Cos'è AIOps?

AIOps è un'intelligenza artificiale dedicata alle operazioni IT. È sia un approccio alternativo alle operazioni IT che un vero e proprio sistema software integrato che utilizza data science per migliorare i processi di problem solving e le risoluzioni manuali. AIOps combina big data e intelligenza artificiale o apprendimento automatico per migliorare (o in parte sostituire) numerosi processi e attività relativi alle operazioni IT.

Perché l'intelligenza artificiale che costituisce AIOps entri in funzione è necessario un contenuto su cui lavorare: i dati operativi, ossia informazioni come uptime, downtime, modalità di utilizzo, traffico di rete, registri delle applicazioni, errori, tentativi di autenticazione e avvisi firewall, oltre ai dati storici. Una volta raccolti i dati, il compito più difficile è organizzarli e snellirli, non tanto incorporare gli algoritmi e i modelli di apprendimento.

Dopo aver stabilito quali sono i dati necessari, la fase che segue è scegliere gli obiettivi e gli indicatori di livello di servizio, identificando lo stato operativo tramite metriche misurabili, che diventeranno la base del sistema AIOps. Molte piattaforme aziendali vengono fornite insieme a (o possono connettersi a) componenti di osservazione operativi: Red Hat® OpenShift® include Red Hat OpenShift Observability, Red Hat Enterprise Linux® usa invece Red Hat Satellite, mentre Red Hat Ansible® Automation Platform si avvale di Prometheus e di Grafana.

Stabilito lo stato operativo, è possibile applicare l'intelligenza artificiale e il processo è molto semplice. 

• Scegli IBM watsonx Code Assistant (incluso con Ansible® Automation Platform tramite Ansible Lightspeed con IBM watsonx Code Assistant) e il parco di soluzioni di elaborazione quantistiche di IBM, disponibile as-a-service per tutti i set di dati.
• Prova ChatGPT di OpenAI, un sistema di intelligenza artificiale generativa che utilizza un'interfaccia di programmazione delle applicazioni (API). 
• Approfitta di Natural Language AI di Google come servizio cloud. 

Con questa scelta, non stupisce che termini come elaborazione del linguaggio naturale (NLP), artificial intelligence (AI), machine learning (ML) e deep learning (DL) siano entrati a far parte del nostro lessico comune.

Vantaggi

• Velocità di risoluzione: AIOps riduce il downtime rilevato e, reagendo ai problemi nel momento in cui si presentano, riduce il tempo medio necessario per la risoluzione.
• Sistema di correzione automatica: un'infrastruttura che applica automaticamente le correzioni per migliorare notevolmente prestazioni e uptime. 
• Big data: AIOps impiega i big data per ridurli, analizzarli e applicare gli interventi necessari.
• Efficienza e scalabilità: l'efficienza dello staff aumenta grazie alle informazioni provenienti da modelli di intelligenza artificiale che consentono di identificare le azioni da intraprendere e aumentare la portata del rilevamento.
• Innovazione: non dovendosi più occupare di processi ripetitivi, i team IT possono sviluppare e distribuire progetti più strategici e rilevanti.
• Semplificazione: AIOps semplifica molte attività ripetitive di gestione dei servizi IT.
• Correlazione fra dati e processi decisionali in tempo reale: quando AIOps include un motore di automazione, può generare decisioni automaticamente in base ai dati, riducendo l'intervento umano e gli errori e minimizzando le interferenze.
• Correlazione fra big data e previsioni: AIOps analizza automaticamente ogni possibile permutazione, a un livello impossibile da raggiungere manualmente.

Sfide

• Esperienza: poiché è necessaria una vasta esperienza nel settore data science, anche muovere i primi passi in tale ambito non è semplice.
• Infrastruttura: senza piattaforme e capacità standardizzate (come quelle offerte da Red Hat OpenShift e Ansible Automation Platform), adattare AIOps alla propria infrastruttura specifica può presentare delle difficoltà.
• Time to value: i sistemi AIOps sono talvolta difficili da progettare, integrare, distribuire e gestire, quindi ottenere una qualsiasi forma di ROI può richiedere tempo.
• Dati: valori quali quantità, qualità e coerenza dei dati prodotti dalle moderne operazioni IT possono essere complessi da analizzare e i risultati delle operazioni AIOps sono strettamente legati alla qualità delle sorgenti di tali dati.
• Accordi collettivi: stabilire lo stato di partenza dei sistemi e impostare obiettivi operativi standard richiede un'adozione comune delle parti coinvolte, consenso che può essere difficile da ottenere.
• Ambito: considerati i numerosi fattori di cui tenere conto, anche solo iniziare il processo di adozione può risultare complicato. L'ambiente può essere semplicemente troppo dinamico per stabilirne una configurazione di base.
• Frequenza di errore: i progetti di IA hanno un'altissima frequenza di errore. In un'analisi di IDC sull'infrastruttura di artificial intelligence solo il 31% degli intervistati utilizza l'AI in produzione, ma solo un terzo di questa percentuale ne riconosce i benefici a livello di organizzazione.

Sono svariati gli scenari di utilizzo in cui utilizzare AIOps e diversi i vantaggi che i professionisti ne traggono.

