Το AI για IT; Όχι Χωρίς Ορατότητα Πρώτα

Σήμερα, η τεχνητή νοημοσύνη δεν περιορίζεται πλέον στα τμήματα έρευνας και ανάπτυξης ή στα πειραματικά εργαστήρια. Εμφανίζεται σε ολόκληρους στακ IT επιχειρήσεων, αυτόματη βοήθεια, ανίχνευση ανωμαλιών στη κυκλοφορία δικτύου και βελτιστοποίηση της απόδοσης εφαρμογών. Σύμφωνα με τη McKinsey, 72% των εταιρειών χρησιμοποιούν πλέον τη τεχνητή νοημοσύνη σε τουλάχιστον μία λειτουργία, ωστόσο, οι περισσότερες εξακολουθούν να βασίζονται σε παλαιές, ελλιπείς απογραφές περιουσιακών στοιχείων. Αυτή η ταχεία υιοθέτηση αντικατοπτρίζει τόσο την υπόσχεση της τεχνητής νοημοσύνης όσο και την πίεση που ασκούν οι ηγέτες των IT για ταχεία αναβάθμιση.

Αλλά στη διάρκεια του αγώνα για την ενσωμάτωση της τεχνητής νοημοσύνης στην υποδομή, υπάρχει ένα θεμελιώδες λάθος που συχνά παραβλέπεται: η ορατότητα. Συγκεκριμένα, η έλλειψη αυτής.

Πριν η τεχνητή νοημοσύνη μπορεί να είναι πραγματικά χρήσιμη στις επιχειρήσεις IT, είτε για την αναγνώριση μιας απειλής ασφαλείας είτε για την αυτόματη κλιμάκωση των πόρων, χρειάζεται μια αξιόπιστη κατανόηση του τι δουλεύει. Και συχνά, τα δεδομένα που εξαρτάται η τεχνητή νοημοσύνη είναι χτισμένα πάνω σε ελλιπείς, ανακριβείς ή παλαιές απογραφές περιουσιακών στοιχείων. Είναι σαν να προσπαθείς να προγραμματίσεις ένα αυτονομικό όχημα χωρίς einen λειτουργικό GPS. Ο κινητήρας μπορεί να είναι ισχυρός, αλλά δεν ξέρει πού είναι ή τι υπάρχει στο δρόμο.

Αυτή είναι η επόμενη σφραγίδα στις επιχειρήσεις της τεχνητής νοημοσύνης.

Γιατί η Παρατηρησιμότητα της Τεχνητής Νοημοσύνης Εξαρτάται από τις Ακρίβεις Δεδομένα Περιουσιακών Στοιχείων

Η τεχνητή νοημοσύνη ευδοκιμεί στα δεδομένα, αλλά όχι στα οποιαδήποτε δεδομένα. Χρειάζεται δεδομένα που είναι έγκαιρα, δομημένα και αξιόπιστα και που αντανακλούν τις τρέχουσες συνθήκες. Σε ένα περιβάλλον IT, αυτό ξεκινά με την κατανόηση του τι υπάρχει στο περιβάλλον: συσκευές, τελικοί σημεία, φορτίσεις εργασίας, χρήστες, παρουσίες cloud, σκιώδης IT και άλλα.

Το πρόβλημα είναι ότι οι περισσότερες οργανώσεις πετάνε τυφλά. Τα εργαλεία διαχείρισης περιουσιακών στοιχείων από μια δεκαετία πριν δεν σχεδιάστηκαν για τα σημερινά υβριδικά, δυναμικά περιβάλλοντα. Και οι νέες λύσεις συχνά εξαρτώνται από APIs ή ενσωματώσεις που δεν φτάνουν αρκετά βαθιά. Το αποτέλεσμα είναι μια απογραφή περιουσιακών στοιχείων που είναι τουλάχιστον μερική, ελλιπής στη χειρότερη.

Όταν τα μοντέλα της τεχνητής νοημοσύνης εκπαιδεύονται ή αναπτύσσονται σε αυτό το είδος τυφλού σημείου, οι συνέπειες πολλαπλασιάζονται γρήγορα:

• Τα εργαλεία ασφαλείας παραλείπουν ευάλωτες συσκευές επειδή δεν καταγράφηκαν αρχικά.
• Οι πληροφορίες απόδοσης είναι歪μένες από φαντάσματα ή μη διαχειριζόμενες τελικές σημείες.
• Τα σενάρια αυτοματοποίησης αποτυγχάνουν όταν προσπαθούν να ενεργήσουν σε πόρους που δεν υπάρχουν πλέον ή υπάρχουν σε διπλοποίηση.

