將是真正的變革--超越網路和運營效能的改善，影響業務決策。

一個例子可以在零售石油行業找到，在這個行業中，業主經營者依靠AI和ML資料來監控甚至驗證油箱中的燃料水平。零售商的網路可以從現場安裝的各種系統中收集和分析資料，包括來自儲油罐感測器的油位;客戶流量模式；以及基於客戶的POS智慧(購買汽油的數量、頻率和型別)。這些現場資料可以與AIOps進行合成，以證實庫存，或者根據預設的“規則”或政策，發出油箱液位問題的訊號，如洩漏或偷竊。

這只是AIOps創新連續體中的一個里程標誌。

採用路徑

AI和AIOps既為企業帶來了激動人心的機會，也為MSP帶來了耐人尋味的挑戰。我們正處於邁向更高效的服務、新功能和真正基於結果的服務的複雜旅程的起點。AIOps的創新弧線現在明顯地從雲到資料中心，一直延伸到客戶邊緣。我們在休斯公司的努力中也看到了這一點，AIOps的創新從我們的資料中心開始，轉移到雲端，在近期，將在雲端和客戶邊緣共存。 但這種新的現實也需要新的信任和合作。

隨著更多的業務資料暴露、新的資料合作伙伴和新的AI平臺，企業和服務提供商面臨著圍繞隱私、安全、資料完整性以及業務機密見解和交易的複雜問題。AIOps的實施可以幫助建立基礎設施、信心和值得信賴的團隊，以利用2021年最重要的技術--AI和ML來應對企業數字化轉型。