Ud over automatisering: Hvad AI ændrer i IT-drift

Reducering af støj i overvågning

Et af de områder, hvor vi har set en betydelig forbedring, er overvågning.

Store teknologimiljøer genererer et betydeligt antal alarmer, og ikke alle kræver samme opmærksomhedsniveau. Duplikerede alarmer, midlertidige anomalier og lavprioritetsbegivenheder kan skabe unødvendig støj, hvilket gør det sværere for teams at identificere problemer, der kan have en reel operationel indvirkning.

Ved at integrere AI-drevet anomali-detektion og støjundertrykkelse i vores overvågningsmiljø har vi opnået en 75 % reduktion i overvågningsstøj.

For teamet betyder det mindre tid på at håndtere unødvendige alarmer og mere tid på at undersøge de problemer, der kræver opmærksomhed. Det hjælper også med at identificere usædvanlige mønstre tidligere og giver ingeniører bedre information, når de begynder at undersøge en hændelse.

Dette er et område, hvor AI er særligt nyttigt, fordi det kan behandle store mængder information hurtigt. Men når noget usædvanligt er blevet identificeret, kræver forståelsen af årsagen og den potentielle indvirkning ofte stadig en person, der kender miljøet.

Forbedring af rutine‑IT‑drift

Vi bruger også automatisering til at håndtere rutine‑endpoint‑aktiviteter via en AI‑aktiveret Remote Monitoring and Management‑platform.

Dette omfatter områder som patch‑orchestrering, sundhedstjek, scriptet afhjælpning og fjernfejlfinding.

Tidligere lå patch‑overholdelse rutinemæssigt under 50 %, hovedsageligt på grund af den manuelle arbejdsbyrde og miljøets omfang. Med den AI‑understøttede RMM‑ramme på plads når overholdelsen nu 95. percentil.

Den forbedring har hjulpet os med at styrke endpoint‑stabiliteten og reducere eksponeringen for kendte sårbarheder, samtidig med at den reducerer mængden af gentagne opgaver, som ingeniører skal håndtere manuelt.

Det er et godt eksempel på, hvornår automatisering giver mening. Processen er forudsigelig; den skal ske konsekvent, og den skal fungere på tværs af tusindvis af endpoints.

Teknologien kan håndtere en stor del af denne aktivitet i baggrunden, mens teamet fokuserer på undtagelser, eskalering og problemer, der kræver dybere undersøgelse.

Hvor mennesker stadig gør en forskel

Ikke alle IT‑problemer følger et forudsigeligt mønster.

Vores teams arbejder på tværs af forskellige infrastrukturmiljøer, netværk, systemer og kundekrav. Et problem, der ved første øjekast virker enkelt, kan nogle gange involvere flere afhængigheder eller kræve koordinering mellem forskellige teams.

AI kan hjælpe med at identificere anomalier, analysere information og frembringe mulige årsager, men teamet skal stadig forstå, hvad der sker i et bredere miljø.

Det bliver særligt vigtigt, når et problem påvirker flere systemer, eller når den teknisk åbenbare løsning kan have konsekvenser andre steder.

Det er her erfaring betyder noget.

En ingeniør, der forstår miljøet, kan se ud over en enkelt alarm og overveje, hvad der er ændret, hvilke systemer der er forbundet, om lignende problemer har fundet sted før, og hvilken indvirkning en bestemt handling kan have på den bredere drift.

For os fungerer AI bedst, når det giver den ingeniør bedre information at arbejde med i stedet for at forsøge at fjerne dem fra processen helt.

Støtte til et høj‑efterspørgselsmiljø

Omfanget af miljøet betyder, at vi skal finde måder at øge kapaciteten på uden blot at øge den manuelle arbejdsbyrde.

Automatisering har hjulpet med dette.

Rutine‑endpoint‑aktiviteter kan ske konsekvent i baggrunden. Overvågningsværktøjer kan filtrere og konsolidere signaler, før de når ingeniørerne. Predictive capabilities kan hjælpe med at identificere potentielle problemer tidligere, mens automatiseret afhjælpning kan håndtere kendte problemer uden at vente på, at nogen griber ind manuelt.

