الذكاء الاصطناعي لتقنية المعلومات؟ لا بدون رؤية أولا

اليوم، لم يعد الذكاء الاصطناعي مقصورًا على أقسام البحث والتطوير أو مختبرات التجارب. إنه يظهر عبر مكدس تقنية المعلومات للشركات، تأتمتة مكاتب المساعدة، وكشف الشذوذ في حركة المرور الشبكية، وتحسين أداء التطبيقات. وفقًا لمكينزي، 72% من الشركات تستخدم الذكاء الاصطناعي في وظيفة واحدة على الأقل، ومع ذلك، لا تزال معظم الشركات تعتمد على مخزونات أصول قديمة وغير مكتملة. يعكس هذا التحول السريع وعد الذكاء الاصطناعي والضغط الذي يتعرض له قادة تقنية المعلومات لتحديث أنظمتهم بسرعة.

لكن في سباق دمج الذكاء الاصطناعي في البنية التحتية، هناك خلل أساسي غالبًا ما يُغفل: الرؤية. تحديدًا، نقصها.

قبل أن يتمكن الذكاء الاصطناعي من أن يكون مفيدًا حقًا في عمليات تقنية المعلومات، سواء كان ذلك من خلال تحديد تهديد أمني أو توفير الموارد تلقائيًا، فإنه يحتاج إلى فهم موثوق به لما يعمل عليه. ومع ذلك، في كثير من الأحيان، يتم بناء البيانات التي يعتمد عليها الذكاء الاصطناعي على مخزونات أصول غير مكتملة أو غير دقيقة أو قديمة. إنه مثل محاولة برمجة سيارة ذاتية بدون نظام ملاحة يعمل. قد يكون المحرك قويًا، لكنه لا يعرف أين هو أو ماذا هناك على الطريق.

هذا هو الحاجز التالي في الذكاء الاصطناعي للشركات.

لماذا يعتمد مراقبة الذكاء الاصطناعي على بيانات الأصول الدقيقة

الذكاء الاصطناعي يزدهر على البيانات، ولكن ليس أي بيانات. إنه يحتاج إلى بيانات موثوقة وموظفة وذات صلة بالوقت. في سياق تقنية المعلومات، يبدأ ذلك بفهم ما يوجد في البيئة: الأجهزة، والنقاط النهائية، ووحدات العمل، والمستخدمين، ومثيلات السحابة، وتكنولوجيا المعلومات المظللة، والمزيد.

المشكلة هي أن معظم المنظمات تطير في الظلام. أدوات إدارة الأصول من عقد من الزمان لم تكن مصممة للبيئات الهجينة والديناميكية اليوم. وأدوات جديدة غالبًا ما تعتمد على واجهات برمجة التطبيقات أو التكاملات التي لا تصل إلى عمق كافٍ. ما ينتج عنه هو مخزون أصول部分ي على الأفضل، ومضلل في الأسوأ.

عندما يتم تدريب أو نشر نماذج الذكاء الاصطناعي في هذا النوع من النقاط العمياء، تتراكم العواقب بسرعة:

• تفتقد أدوات الأمان إلى أجهزة قابلة للنقص لأنها لم يتم تسجيلها في المقام الأول.
• تكون رؤى الأداء مشوهة بسبب أجهزة شبحية أو نقاط نهائية غير مدارة.
• تفشل سكريبتات التأتمتة عندما تحاول التفاعل مع الموارد التي لم تعد موجودة – أو موجودة بشكل مكرر.

باختصار، البيانات التي من المفترض أن تدفع اتخاذ قرارات أكثر ذكاءً تنتهي بهم إلى إضافة المزيد من عدم اليقين. لا يمكن للذكاء الاصطناعي إنشاء قيمة إذا كان يتصرف بناءً على خريطة مجزئة للبيئة.

تحديات الرؤية في عالم هجين وموزع

تحدي الرؤية ليس نتيجة لإهمال. إنه نتيجة لطريقة تطور تقنية المعلومات. اليوم، تمتد البيئات لتشمل أجهزة مادية، ووحدات عمل معادلة، ومنصات سحابة متعددة، وتطبيقات سحابية، ونقاط نهائية عن بُعد، وأجهزة حافة، ومحاوس. بعض الأصول تظهر وتختفي في دقائق. توجد أصول أخرى في زوايا صعبة الوصول من البنية التحتية للتراث. قد يتم تقسيم المسؤولية عنها بين فرق داخلية، ومقاولين، ومزودي خدمات خارجية.

تضيف حركة الشركات سريعًا تعقيدات إضافية. تساهم الاستحواذات وأدوات جديدة وقرارات تقنية المعلومات الإدارية في توسيع المناظر التي تتغير يوميًا.

