NASA-advies:technologie, cultuur en data verenigen zich om AIOps te stimuleren

Organisaties die geïnteresseerd zijn in het implementeren van AIOps hebben het voordeel te leren van het advies van anderen die stappen hebben gezet in het gebruik van kunstmatige intelligentie in hun activiteiten en DevOps-groepen.

Een voorbeeld van zo'n advies voor het delen van innovators is NASA, dat onlangs het belang benadrukte van een holistische benadering van de uitrol van AI voor de zakelijke toepassingen van de ruimtevaartorganisatie, zoals financiën en inkoop, met name in een AIOps-omgeving.

In een presentatie aan de AI-operatiegroep ATARC, identificeerden NASA's data science-groepsleiders de drie belangrijkste elementen die een AIOps-initiatief nodig heeft. Technologie is misschien de meest voor de hand liggende, maar organisaties moeten hun gegevens ook voorbereiden om ervoor te zorgen dat ze klaar zijn voor AI, en even belangrijk is een verschuiving in de bedrijfscultuur, waarbij mensen de noodzaak accepteren om gegevens te laten helpen bij het nemen van beslissingen.

Waarom naar NASA luisteren? Misschien omdat zij degenen zijn die eerlijk kunnen zeggen:"Ja, we zijn raketwetenschappers."

“Het stukje waar het algoritme draait, is een heel klein onderdeel. De gegevens zijn zelden in een vorm waarin u ze echt kunt gebruiken. Mensen hebben al hun manieren om dingen te doen; er is het probleem dat je een nieuwe tool of set tools moet leren en moet begrijpen hoe het echt werkt. Mensen hebben verschillende opvattingen over wat AI voor hen kan doen', zegt Nikunj Oza, leider van de datawetenschappengroep van NASA, volgens een rapport van Government CIO Media.

Hij voegde eraan toe:"Gegevens zijn niet [automatisch] klaar voor gebruik door AI, dus je kunt een AIOps-project starten en het komt tot stilstand omdat de andere delen van je systeem er niet klaar voor zijn."

AIOps-advies

Shenandoah Speers, associate CIO van applicaties bij NASA, vertelde de ATARCaudience dat de digitale transformatie van het bureau aan de gang is, maar nog steeds volwassen wordt. "We zien een grote toestroom van gegevens en hoe we die gegevens kunnen verwerken en zakelijke beslissingen kunnen nemen en missiebeslissingen kunnen nemen over die gegevens."

Oza besprak ook enkele van de misvattingen rond AI en machine learning, waaronder de interne angst dat AI banen van mensen zal stelen.

Een webinar-spreker van het Joint Artificial Intelligence Center (JAIC) van het Amerikaanse ministerie van Defensie besprak ook de uitdaging van de gegevenskwaliteit. "Er zijn problemen met de labelkwaliteit en de gegevenskwaliteit", zegt Yevgeniya Pinelis, hoofd test en evaluatie van AI/machine learning bij JAIC. “Er zijn natuurlijk infrastructuurproblemen. … Om echt betrouwbare AI-systemen te bouwen, moeten we dat ecosysteem en alle leidingen op hun plaats hebben.”

Ze voegde eraan toe dat cultuur een factor is vanwege de noodzaak om teams Agile en DevSecOps te laten adopteren. “Als je gebruiker en tester al heel vroeg betrokken zijn, krijg je dit Agile-proces en voorkom je rampen aan het einde. Dat is een grote cultuurverandering die we doormaken. We hebben veel geluk gehad in de gezamenlijke logistiek - dat zijn meestal AI-problemen met een goed bereik, hoewel datareadiness altijd een probleem is."

Naarmate meer ondernemingen ervaring opdoen met AIOps en observeerbaarheid, zijn er steeds meer mogelijkheden voor degenen die net zijn begonnen om AIOps-advies in te winnen bij de pioniers.