 |
La inteligencia artificial para operaciones de TI ( AIOps ) es un término acuñado por Gartner en 2016 como una categoría de la industria para la tecnología de análisis de aprendizaje automático que mejora el análisis de operaciones de TI . [1] AIOps [2] es el acrónimo de "Operaciones de TI algorítmicas". [3] [4] [5] Tales tareas de operación incluyen automatización, monitoreo de desempeño y correlaciones de eventos, entre otras. [6] [7]
Hay dos aspectos principales de una plataforma AIOps: aprendizaje automático y big data . Para recopilar datos de observación y datos de participación que se pueden encontrar dentro de una plataforma de big data y que requieren un cambio lejos de los datos de TI segregados por secciones, se implementa una estrategia holística de aprendizaje automático y análisis contra los datos de TI combinados. [8]
El objetivo es permitir la transformación de TI, [9] recibir información continua que proporcione correcciones y mejoras continuas a través de la automatización. Esta es la razón por la que AIOps puede verse como CI / CD para las funciones básicas de TI. [10]
Dada la naturaleza inherente de las operaciones de TI que están estrechamente vinculadas a la implementación de la nube y la gestión de aplicaciones distribuidas, AIOps ha llevado cada vez más a la fusión del aprendizaje automático y la investigación en la nube . [11] [12]
Proceso
Los datos normalizados pueden procesarse a través de algoritmos de aprendizaje automático para reducir automáticamente el ruido e identificar la causa raíz probable de los incidentes. El principal resultado de dicha etapa es la detección de cualquier comportamiento anormal de los usuarios, dispositivos o aplicaciones.
La reducción de ruido se puede realizar mediante varios métodos, pero la mayoría de las investigaciones en el campo apuntan a estas tres acciones:
- Análisis de todas las alertas entrantes;
- Eliminar duplicados;
- Identificar los falsos positivos;
- Detección y análisis tempranos de anomalías, fallas y fallas (AFF). [13]
Detección de anomalías: otro paso en cualquier proceso AIOps se basa en el análisis del comportamiento pasado de usuarios, equipos y aplicaciones. Cualquier cosa que se desvíe de esa línea de base de comportamiento se considera inusual y se marca como anormal.
La determinación de la causa raíz se realiza normalmente pasando las alertas entrantes a través de algoritmos que tienen en cuenta los eventos correlacionados y las dependencias de la topología. Los algoritmos en los que la IA basa su funcionamiento se pueden influir directamente, esencialmente "entrenándolos". [14]
Utilice
Un uso muy importante de las plataformas AIOps está relacionado con el análisis de conjuntos de datos grandes y no conectados, como los datos de Johns Hopkins Covid-19 publicados a través de GitHub. [15] Los datos de este ejemplo se extraen de una gran cantidad de bases de datos no normalizadas: datos agregados (10 fuentes), datos regionales de EE. UU. (113 fuentes) y datos de fuera de EE. UU. (37 fuentes), que son inutilizables considerando la necesidad tiempo de respuesta ante emergencias por los modelos de análisis tradicionales.
En general, las principales áreas de uso de las plataformas y los principios de AOIps son [16]
- Automatización de tareas (DevOps)
- Plataformas de aprendizaje automático
- Realidad aumentada
- Simulaciones basadas en agentes
- IoT (Internet de las cosas)
- Hardware optimizado para IA
- Generación de lenguaje natural
- Plataformas de transmisión de datos
- Vehículos sin conductor
- BI y análisis conversacionales
Referencias
- ^ Jerry Bowles (28 de enero de 2020). "AIOps y garantía de servicio en la era de la transformación digital" . Diginomica.
- ^ "Operaciones de TI algorítmicas impulsa el negocio digital: Gartner - CXOtoday.com" . Cxotoday.com . Archivado desde el original el 28 de enero de 2018 . Consultado el 28 de enero de 2018 .
- ^ "Guía de mercado para plataformas AIOps" . Gartner . Consultado el 28 de enero de 2018 .
- ^ "Enfoque integral de la inteligencia artificial para la transformación de operaciones de TI" (PDF) . Deloitte . Consultado el 28 de enero de 2018 .
- ^ "ITOA a AIOps: la próxima generación de análisis de redes" . TechTarget . Consultado el 28 de enero de 2018 .
- ^ "Introducción a AIOps" . El registro . Consultado el 28 de enero de 2018 .
- ^ "AIOps - El tipo de 'AI' sin nada artificial - Dataconomy" . Dataconomy.com . Consultado el 28 de enero de 2018 .
- ^ "AIOps: gestión de la segunda ley de operaciones de TI - DevOps.com" . devops.com . 22 de septiembre de 2017 . Consultado el 24 de enero de 2018 .
- ^ "¿Qué es AIOps o inteligencia artificial para operaciones de TI? Top 10 casos de uso comunes de AIOps" .
- ^ Harris, Richard. "Explicando qué es AIOps y por qué es importante para los desarrolladores" . appdevelopermagazine.com . Consultado el 24 de enero de 2018 .
- ^ Masood, Adnan; Hashmi, Adnan (2019), Masood, Adnan; Hashmi, Adnan (eds.), "AIOps: Análisis predictivo y aprendizaje automático en operaciones", Recetas de computación cognitiva: Soluciones de inteligencia artificial que utilizan Microsoft Cognitive Services y TensorFlow , Apress, págs. 359–382, doi : 10.1007 / 978-1- 4842-4106-6_7 , ISBN 978-1-4842-4106-6
- ^ Duc, Thang Le; Leiva, Rafael García; Casari, Paolo; Östberg, Per-Olov (septiembre de 2019). "Métodos de aprendizaje automático para el aprovisionamiento confiable de recursos en la computación Edge-Cloud: una encuesta" . Computación ACM. Surv . 52 (5): 94: 1–94: 39. doi : 10.1145 / 3341145 . ISSN 0360-0300 .
- ^ WISC.edu - Conferencia internacional sobre informática orientada a servicios
- ^ Aprendizaje automático
- ^ Importación de datos de COVID-19 en Elasticsearch
- ^ UPC.edu - Las 10 principales tendencias de inteligencia artificial en 2019
