IT-prestaties Boosten: AIOps & Observability om Downtime te Reduceren en Gebruikerstevredenheid te Verhogen

AIOps-observability helpt IT om downtime te verminderen, applicatieprestaties te verbeteren en klanten tevreden te houden.

In 2016 introduceerde Gartner het acroniem AIOps (Artificial Intelligence for IT Operations), maar jaren daarvoor hoorden IT-professionals al over en ervoeren ze elementen van autonoom rekenen. Dergelijke automatiseringstechnologie maakte het mainframes en servers mogelijk om automatische en adaptieve beslissingen en aanpassingen te nemen, zodat ze konden reageren op wat sensoren die door hun operaties waren ingesloten, hen informeerden over prestaties.

AIOps-observability geïntroduceerd

Of het nu AIOps of autonoom rekenen is, het doel was altijd om IT te helpen bij het monitoren en tunen van prestaties, zodat het het meeste uit gecomputeriseerde activa kon halen en geoptimaliseerde technologie aan het bedrijf kon leveren. IT is bullish op AIOps, zoals blijkt uit de voorspelde compound annual growth rate van 21,05% voor AIOps-oplossingen tussen nu en 2026.

Wat maakt AIOps zo'n overtuigende value proposition?

Voor overbelaste systeemprogrammeurs, netwerkbeheerders en softwareontwikkelaars kan AIOps de meest urgente problemen aan het licht brengen uit een hooiberg van dagelijkse waarschuwingen en potentiële prestatieproblemen die wel of niet onmiddellijke aandacht en oplossing vereisen. Deze waarschuwingen komen van overal, dankzij het aantal gesilo-de systemen die corporate IT-afdelingen moeten beheren. Er zijn momenten dat die waarschuwingen meer afleidende ruis dan hulp creëren.

Waar AIOps helpt is in hoe het deze cacofonie van waarschuwingen terugbrengt tot de kritieke condities die werkelijk relevant zijn voor een incident of storing. Het doet dit omdat het kunstmatige intelligentie en machine learning gebruikt terwijl het de elementen en dynamiek van de IT-infrastructuur van een organisatie volgt, en leert wat normaal is en wat een probleem voorstelt. Uitgerust met deze kennis, identificeert en geeft AIOps waarschuwingen af zoals eerdere systeembenaderingen ook deden. Wat vandaag AIOps echter uniek maakt, is dat de AI die bij operationele monitoring hoort, AIOps in het rijk van infrastructuur-observability brengt.

Observability is een gamechanger voor IT omdat het in staat is contextuele informatie verzameld uit IT-infrastructuur te combineren met kunstmatige intelligentie en automatisering, in plaats van alleen standalone waarschuwingen af te geven van individuele systeemcomponenten die IT apart moet evalueren en troubleshooten. Met een meer holistische benadering van IT-infrastructuur-evaluatie die infrastructuurkennis en probleemdetectie omvat, gebruikt AIOps-observability IT-metrics, logs en traces en geeft diagnostische aanbevelingen voor fixes die IT kan gebruiken om de time-to-resolution te versnellen.

Observability begrijpen

In de praktijk kan een AIOps-observability-platform de diverse systemen, data en netwerken die een applicatie doorloopt, integreren. In een hybride computing-omgeving kan dit betekenen dat applicatieworkflows door een cloud én on-premises resources lopen. Een of al deze resources kunnen een waarschuwing geven als prestaties degraderen. Zonder AIOps-observability kan IT zich bezig houden met het evalueren van talloze binnenkomende waarschuwingen van veel systeemmodules en elementen, zonder een efficiënte manier om de waarschuwings-"ruis" van de root cause van een probleem te scheiden. Deze wilde eendenjacht verlengt systeem-downtime en prestatieproblemen. Het creëert ontevreden gebruikers en klanten en kan een bedrijf gemiddeld $5.600 per minuut kosten.

Hoe AIOps-observability downtime en prestatieproblemen oplost

Bijvoorbeeld, als de AIOps-software de dynamiek en operationele context van je IT-infrastructuur begrijpt, kan het snel anomalen oppikken van een fieldservice-tak aan de oostkust die meestal in het weekend gesloten is, maar plotseling een piekactiviteit registreert op een zaterdag.

AIOps kan detecteren of een server of router in je netwerk op of nabij capaciteit zit, en of dat overmatige capaciteitsgebruik normaal is voor een bepaalde situatie, zoals de drukste verwerkingstijd van de dag of een piek in activiteit door een e-commerce promotie.

In het gebied van applicatietesten, waar meerdere virtuele systemen worden opgestart voor testen maar na afloop vergeten kunnen worden, kan observability deze ongebruikte assets identificeren zodat ze gedeallocate kunnen worden.

In een hybride on-prem-cloud-omgeving kan AIOps-observability een applicatieontwikkelaar in real-time informeren als er ergens in de end-to-end applicatieworkflow een knelpunt zit dat de prestaties vertraagt.

Het resultaat: IT draait beter, applicaties worden sneller aan het bedrijf geleverd, en downtime wordt verminderd.

De staat van observability

Dat gezegd hebbende, AIOps-observability is nog in vroege stadia van implementatie in veel organisaties.

Eén uitdaging is dat niet alle IT-afdelingen precies begrijpen wat observability – een enigszins vaag begrip – betekent. Als observability in plaats daarvan begrepen zou worden als "geïnformeerde observatie" die gefaciliteerd wordt door AI en machine learning, zou de adoptie van de technologie sneller kunnen gaan en de waarde sneller ontgrendeld worden.

Als iemand die meer dan 20 jaar CIO is geweest, weet ik twee dingen:

Eerst, CIO's en IT haten downtime, wilde eendenjachten en het kalmeren van de emoties van gebruikers, klanten en management terwijl IT uitvogelt wat er misging in een complexe applicatie die veel systemen aanraakt.

Tweede, als we een einde kunnen maken aan die marathon "war room"-bijeenkomsten die in 2021 nog steeds voorkomen net zoals in 1981, zou vingerwijzen minder zijn en de morale van het personeel hoger. AIOps-observability zou iedereen betere uitrusting geven, van de DBA tot de applicatieontwikkelaar tot de systeemprogrammeur, met een actionable, enkele versie van de waarheid.