IT용 AI? 가시성이 먼저입니다

오늘날 인공 지능은 더 이상 연구 개발 부서나 실험실에 국한되지 않습니다. 엔터프라이즈 IT 스택 전반에 걸쳐 자동화된 헬프 데스크, 네트워크 트래픽의 이상 현상 감지, 애플리케이션 성능 최적화 등 다양한 역할을 수행하고 있습니다. 맥킨지에 따르면, 72%의 기업이 이미 최소한 하나의 기능에서 인공 지능을 사용하고 있습니다. 그러나 대부분의 기업은 아직도 구식의 불완전한 자산 인벤토리를 사용하고 있습니다. 이는 인공 지능의 잠재력과 IT 리더들이 빠르게 현대화해야 하는 압력을 반영하는 것입니다.

그러나 인프라에 인공 지능을 통합하는 과정에서 자주 간과되는 근본적인 결함이 있습니다. 즉, 가시성의 부족입니다.

인공 지능이真正로 유용한 IT 운영을 수행하기 위해서는, 보안 위협을 식별하거나 자원을 자동으로 확장하는 것과 같은 작업을 수행하기 전에, 인공 지능이 무엇을 작업하고 있는지에 대한 신뢰할 수 있는 이해가 필요합니다. 그러나 인공 지능이 의존하는 데이터는 불완전한, 부정확한, 또는 구식의 자산 인벤토리 위에 구축되는 경우가 많습니다. 이는 기능하는 GPS 없이 자율 주행 자동차를 프로그래밍하는 것과 같습니다. 엔진은 강력할 수 있지만, 자신이 어디에 있는지 또는 도로에 무엇이 있는지 모릅니다.

이것이 기업 인공 지능의 다음 병목 현상입니다.

인공 지능 관찰성이 정확한 자산 데이터에 의존하는 이유

인공 지능은 데이터에 의존하지만, 단순한 데이터가 아닙니다. 인공 지능은 최신의 구조화된 데이터가 필요합니다. IT 환경에서는, 무엇이 환경에 있는지 이해하는 것이 필요합니다. 즉, 디바이스, 엔드포인트, 워크로드, 사용자, 클라우드 인스턴스, 섀도우 IT 등입니다.

문제는, 대부분의 조직이盲目적으로 운영하고 있다는 것입니다. 10년 전의 자산 관리 도구는 오늘날의 하이브리드 动的な 환경에 적합하지 않습니다. 또한 새로운 솔루션은 충분히 깊이 있는 통합을 제공하지 못하는 경우가 많습니다. 결과적으로, 자산 인벤토리는 부분적이거나, 최악의 경우, 잘못된 정보를 제공합니다.

인공 지능 모델이 이러한 블라인드 스폿에서 훈련되거나 배포되면, 결과는 빠르게 악화됩니다:

• 보안 도구가 취약한 디바이스를 감지하지 못하는 경우가 있습니다. 이는 초기에 카탈로그에 등록되지 않았기 때문입니다.
• 성능 분석은 고스트 머신 또는 관리되지 않는 엔드포인트로 인해 왜곡될 수 있습니다.
• 자동화 스크립트는 더 이상 존재하지 않는 리소스 또는 중복된 리소스에서 작동하려고 할 때 실패할 수 있습니다.

簡単히 말하면, 더智能한 의사결정을 내리기 위한 데이터는 더 많은 불확실성을導入합니다. 인공 지능은 환경의 단편적인 지도에서 가치를 생성할 수 없습니다.

하이브리드 분산 환경의 가시성課題

가시성課題는 간과된 결과가 아닙니다. 이는 IT가 어떻게 진화했는지의 결과입니다. 오늘날의 환경은 물리적 머신, 가상화된 워크로드, 여러 클라우드 플랫폼, SaaS 애플리케이션, 원격 엔드포인트, 에지 디바이스, 컨테이너 등으로 구성됩니다. 일부 자산은 몇 분 안에 생성되고消滅할 수 있습니다. 다른 자산은 레거시 인프라의 隠れた 구석에 존재할 수 있습니다. 이러한 자산에 대한 책임은 내부 팀, 계약자, 제3자 제공자 간에 분산될 수 있습니다.

さらに, 기업은 빠르게 움직이고 있습니다. 인수, 새로운 도구, 부서별 IT 결정 등이 모두 복잡한 풍경을 만들고 있습니다.