Dette giver teamet mere kapacitet til at fokusere på servicekontinuitet, eskaleringer og mere komplekse tekniske problemer.

Det ændrer også måden, vi tænker på produktivitet i IT‑drift. Fordelen er ikke blot, at en opgave bliver færdiggjort hurtigere. Det er, at ingeniører får mere tid til arbejde, hvor deres erfaring kan have en større indflydelse.

Styring er stadig vigtigt

Efterhånden som AI og automatisering bliver mere kapable, bliver styring stadig vigtigere.

Der skal være klarhed omkring, hvilke aktiviteter der kan automatiseres, hvornår en ingeniør skal gribe ind, og hvem der er ansvarlig, når en automatiseret proces ikke opfører sig som forventet.

Dette er især vigtigt i store teknologimiljøer. En automatiseret handling, der anvendes på tværs af tusindvis af endpoints, kan have en langt større indvirkning end en handling på en enkelt maskine.

Af den grund har vi stadig brug for klare eskaleringsveje, definerede adgangsniveauer og passende kontrol omkring automatiseret aktivitet.

Denne tilgang er i overensstemmelse med National Institute of Standards and Technology’s AI Risk Management Framework, som understreger løbende overvågning af AI-systemer, klart definerede ansvarsområder og processer for menneskelig tilsyn og indgriben.

For os handler governance ikke om at bremse brugen af AI. Det handler om at sikre, at vi kan bruge den selvsikkert og ansvarligt i et levende driftsmiljø.

IT-ingeniørens rolle er i udvikling

Efterhånden som flere rutineopgaver automatiseres, ændrer ingeniørens rolle sig også.

Teknisk viden forbliver essentiel, men der er stigende værdi i at kunne fortolke information, forstå afhængigheder og undersøge problemer, der ikke har et indlysende svar.

Ingeniører skal også forstå de værktøjer, de arbejder med. Hvis et AI-drevet system anbefaler en handling, skal den ansvarlige have tilstrækkelig viden om miljøet til at vurdere, om anbefalingen giver mening.

Dette gør træning til en vigtig del af AI-implementeringen.

Vores teams skal forstå, hvad teknologien kan, hvor dens begrænsninger ligger, og hvornår noget skal eskaleres eller undersøges på en anden måde.

NIST anbefaler på samme måde klart at definere ansvarsområder for personer, der betjener og overvåger AI-systemer, sammen med passende træning og kompetencestandarder.

Hvad vi har lært indtil nu

Vores erfaring indtil nu har vist, at nogle af de mest nyttige anvendelser af AI i IT-drift er relativt praktiske.

Den 75 % reduktion i overvågningsstøj betyder, at ingeniører bruger mindre tid på at håndtere unødvendige alarmer. At flytte patch‑overholdelse fra under 50 % til 95‑percentilen har styrket konsistensen i endpoint‑styring. Automatisering på mere end 10.000 endpoints hjælper os med at håndtere et miljø, der ellers ville kræve en betydelig mængde gentagen manuel aktivitet.

Samtidig er de mere komplekse dele af IT-drift stadig stærkt afhængige af mennesker.

Teknologi kan identificere et usædvanligt mønster eller automatisere en kendt løsning. En erfaren ingeniør forstår det bredere miljø, de involverede afhængigheder og den potentielle indvirkning af den beslutning, der træffes.

Den balance bliver stadig vigtigere, efterhånden som AI bliver en del af den daglige IT-drift.

For mig er værdien af AI meget praktisk. Den hjælper os med at håndtere skala, giver vores teams bedre synlighed og fjerner noget af det gentagne arbejde, som kan tage tid væk fra vigtigere problemstillinger.

Teknologien bliver mere kapabel, men erfaringen fra de personer, der håndterer miljøet, er lige så vigtig.