Umělé inteligence pro IT? Ne bez viditelnosti nejdříve

Dnes již umělá inteligence není omezena pouze na výzkumné a vývojové oddělení nebo experimentální laboratoře. Dochází k jejímu rozšíření napříč podnikovými IT systémy, automatizuje help desky, detekuje anomálie v síťovém provozu a optimalizuje výkon aplikací. Podle společnosti McKinsey 72 % společností již využívá umělou inteligenci alespoň v jedné funkci, a přesto většina z nich stále spoléhá na zastaralé, neúplné asset inventáře. Tento rychlý rozvoj odráží jak slib umělých inteligencí, tak tlak, kterýmu čelí IT lídři, aby modernizovali co nejrychleji.

Ale uprostřed závodů o začlenění umělých inteligencí do infrastruktury existuje základní chyba, která je často přehlížena: viditelnost. Konkrétně, její absence.

Než mohou být umělá inteligence skutečně užitečná v IT operacích, ať už se jedná o identifikaci bezpečnostní hrozby nebo automatické škálování zdrojů, potřebuje spolehlivý přehled o tom, s čím pracuje. A příliš často je data, na kterých umělá inteligence závisí, postavena na neúplných, nepřesných nebo zastaralých asset inventářích. Je to jako programovat samořízené auto bez funkčního GPS. Motor může být silný, ale neví, kde je nebo co je na silnici.

Toto je další úzké místo v podnikové umělá inteligence.

Proč závisí observabilita umělých inteligencí na přesných asset datech

Umělá inteligence prosperuje na datech, ale ne na jakékoli datech. Potřebuje včasné, strukturované a důvěryhodné údaje, které odrážejí aktuální podmínky. V kontextu IT začíná toto porozumění tím, co je v prostředí: zařízení, koncové body, úlohy, uživatelé, cloud instance, stínová IT a další.

Problém je, že většina organizací létá naslepo. Asset management nástroje z před deseti lety nebyly navrženy pro dnešní hybridní, dynamické prostředí. A novější řešení často závisí na API nebo integračních rozhraních, která nedosahují dostatečně hluboko. Výsledkem je asset inventář, který je v nejlepším případě částečný, v nejhorším případě zavádějící.

Když jsou modely umělých inteligencí trénovány nebo nasazovány v tomto typu slepé skvrny, důsledky se rychle sčítají:

• Bezpečnostní nástroje přehlížejí zranitelná zařízení, protože nebyla původně katalogizována.
• Informace o výkonu jsou zkresleny fantomovými stroji nebo nespravovanými koncovými body.
• Automatizační skripty selhávají, když se pokusí jednat na zdroje, které již neexistují – nebo existují v duplikátu.

Stručně řečeno, data, která by měla vést k chytřejším rozhodnutím, nakonec zavádějí více nejistoty. Umělá inteligence nemůže vytvářet hodnotu, pokud jedná na základě fragmentované mapy prostředí.

Viditelnostní výzvy v hybridním, decentralizovaném světě

Viditelnostní výzva není pouze výsledkem zanedbání. Je to vedlejší produkt toho, jak se IT vyvinulo. Dnešní prostředí zahrnuje fyzické stroje, virtualizované úlohy, více cloudových platforem, SaaS aplikace, vzdálené koncové body, edge zařízení a kontejnery. Některé assety se spustí a zmizí během několika minut. Jiné existují v těžko dostupných rozích zastaralé infrastruktury. Odpovědnost za ně může být rozdělena mezi vnitřní týmy, dodavatele a třetí strany.

Tato situace je dále komplikována tím, že podniky se pohybují rychle. Akvizice, nové nástroje a rozhodnutí IT oddělení všech přispívají k rozšiřujícímu se krajinnému prostředí, které se mění denně.

Pokusit se složit viditelnost napříč vším tímto je ohromující. Mnohé společnosti se uchylují k tabulkám, zastaralým CMDB nebo dodavatelsky specifickým nástrojům pro objevování, které spolu nekomunikují. Výsledkem je tisíce neznámých, nespravovaných nebo sirotčích assetů, z nichž každý představuje potenciální bod selhání.

