Melebihi Otomasi: Apa yang Diubah AI dalam Operasi TI

Mengurangi Kebisingan dalam Pemantauan

Salah satu bidang di mana kami melihat perbaikan signifikan adalah pemantauan.

Lingkungan teknologi besar menghasilkan sejumlah besar peringatan, dan tidak semuanya memerlukan tingkat perhatian yang sama. Peringatan duplikat, anomali sementara, dan peristiwa berprioritas rendah dapat menciptakan kebisingan yang tidak perlu, sehingga menyulitkan tim untuk mengidentifikasi masalah yang mungkin memiliki dampak operasional yang nyata.

Dengan menggabungkan deteksi anomali berbasis AI dan penekanan kebisingan ke dalam lingkungan pemantauan kami, kami telah mencapai pengurangan kebisingan pemantauan sebesar 75%.

Bagi tim, itu berarti lebih sedikit waktu mengatasi peringatan yang tidak perlu dan lebih banyak waktu menyelidiki masalah yang memerlukan perhatian. Hal ini juga membantu kami mengidentifikasi pola tidak biasa lebih awal dan memberi insinyur informasi yang lebih baik saat mereka mulai menyelidiki sebuah insiden.

Ini adalah bidang di mana AI sangat berguna karena dapat memproses volume informasi yang besar dengan cepat. Namun begitu sesuatu yang tidak biasa teridentifikasi, memahami penyebab dan potensi dampaknya masih sering memerlukan seseorang yang memahami lingkungan tersebut.

Meningkatkan Operasi TI Rutin

Kami juga menggunakan otomasi untuk mengelola aktivitas endpoint rutin melalui platform Remote Monitoring and Management yang didukung AI.

Ini mencakup area seperti orkestrasi patch, pemeriksaan kesehatan, remediasi berbasis skrip, dan pemecahan masalah jarak jauh.

Sebelumnya, kepatuhan patch secara rutin berada di bawah 50%, sebagian besar karena beban kerja manual yang terlibat dan skala lingkungan. Dengan kerangka kerja RMM yang didukung AI, kepatuhan kini mencapai persentil ke-95.

Itu telah membantu kami memperkuat stabilitas endpoint dan mengurangi paparan terhadap kerentanan yang diketahui, sekaligus mengurangi jumlah pekerjaan berulang yang harus dikelola insinyur secara manual.

Ini adalah contoh yang baik di mana otomasi masuk akal. Prosesnya dapat diprediksi; harus terjadi secara konsisten, dan harus berfungsi di ribuan endpoint.

Teknologi dapat mengelola banyak aktivitas tersebut di latar belakang, sementara tim fokus pada pengecualian, eskalasi, dan masalah yang memerlukan penyelidikan lebih mendalam.

Di Mana Manusia Masih Membuat Perbedaan

Tidak setiap masalah TI mengikuti pola yang dapat diprediksi.

Tim kami bekerja di berbagai lingkungan infrastruktur, jaringan, sistem, dan kebutuhan klien. Sebuah masalah yang tampak sederhana pada awalnya kadang melibatkan beberapa ketergantungan atau memerlukan koordinasi antara tim yang berbeda.

AI dapat membantu mengidentifikasi anomali, menganalisis informasi, dan mengungkap kemungkinan penyebab, tetapi tim tetap perlu memahami apa yang terjadi di lingkungan yang lebih luas.

Hal ini menjadi sangat penting ketika sebuah masalah memengaruhi banyak sistem, atau ketika solusi yang secara teknis jelas dapat menimbulkan konsekuensi di tempat lain.

Inilah tempat pengalaman menjadi penting.

Seorang insinyur yang memahami lingkungan dapat melihat lebih jauh dari sekadar peringatan individual dan mempertimbangkan apa yang berubah, sistem apa yang terhubung, apakah masalah serupa pernah terjadi sebelumnya, serta dampak apa yang dapat ditimbulkan oleh tindakan tertentu pada operasi yang lebih luas.

Bagi kami, AI bekerja paling baik ketika memberikan insinyur tersebut informasi yang lebih baik untuk dikerjakan, bukan dengan mencoba mengeluarkan mereka dari proses sepenuhnya.

Mendukung Lingkungan dengan Permintaan Tinggi

Skala lingkungan berarti kami harus menemukan cara meningkatkan kapasitas tanpa sekadar menambah jumlah pekerjaan manual.

Otomasi telah membantu dalam hal ini.