이 모든 것을 가시적으로 만드는 것은 어려운課題입니다. 많은 기업은 스프레드시트, 레거시 CMDB, 또는 벤더별 발견 도구를 사용합니다. 그러나 이러한 도구는 서로 통신하지 못합니다. 결과적으로, 수천개의 desconocido, 관리되지 않는, 또는 고아된 자산이 생성되며, 이는 모두 잠재적인 실패 지점이 됩니다.

또한, 컨텍스트의 문제가 있습니다. 단순히 디바이스가 존재하는지 여부만 알면 충분하지 않습니다. 디바이스가 무엇을 하는지,誰が 사용하는지, 다른 자산과 어떻게 연결되는지, 그리고 디바이스가 건강한지 여부를 알아야 합니다. 이러한 정보가 없으면, 인공 지능은鈍い 도구가 됩니다. 즉, 이상 현상을 감지하지만 정상적인 상황을 알지 못하며, 변화를 감지하지만 그 변화가 중요한지 여부를 알지 못합니다.

인프라를 인공 지능에 준비시키기

인공 지능이 IT에서 약속을 지키기 위해서는, 기업은 가시성에 대한 관심을 재확인해야 합니다. 즉, 자산 지능을 필수적인 요소로 만들어야 합니다. 다음은 필요한 사항입니다:

자산 발견을 연속적인 과정으로 다루세요: 전통적인 발견 도구는 예약된 스캔을 사용합니다. 그러나 더 이상 충분하지 않습니다. 환경은 유동적입니다. 개발자에 의해 자산이 생성되거나, 클라우드 제공자 간에 이동하거나, IP 주소가 변경될 수 있습니다. 실시간 또는 근실시간 발견이 기준이 되어야 합니다.

데이터 소스를 결합하여 블라인드 스폿을 제거하세요: 단일 피드를 사용하는 것만으로는 충분하지 않습니다. 가시성을 위해서는 여러 방법을 결합해야 합니다. 즉, 수동 청취, API 통합, 로그 분석, 엔드포인트 텔레메트리, 네트워크 트래픽 등입니다. 각 방법은 퍼즐의 다른 부분을 제공합니다.

컨텍스트를 구축하세요, 단순한 카운트가 아닌: 발견은 첫 번째 단계이지만, 컨텍스트가 실제로 의미를 가집니다. 즉, 자산을 비즈니스 함수, 소유자, 의존성, 라이프사이클 단계와 매핑하는 것입니다. 인공 지능은 중요한 프로덕션 서버와 테스트 VM을 구분하기 위해 컨텍스트가 필요합니다.

고아된 자산과 관리되지 않는 자산을 제거하세요: 환경에 hundreds 또는 thousands개의 자산이 있는 경우가 많습니다. 그러나 이러한 자산에 대한 책임을 지는 팀이 없습니다. 이러한 자산은 운영 및 보안 위험을 모두 만들 수 있습니다. 이러한 자산을 관리하거나 완전히 제거하는 것이 최선입니다.

가시성을 전략적인 활성화 요소로 다루세요: 자산 지능은 단순히 IT 위생이 아닙니다. 이는 거의 모든 다른 것의 기반이 됩니다. 즉, 더智能한 자동화, 더 나은 위협 감지, 더 효율적인 지출, 그리고 신뢰할 수 있는 인공 지능입니다. 이러한 기반이 없으면, 모든 하위Stream 인사이트는 손상됩니다.

감당할 수 없는 블라인드 스폿

IT용 인공 지능은 마법이 아닙니다. 이는 패턴 인식, 자동화, 및 데이터에 기반한 추론입니다. 그러나 이러한 데이터가 불완전한 가시성, 깨진 인벤토리, 또는 컨텍스트 없는 자산으로 인해 손상되면, 인공 지능은 단순히 또 다른 추측의 층이 됩니다.

우리는 조종사를 기구 없이 비행시키지 않습니다. 그러나 많은 조직이 오늘날 인공 지능 시스템에 대해 동일한 것을 요청하고 있습니다. 즉, 가시성이 없는 인프라에서 지능적인 출력을期待하는 것입니다. IT의 미래는 분명히 더 자율적이고, 예측 가능하며, 인공 지능에 의해 지원될 것입니다. 그러나 이러한 미래는 우리가 인공 지능이 탐색해야 하는 풍경을 밝히기 시작할 때만 가능합니다. 자동화를 하기 전에 우리는 먼저 보아야 합니다. 예측하기 전에 우리는 먼저 이해해야 합니다. 그리고 인공 지능이 우리의 인프라를 관리하기 전에, 우리는 먼저 그 인프라를 가시적으로 만들어야 합니다.

그렇지 않으면, 우리는 단순히 盲目적으로 진행하는 것입니다.