محاولة تجميع الرؤية عبر كل ذلك أمر مخيف. يلجأ العديد من الشركات إلى جداول البيانات، أو قواعد البيانات التقليدية، أو أدوات اكتشاف خاصة بالبائع التي لا تتكلم مع بعضها البعض. النتيجة؟ آلاف الأصول غير معروفة أو غير مدارة أو غير مألوفة، كل منها نقطة فشل محتملة.

وهناك أيضًا مشكلة السياق. لا يكفي معرفة وجود جهاز؛ عليك معرفة ماذا يفعل، من يستخدمه، كيف يرتبط بأصول أخرى، وهل هو سليم. بدون ذلك، يصبح الذكاء الاصطناعي أداة غبية – يكتشف الشذوذ ولكن لا يعرف ما هو العادي، يكتشف التغييرات ولكن لا يعرف ما إذا كانت مهمة.

جعل البنية التحتية جاهزة للذكاء الاصطناعي

إذا كان الذكاء الاصطناعي سيلفي بوعده في تقنية المعلومات، سواء كان ذلك من أجل الرصد أو التأتمتة أو الأمن السيبراني، فيجب على الشركات أن تبدأ بتركيز جديد على الرؤية. هذا يعني جعل استخبارات الأصول أساسيًا، وليس اختياريًا.这里 ما هو مطلوب:

عامل اكتشاف الأصول كعملية مستمرة: أدوات الاكتشاف التقليدية تعمل على مسح مجدول. هذا ليس كافياً بعد الآن. البيئات سائلة. يمكن للمطورين تشغيل الأصول، أو انتقالها عبر مزودي السحابة، أو تغيير عناوين بروتوكول الإنترنت دون إشعار. يجب أن يكون الاكتشاف في الوقت الفعلي أو قريب من الوقت الفعلي هو المعيار.

دمج مصادر البيانات لتلافي النقاط العمياء: الاعتماد على تغذية واحدة، مثل وظيفة أو واجهة برمجة تطبيقات السحابة، لن يعطي صورة كاملة. يجب أن تجمع الرؤية أساليب متعددة: الاستماع السلبي، وتكامل واجهة برمجة التطبيقات، وتحليل السجلات، وتелеметريات النقاط النهائية، وحركة المرور الشبكية. كل ذلك يوفر قطعة مختلفة من اللغز.

بناء السياق، وليس فقط العد: الاكتشاف هو الخطوة الأولى، ولكن التنقيح هو حيث يبدأ الفهم الحقيقي. هذا يعني رسم خريطة الأصول إلى وظائفها التجارية، وأصحابها، واعتمادياتها، ومراحل دورة حياتها. يحتاج الذكاء الاصطناعي إلى السياق لتمييز الخادم الإنتاجي الحرج عن جهاز افتراضي للاختبار.

إزالة الأصول غير المدارة والمهجورة: ليس من غير المألوف العثور على بيئات تحتوي على مئات أو آلاف الأصول التي لا يطالب بها أي فريق. هذه الأصول تخلق مخاطر تشغيلية وأمنية. يجب أن يكون جلبها تحت الإدارة، أو إيقاف تشغيلها تمامًا، أولوية قصوى.

عامل الرؤية كممكن استراتيجي: استخبارات الأصول ليست فقط مسألة صحة تقنية المعلومات. إنها أساس كل شيء آخر: تأتمتة أكثر ذكاء، وكشف تهديدات أفضل، وإنفاق أكثر كفاءة، ونعم، ذكاء اصطناعي موثوق. بدونها، كل رؤية لاحقة معيبة.

النقطة العمياء التي لا يمكنك تحملها

الذكاء الاصطناعي في تقنية المعلومات ليس سحرًا. إنه التعرف على الأنماط، والتأتمتة، والاستدلال بناءً على البيانات. لكن عندما تكون البيانات معيبة في المصدر بسبب الرؤية الضعيفة، ومخزونات الأصول غير مكتملة، أو أصول غير محتوية، يصبح الذكاء الاصطناعي مجرد層 من Layers التخمين.

لا نسمح للطيارين بالطيران بدون أدوات الملاحة. ومع ذلك، هذا ما تطلبه العديد من المنظمات من أنظمة الذكاء الاصطناعي اليوم، متوقعين مخرجات ذكية من بنية تحتية غير مرئية. مستقبل تقنية المعلومات سيكون بالتأكيد أكثر استقلالية، وتقديرية، ومساعدة بالذكاء الاصطناعي. لكن ذلك المستقبل ممكن فقط إذا بدأنا bằng إضاءة المناظر التي نسأل الذكاء الاصطناعي التنقل فيها. قبل أن نتمكن من التأتمتة، يجب أن نرى. قبل أن نتوقع، يجب أن نفهم. وقبل أن نثق بالذكاء الاصطناعي لإدارة بنيتنا التحتية، يجب أن نجعل تلك البنية التحتية مرئية.

أي شيء آخر هو مجرد طيران في الظلام.