• Chi si occupa di applicazioni e site reliability engineering (SRE) può definire i 4 aspetti chiave su cui può agire l'IA: latenza, frequenza di errore, traffico e saturazione.
• Gli sviluppatori possono utilizzare i dati ottenuti tramite AIOps per eseguire le proprie analisi della root cause (RCA), oppure lasciare che il motore si occupi di queste indagini senza alcun intervento umano.
• I proprietari possono utilizzare AIOps per controllare gli stessi aspetti indicati in ambito SRE e comprendere le performance delle applicazioni dal punto di vista dell'utente finale.
• Gli operatori dell'infrastruttura possono usare AIOps per monitorare ambienti IT di cloud ibrido, multicloud e basati su microservizi, che siano costituiti da poche decine di macchine virtuali (VM), come da migliaia di cluster, e semplificare le attività di manutenzione.

Ciascuno degli scenari di utilizzo elencati dimostra come AIOps supporti i team nel rilevamento e nella risposta a potenziali problemi; tuttavia, non ci troviamo a un punto in cui i sistemi AIOps possano sostituire amministratori di sistema IT esperti e altri membri dei team operativi. Quella di AIOps, come tante altre rivoluzioni IT, agevola sensibilmente il ruolo degli esperti consentendo loro di delegare alle macchine le mansioni meno allettanti.

Lungi dall'essere sostituiti, i data scientist e gli ingegneri DevOps dovrebbero quindi sfruttare i vantaggi di questa imminente trasformazione IT per ampliare le proprie competenze.

• Il monitoraggio delle performance delle applicazioni (APM) diventerà sempre più fondamentale, perché le aziende cercheranno candidati con esperienza in questo ambito.
• Le competenze nell'automazione rivestiranno un ruolo sempre più importante per comprendere, incorporare o scrivere gli script alla base dell'intelligenza artificiale, così come la capacità di rendere una correlazione tra eventi e un sistema di avviso, in un motore in grado di eseguire azioni in autonomia. 
• Se hai già competenze in questo ambito, puoi provare (in sicurezza) a utilizzare l'IA per la gestione delle reti (ad esempio con SD-WAN, Wi-Fi e così via).

L'approccio DevOps si basa su piccoli miglioramenti incrementali, che vengono costantemente introdotti durante l'intero ciclo di vita dell'applicazione, causando potenzialmente tempi di fermo. AIOps interviene in questo contesto per sopperire allo svantaggio del downtime, aggiungendo la data science ai processi di sviluppo e operativi. 

AIOps non sostituisce DevOps, ma ne rappresenta la naturale evoluzione: è un ulteriore passaggio nel ciclo di vita della trasformazione digitale. AIOps e DevOps condividono le stesse responsabilità, la prima semplicemente arricchisce l'intelligenza umana con un cervello meccanico. 

Sebbene la distinzione tra questi due approcci non sia sempre così netta, AIOps si integra perfettamente nelle diverse fasi delle procedure DevOps:

• Da un lato, AIOps consuma enormi quantità di dati sull'infrastruttura e avvisa gli ingegneri DevOps di problemi dell'ambiente di sviluppo integrato (IDE) sottostanti (o semplicemente li risolve). 
• Dall'altro, AIOps risolve automaticamente i problemi IT ridondanti in produzione, apprendendo al contempo come risolvere nuovi bug introdotti con ogni nuova release incrementale. 

Come nel caso di DevOps, non esiste uno strumento, una piattaforma o un prodotto AIOps universale. Gli strumenti impiegati per approfittare delle funzionalità DevOps e AIOps sono tanti quanti l'insieme di tecnologie (hardware e software) che costituiscono un sistema IT. Proprio per questo ciascuna soluzione AIOps realizzata deve essere integrata, analizzata e provata rispetto a qualsiasi elemento che contraddistingue ogni specifico ambiente di sviluppo e produzione.

Il modello AIOps è ben radicato nell'ambito open source, sia a livello di progetti upstream, che all'interno di molte community. Sebbene nessun singolo prodotto rappresenti una soluzione AIOps completa, esistono molti progetti di automazione, intelligenza artificiale, operativi e di sviluppo open source che possono essere impiegati come parte di una strategia di questo tipo. Anzi, molti progetti open source sono stati espressamente sviluppati per fornire soluzioni AIOps a specifici problemi AIOps.

Le aziende stanno distribuendo codici sorgenti AI di downstream come progetti upstream:

• Meta, il più grande insieme di social media, ha introdotto Llama 2, un enorme modello di linguaggio open source.
• Red Hat è impegnata affinché l'iniziativa open source Project Thoth porti al consolidamento di prodotti di livello enterprise, così come è stato per il Project Wisdom, che ha condotto ad Ansible Lightspeed di Ansible Automation Platform, con il componente IBM watsonx Code Assistant.
• Red Hat collabora inoltre ad altri progetti AIOps di altre organizzazioni, come il progetto Artificial Intelligence Center of Excellence’s (AICoE) AIOps.

La piattaforma di automazione Red Hat coniugata alle funzionalità AI dei suoi partner sono il punto di partenza ideale per realizzare una soluzione AIOps su misura, che associ le capacità di osservabilità dell'IA all'architettura guidata dagli eventi del motore di automazione. 

Con Event-Driven Ansible puoi mettere subito a frutto i risultati della tua ricerca sull'IA. Associa la piattaforma di automazione Red Hat a uno qualsiasi dei motori di intelligenza artificiale dei suoi partner (come quello offerto da Dynatrace e altri moderni strumenti di osservabilità) e usa Ansible Lightspeed con IBM watsonx Code Assistant per supportare sviluppatori e team operativi, a prescindere dal livello di preparazione, nella scrittura di codice sintatticamente corretto, grazie ai suggerimenti generati dall'IA.