Aktivitas endpoint rutin dapat terjadi secara konsisten di latar belakang. Alat pemantauan dapat menyaring dan mengkonsolidasikan sinyal sebelum mencapai insinyur. Kemampuan prediktif dapat membantu mengidentifikasi potensi masalah lebih awal, sementara remediasi otomatis dapat menangani masalah yang diketahui tanpa menunggu seseorang campur tangan secara manual.

Ini memberi tim lebih banyak kapasitas untuk fokus pada kontinuitas layanan, eskalasi, dan masalah teknis yang lebih kompleks.

Hal ini juga mengubah cara kami memikirkan produktivitas dalam Operasi TI. Manfaatnya bukan sekadar tugas selesai lebih cepat. Tetapi insinyur memiliki lebih banyak waktu untuk pekerjaan di mana pengalaman mereka dapat memberikan dampak yang lebih besar.

Tata Kelola Masih Penting

Seiring AI dan otomasi menjadi lebih mampu, tata kelola menjadi semakin penting.

Harus ada kejelasan mengenai aktivitas mana yang dapat diotomatisasi, kapan seorang insinyur perlu campur tangan, dan siapa yang bertanggung jawab ketika proses otomatis tidak berperilaku seperti yang diharapkan.

Hal ini terutama penting di lingkungan teknologi besar. Tindakan otomatis yang diterapkan pada ribuan endpoint dapat memiliki dampak yang jauh lebih luas dibandingkan tindakan yang diambil pada satu mesin.

Untuk alasan itu, kami masih memerlukan jalur eskalasi yang jelas, tingkat akses yang ditetapkan, dan kontrol yang tepat seputar aktivitas otomatis.

Pendekatan ini konsisten dengan Kerangka Manajemen Risiko AI dari National Institute of Standards and Technology, yang menekankan pemantauan berkelanjutan terhadap sistem AI, tanggung jawab yang jelas serta proses untuk pengawasan dan intervensi manusia.

Bagi kami, tata kelola bukan tentang memperlambat penggunaan AI. Ini tentang memastikan kami dapat menggunakannya dengan percaya diri dan bertanggung jawab dalam lingkungan operasional yang aktif.

Peran Insinyur TI Sedang Berkembang

Seiring semakin banyak aktivitas rutin yang diotomatisasi, peran insinyur juga berubah.

Pengetahuan teknis tetap penting, namun nilai kemampuan menafsirkan informasi, memahami ketergantungan, dan menyelidiki masalah yang tidak memiliki jawaban jelas semakin meningkat.

Insinyur juga harus memahami alat yang mereka gunakan. Jika sistem yang didukung AI merekomendasikan suatu tindakan, orang yang bertanggung jawab harus memiliki pengetahuan yang cukup tentang lingkungan untuk menilai apakah rekomendasi tersebut masuk akal.

Hal ini menjadikan pelatihan bagian penting dalam adopsi AI.

Tim kami perlu memahami apa yang dapat dilakukan teknologi, di mana batasannya, dan kapan sesuatu harus dieskalasi atau diselidiki dengan cara berbeda.

NIST juga merekomendasikan penetapan tanggung jawab yang jelas bagi orang yang mengoperasikan dan mengawasi sistem AI, bersama dengan pelatihan yang tepat dan standar kompetensi.

Apa yang Telah Kami Pelajari Sejauh Ini

Pengalaman kami sejauh ini menunjukkan bahwa beberapa penerapan AI yang paling berguna dalam operasi TI bersifat cukup praktis.

Penurunan 75% dalam kebisingan pemantauan berarti insinyur menghabiskan lebih sedikit waktu menangani peringatan yang tidak perlu. Meningkatkan kepatuhan patch dari di bawah 50% ke persentil ke‑95 telah memperkuat konsistensi manajemen titik akhir. Otomatisasi pada lebih dari 10.000 titik akhir membantu kami mengelola lingkungan yang sebaliknya memerlukan banyak aktivitas manual berulang.

Pada saat yang sama, bagian operasi TI yang lebih kompleks masih sangat bergantung pada manusia.

Teknologi dapat mengidentifikasi pola tidak biasa atau mengotomatisasi perbaikan yang sudah dikenal. Seorang insinyur berpengalaman memahami lingkungan yang lebih luas, ketergantungan yang terlibat, dan dampak potensial dari keputusan yang diambil.

Keseimbangan itu menjadi semakin penting seiring AI menjadi bagian dari operasi TI sehari-hari.

Bagi saya, nilai AI sangat praktis. AI membantu kami mengelola skala, memberi tim kami visibilitas yang lebih baik, dan menghilangkan sebagian pekerjaan berulang yang dapat menyita waktu dari isu yang lebih penting.

Teknologi semakin mampu, namun pengalaman orang yang mengelola lingkungan tetap sama pentingnya.