Συντομότερα, τα δεδομένα που υποτίθεται ότι οδηγούν σε έξυπνες αποφάσεις τελικά εισάγουν περισσότερη αβεβαιότητα. Η τεχνητή νοημοσύνη δεν μπορεί να δημιουργήσει αξία αν ενεργεί σε ένα θραυσματικό χάρτη του περιβάλλοντος.

Προκλήσεις Ορατότητας σε ένα Υβριδικό, Αποκεντρωμένο Κόσμο

Η πρόκληση της ορατότητας δεν είναι μόνο αποτέλεσμα παραμέλησης. Είναι ένα παραπροϊόν του τρόπου με τον οποίο έχει εξελιχθεί η τεχνολογία των πληροφοριών. Τα σημερινά περιβάλλοντα καλύπτουν φυσικές μηχανές, εικονικές φορτίσεις εργασίας, πολλαπλάς πλατφόρμες cloud, εφαρμογές SaaS, απομακρυσμένες τελικές σημείες, συσκευές edge και κοντέινερ. Ορισμένα περιουσιακά στοιχεία δημιουργούνται και εξαφανίζονται σε λίγα λεπτά. Άλλα υπάρχουν σε δύσκολα προσιτά σημεία της παραδοσιακής υποδομής. Η ευθύνη για αυτά μπορεί να μοιράζεται μεταξύ εσωτερικών ομάδων, συμβούλων και τρίτων παρόχων.

Τα πράγματα περιπλέκονται περαιτέρω, οι επιχειρήσεις κινούνται γρήγορα. Συγχωνεύσεις, νέες εργαλεία και αποφάσεις IT των τμημάτων συμβάλλουν σε ένα εκτενές τοπίο που αλλάζει καθημερινά.

Η προσπάθεια να ραφεί η ορατότητα σε όλα αυτά είναι δαunting. Πολλές εταιρείες καταφεύγουν σε elektronikες φύλες, legacy CMDBs ή εργαλεία ανακάλυψης που δεν επικοινωνούν μεταξύ τους. Το αποτέλεσμα; Χιλιάδες άγνωστα, μη διαχειριζόμενα ή ορφανά περιουσιακά στοιχεία, κάθε ένα από τα οποία είναι πιθανό σημείο αποτυχίας.

Και αυτό είναι μόνο στην πλευρά της απογραφής. Υπάρχει επίσης το ζήτημα του контекστα. Δεν είναι αρκετό να ξέρεις ότι μια συσκευή υπάρχει· πρέπει να ξέρεις τι κάνει, ποιος τη χρησιμοποιεί, πώς συνδέεται με άλλα περιουσιακά στοιχεία και αν είναι υγιής. Χωρίς αυτό, η τεχνητή νοημοσύνη γίνεται ένα αμβλύ όργανο — ανίχνευση ανωμαλιών αλλά όχι γνωρίζοντας τι είναι κανονικό, ανίχνευση αλλαγών αλλά όχι γνωρίζοντας αν έχουν σημασία.

Κάνωντας την Υποδομή της Τεχνητής Νοημοσύνης Έτοιμη

Εάν η τεχνητή νοημοσύνη θα εκπληρώσει την υπόσχεσή της στις επιχειρήσεις IT, είτε για την παρατηρησιμότητα, την αυτοματοποίηση ή την ασφάλεια, οι επιχειρήσεις πρέπει να αρχίσουν με μια ανανεωμένη εστίαση στην ορατότητα. Αυτό σημαίνει να κάνουν την πνευματική ιδιοκτησία θεμελιώδη, όχι προαιρετική. Αυτό απαιτεί:

Να αντιμετωπίζετε την ανακάλυψη περιουσιακών στοιχείων ως συνεχής διαδικασία: Τα παραδοσιακά εργαλεία ανακάλυψης λειτουργούν με προγραμματισμένες σκαναρίσματα. Αυτό δεν είναι αρκετό πλέον. Τα περιβάλλοντα είναι ρευστά. Τα περιουσιακά στοιχεία μπορούν να δημιουργηθούν από τους dévelopers, να μετακινηθούν μεταξύ παρόχων cloud ή να αλλάξουν IPs χωρίς προειδοποίηση. Η ανακάλυψη σε πραγματικό χρόνο ή κοντά στο πραγματικό χρόνο πρέπει να είναι η βάση.