A to je pouze na straně inventáře. Existuje také otázka kontextu. Nestačí vědět, že zařízení existuje; je třeba vědět, co dělá, kdo ho používá, jak se připojuje k jiným assetům a zda je zdravé. Bez toho se umělá inteligence stává tupým nástrojem – detekuje anomálie, ale neví, co je normální, zaznamenává změny, ale neví, zda mají význam.

Příprava infrastruktury pro umělou inteligenci

Pokud má umělá inteligence splnit svůj slib v IT, ať už se jedná o observabilitu, automatizaci nebo kybernetickou bezpečnost, podniky potřebují začít s obnoveným zaměřením na viditelnost. To znamená, že asset inteligence musí být základním kamenem, ne volitelným. Zde je to, co to vyžaduje:

Zacházejte s objevováním assetů jako s kontinuálním procesem: Tradiční nástroje pro objevování fungují na základě naplánovaných skenů. To již nestačí. Prostředí jsou fluidní. Assety mohou být spuštěny vývojáři, přesunuty mezi cloudovými poskytovateli nebo změnit IP adresy bez upozornění. Skutečný nebo téměř skutečný čas by měl být základní linií.

Sjednoťte datové zdroje, aby se eliminovaly slepé skvrny: Spoléhat se pouze na jeden zdroj, jako je agent nebo cloudové API, nedává úplný obraz. Viditelnost musí kombinovat více metod: pasivní poslouchání, API integrace, log analýza, koncová telemetrie a síťový provoz. Každá z nich poskytuje jiný kus puzzle.

Vytvořte kontext, ne pouze počty: Objevování je první krok, ale obohacování je tam, kde真正 začíná skutečná přehlednost. To znamená mapovat assety na jejich obchodní funkce, vlastníky, závislosti a fáze životního cyklu. Umělá inteligence potřebuje kontext, aby rozlišila mezi kritickým produkčním serverem a testovacím virtuálním strojem.

Eliminujte sirotčí a nespravované assety: Není neobvyklé najít prostředí s stovkami nebo tisíci assetů, za které žádná skupina nemá odpovědnost. Tyto assety představují jak provozní, tak bezpečnostní rizika. Přivedení jich pod správu nebo jejich kompletní vyřazení by mělo být nejvyšší prioritou.

Zacházejte s viditelností jako s strategickým umožňujícím faktorem: Asset inteligence není pouze o IT hygieně. Je to základ pro téměř vše ostatní: chytřejší automatizaci, lepší detekci hrozeb, efektivnější výdaje a ano, důvěryhodnou umělou inteligenci. Bez ní je každý následný přehled kompromitován.

Slepá skvrna, kterou si nemůžete dovolit

Umělá inteligence v IT není magie. Je to rozpoznávání vzorců, automatizace a uvažování postavené na datech. Ale když jsou tato data kompromitována na počátku špatnou viditelností, rozbitými inventáři nebo assety bez kontextu, umělá inteligence se stává pouze další vrstvou hádání.

Nedovolíme pilotům létat bez přístrojů. A přece to je to, co mnohé organizace dnes žádají od svých systémů umělých inteligencí, očekávajíce inteligentní výstupy z neviditelné infrastruktury. Budoucnost IT bude bezpochyby více autonomní, prediktivní a umělou inteligencí asistovaná. Ale tato budoucnost je možná pouze tehdy, pokud začneme osvětlit krajinu, kterou žádáme umělou inteligenci prozkoumat. Předtím, než můžeme automatizovat, musíme vidět. Předtím, než můžeme předpovídat, musíme rozumět. A předtím, než můžeme důvěřovat umělým inteligencím, aby spravovaly naši infrastrukturu, musíme tuto infrastrukturu učinit viditelnou.

Cokoliv jiného je prostě létat naslepo.