NASA's Blauwdruk: Technologie, Cultuur en Data Integreren voor AIOps-succes

Organisaties als NASA delen hun ervaringen met AI en AIOps met partijen die net beginnen.

Organisaties die geïnteresseerd zijn in het implementeren van AIOps, hebben het voordeel dat ze kunnen leren van de adviezen van anderen die al stappen hebben gezet in het gebruik van kunstmatige intelligentie in hun operaties en DevOps-groepen.

Één van die innovators die advies deelt, is NASA. De ruimtevaartorganisatie benadrukte recentelijk het belang van een holistische aanpak bij het uitrollen van AI voor zakelijke toepassingen zoals financiën en inkoop, met name in een AIOps-omgeving.

Tijdens een presentatie voor de AI-operatiesgroep ATARC, noemden de leiders van NASA's datawetenschappengroep de drie sleutellementen die een AIOps-initiatief nodig heeft. Technologie is de meest voor de hand liggende, maar organisaties moeten hun data ook voorbereiden om ervoor te zorgen dat deze klaar is voor AI. Even belangrijk is een cultuurverandering op ondernemingsniveau, waarbij mensen accepteren dat data beslissingen moet helpen vormgeven.

Waarom naar NASA luisteren? Misschien wel omdat ze eerlijk kunnen zeggen: "Ja, we zijn raketwetenschappers."

"Het deel waar het algoritme draait, is erg klein. De data zit zelden in een vorm waarop je het echt kunt gebruiken. Mensen hebben hun eigen werkwijzen; er is dit probleem dat ze een nieuw hulpmiddel of set hulpmiddelen moeten leren en begrijpen hoe het echt werkt. Mensen hebben verschillende concepties van wat AI voor hen kan doen," aldus Nikunj Oza, leidend data scientist bij NASA, volgens een verslag van Government CIO Media.

Hij voegde toe: "Data is niet [automatisch] klaar voor AI, dus je kunt een AIOps-project starten en het komt tot een piekstille standstilte omdat de andere delen van je systeem er niet klaar voor zijn."

AIOps-advies

Shenandoah Speers, associate CIO voor applicaties bij NASA, vertelde het ATARC-publiek dat de digitale transformatie van de organisatie gaande is, maar nog volwassen moet worden. "We zien een grote instroom van data, en hoe die data te verteren en zakelijke en missiebeslissingen erop te baseren."

Oza besprak ook enkele misverstanden rondom AI en machine learning, waaronder de interne vrees dat AI banen van mensen zou stelen.

Een webinar-sprekers van het Amerikaanse Joint Artificial Intelligence Center (JAIC) van het ministerie van Defensie besprak eveneens de uitdaging van datakwaliteit. "Er zijn problemen met labelkwaliteit, datakwaliteit," zei Yevgeniya Pinelis, chef test en evaluatie van AI/machine learning bij JAIC. "Er zijn infrastructuurkwesties, natuurlijk. … Om echt betrouwbare AI-systemen te bouwen, hebben we dat ecosysteem en alle 'pijpleidingen' op hun plaats nodig."

Ze voegde toe dat cultuur een factor is vanwege de noodzaak om teams Agile en DevSecOps te laten omarmen. "Als je gebruiker en tester vroegtijdig betrokken zijn, dan krijg je dat Agile-proces en voorkom je rampen aan het eind. Dat is een grote cultuurverandering waar we doorheen gaan. We hebben veel geluk gehad in gezamenlijke logistiek — die zijn meestal AI-problemen die goed afgebakend zijn, hoewel dataklaarheid altijd een kwestie blijft."

Naarmate meer bedrijven ervaring opdoen met AIOps en observabiliteit, groeien de kansen voor organisaties die net beginnen om AIOps-advies in te winnen van de pioniers.