Συνδυάστε τις πηγές δεδομένων για να εξαλείψετε τα τυφλά σημεία: Η εξάρτηση από μια seule πηγή, όπως ένα agent ή ένα cloud API, δεν θα δώσει μια πλήρη εικόνα. Η ορατότητα πρέπει να συνδυάσει πολλαπλά μέθοδα: παθητική ακρόαση, API ενσωματώσεις, ανάλυση log, τηλεμετρία τελικών σημείων και κυκλοφορία δικτύου. Κάθε μία παρέχει ένα διαφορετικό κομμάτι του παζλ.

Δημιουργήστε контекστα, όχι μόνο καταμετρήσεις: Η ανακάλυψη είναι το βήμα ένα, αλλά η εμπλουτισμένη είναι όπου αρχίζει η πραγματική ενημέρωση. Αυτό σημαίνει χαρτογράφηση περιουσιακών στοιχείων στις επιχειρηματικές λειτουργίες, ιδιοκτήτες, εξαρτήσεις και στάδια ζωής. Η τεχνητή νοημοσύνη χρειάζεται контекστα για να διακρίνει μεταξύ μιας κρίσιμης παραγωγικής διακομιστή και μιας διακομιστή δοκιμής.

Εξαλείψτε τα ορφανά και μη διαχειριζόμενα περιουσιακά στοιχεία: Δεν είναι ασυνήθιστο να βρεις περιβάλλοντα με εκατοντάδες ή χιλιάδες περιουσιακά στοιχεία που καμία ομάδα δεν αναλαμβάνει την ευθύνη. Αυτά δημιουργούν τόσο επιχειρηματικό όσο και ασφαλής κίνδυνο. Η οδηγία τους υπό διαχείριση ή η απόσυρσή τους πρέπει να είναι μια πρώτη προτεραιότητα.

Να αντιμετωπίζετε την ορατότητα ως στρατηγική ενεργοποιητή: Η πνευματική ιδιοκτησία δεν είναι μόνο για την υγιεινή των IT. Είναι η βάση για σχεδόν τα πάντα: έξυπνη αυτοματοποίηση, καλύτερη ανίχνευση απειλών, πιο αποτελεσματική δαπάνη και ναι, αξιόπιστη τεχνητή νοημοσύνη. Χωρίς αυτό, κάθε κατωτέρω ενημέρωση είναι επηρεασμένη.

Το Τυφλό Σημείο που Δεν Μπορείς να Αντιμετωπίσεις

Η τεχνητή νοημοσύνη στις επιχειρήσεις IT δεν είναι μαγική. Είναι αναγνώριση προτύπων, αυτοματοποίηση και συλλογισμός που βασίζεται σε δεδομένα. Αλλά όταν αυτά τα δεδομένα είναι ατελή στην πηγή από την κακή ορατότητα, τις κατεστραμμένες απογραφές ή τα περιουσιακά στοιχεία χωρίς контекστα, η τεχνητή νοημοσύνη γίνεται απλά ένα άλλο επίπεδο τυφλού.

Δεν αφήνουμε τους πιλότους να πετάνε χωρίς όργανα. Ωστόσο, αυτό είναι ακριβώς αυτό που ζητούν πολλές οργανώσεις από τα συστήματα της τεχνητής νοημοσύνης σήμερα, αναμένοντας έξυπνες εξόδους από μια αόρατη υποδομή. Το μέλλον των IT θα είναι πιο αυτόνομο, προβλέψιμο και輔助 από την τεχνητή νοημοσύνη. Αλλά αυτό το μέλλον είναι δυνατό μόνο αν αρχίσουμε να φωτίζουμε το τοπίο που ζητάμε από την τεχνητή νοημοσύνη να πλοηγηθεί. Πριν μπορούμε να αυτοματοποιήσουμε, πρέπει να δούμε. Πριν μπορούμε να προβλέψουμε, πρέπει να κατανοήσουμε. Και πριν μπορούμε να εμπιστευθούμε την τεχνητή νοημοσύνη να διαχειριστεί την υποδομή μας, πρέπει να κάνουμε αυτή την υποδομή ορατή.

Οτιδήποτε άλλο είναι απλά τυφλό.