AI สำหรับ IT? ไม่มี Visibility ก่อน

วันนี้ อาร์ตिफิเชียลอินเทลลิเจนซ์ไม่ได้ถูกจำกัดอยู่ในแผนก R&D หรือห้องทดลองอีกต่อไป มันปรากฏขึ้นทั่วทั้งระบบ IT ขององค์กร การทำให้โต๊ะช่วยเหลืออัตโนมัติ การตรวจจับอาการผิดปกติใน трафикเครือข่าย และการปรับปรุงประสิทธิภาพของแอปพลิเคชัน ตามรายงานของ McKinsey 72% ของบริษัทใช้ AI ในอย่างน้อยหนึ่งฟังก์ชัน แต่ส่วนใหญ่ยังคงพึ่งพา asset inventories ที่ล้าสมัยและไม่สมบูรณ์ การนำ AI มาใช้อย่างรวดเร็วนี้สะท้อนถึงความหวังของ AI และความกดดันที่ผู้นำ IT รู้สึกในการที่จะทันสมัยอย่างรวดเร็ว

แต่ในระหว่างการแข่งขันในการฝัง AI ลงในโครงสร้างพื้นฐาน มีข้อบกพร่องพื้นฐานที่มักถูกละเลย คือ ความสามารถในการมองเห็น หรือ Visibility

ก่อนที่ AI จะมีประโยชน์จริงๆ ในการดำเนินงาน IT ไม่ว่าจะเป็นการระบุภัยคุกคามหรือการปรับขนาดทรัพยากรอัตโนมัติ AI ต้องการความเข้าใจที่น่าเชื่อถือเกี่ยวกับสิ่งที่มันทำงานด้วย และมักจะพบว่าข้อมูลที่ AI พึ่งพานั้นถูกสร้างขึ้นจาก asset inventories ที่ไม่สมบูรณ์ ไม่ถูกต้อง หรือล้าสมัย มันเหมือนกับการเขียนโปรแกรมรถยนต์ไร้คนขับที่ไม่มี GPS ที่ทำงานได้ เครื่องยนต์อาจมีพลัง แต่ไม่รู้ว่ามันอยู่ที่ไหนหรือมีอะไรอยู่บนถนน

นี่คืออุปสรรคถัดไปใน AI ขององค์กร

ทำไม AI Observability จึงต้องอาศัยข้อมูลสินทรัพย์ที่ถูกต้อง

AI เจริญเติบโตด้วยข้อมูล แต่ไม่ใช่ข้อมูลใดๆ ก็ตาม AI ต้องการข้อมูลที่ทันสมัย มีโครงสร้าง และน่าเชื่อถือ ซึ่งสะท้อนถึงสภาพปัจจุบัน ในบริบท IT นั้นเริ่มต้นด้วยการทำความเข้าใจสิ่งที่อยู่ในสภาพแวดล้อม ได้แก่ อุปกรณ์ จุดสิ้นสุด งาน โหลด ผู้ใช้ แพลตฟอร์มคลาวด์ IT ที่ซ่อนเร้น และอื่นๆ

ปัญหาคือ ส่วนใหญ่ขององค์กรไม่สามารถมองเห็นได้ เครื่องมือจัดการสินทรัพย์จากทศวรรษที่แล้วไม่ได้ถูกออกแบบมาเพื่อสภาพแวดล้อมที่ผสมผสานและเปลี่ยนแปลงอย่างรวดเร็วในปัจจุบัน และโซลูชันใหม่ๆ มักจะพึ่งพา API หรือการเชื่อมต่อที่ไม่ลึกพอที่จะให้ภาพที่สมบูรณ์ ของสิ่งที่เกิดขึ้น ซึ่งนำไปสู่ asset inventory ที่ไม่สมบูรณ์หรือทำให้เข้าใจผิด

เมื่อโมเดล AI ถูกฝึกหรือใช้งานในสภาพแวดล้อมที่ไม่สามารถมองเห็นได้ ผลที่ตามมาจะเพิ่มขึ้นอย่างรวดเร็ว:

• เครื่องมือรักษาความปลอดภัยพลาดอุปกรณ์ที่มีความเสี่ยงเพราะไม่ได้ถูกบันทึกไว้ในตอนแรก
• ข้อมูลเกี่ยวกับประสิทธิภาพถูกบิดเบือนโดยเครื่องจักรที่ไม่มีการจัดการหรือจุดสิ้นสุดไม่ได้รับการจัดการ
• สคริปต์แบบอัตโนมัติไม่ทำงานเมื่อพยายามดำเนินการกับทรัพยากรที่ไม่มีอยู่แล้วหรือมีอยู่ซ้ำกัน

โดยสรุป ข้อมูลที่ควรจะช่วยในการตัดสินใจที่ฉลาดขึ้นกลับทำให้เกิดความไม่แน่นอนมากขึ้น AI ไม่สามารถสร้างคุณค่าได้หากมันทำงานบนแผนที่ที่ไม่สมบูรณ์ของสภาพแวดล้อม

ความท้าทายในการมองเห็นในสภาพแวดล้อมที่ผสมผสานและกระจาย

ความท้าทายในการมองเห็นไม่ได้เป็นเพียงผลมาจากความประมาท มันเป็นผลมาจากวิธีการที่ IT ได้พัฒนาไป ในปัจจุบัน สภาพแวดล้อมครอบคลุมเครื่องจักรทางกายภาพ โหลดที่ถูกทำให้เสมือนจริง แพลตฟอร์มคลาวด์หลายแห่ง แอป SaaS จุดสิ้นสุดระยะไกล อุปกรณ์ขอบ และคอนเทนเนอร์ บางทรัพย์สินเกิดขึ้นและหายไปในเวลาเพียงไม่กี่นาที ทรัพย์สินอื่นๆ อาจอยู่ในมุมที่ยากจะเข้าถึงของโครงสร้างพื้นฐานที่ล้าสมัย ความรับผิดชอบต่อทรัพย์สินเหล่านี้อาจถูกแบ่งระหว่างทีมในองค์กร ผู้รับเหมาช่วง และผู้ให้บริการภายนอก

สิ่งที่ทำให้สถานการณ์ยิ่งซับซ้อนไปอีกคือ องค์กรกำลังเคลื่อนที่อย่างรวดเร็ว การเข้าซื้อกิจการ เครื่องมือใหม่ๆ และการตัดสินใจ IT ของแต่ละฝ่ายทั้งหมดล้วนช่วยให้สภาพแวดล้อมที่ซับซ้อนขึ้นเรื่อยๆ

การพยายามรวมความสามารถในการมองเห็นทั่วทั้งสภาพแวดล้อมนี้เป็นเรื่องที่ท้าทาย มีหลายบริษัทที่ใช้แผ่นงาน Excel ฐานข้อมูล CMDB ที่ล้าสมัย หรือเครื่องมือการค้นพบของซัพพลายเออร์ที่ไม่สามารถสื่อสารกันได้ ผลลัพธ์คือ มีทรัพย์สินที่ไม่รู้จัก ไม่ได้รับการจัดการ หรือไม่มีผู้รับผิดชอบจำนวนหลายพัน ซึ่งเป็นจุดอ่อนที่อาจเกิดความล้มเหลวได้

และนี่ไม่ใช่แค่เรื่องของการทำinventoryเท่านั้น มีปัญหาเรื่องของบริบทด้วย ไม่เพียงพอแค่ทราบว่าอุปกรณ์หนึ่งๆ มีอยู่ แต่ต้องทราบว่ามันทำอะไร ผู้ใช้ใคร ใช้อย่างไร และสภาพของมันอย่างไร ถ้าไม่มีข้อมูลเหล่านี้ AI จะกลายเป็นเครื่องมือที่ไม่แม่นยำในการตรวจจับอาการผิดปกติหรือการเปลี่ยนแปลง

การทำให้โครงสร้างพื้นฐานพร้อมสำหรับ AI

หาก AI จะต้องส่งมอบตามที่สัญญาไว้ใน IT ไม่ว่าจะเป็นเรื่องของการมองเห็น การทำให้ระบบอัตโนมัติ หรือการรักษาความปลอดภัย องค์กรจะต้องเริ่มต้นด้วยการมุ่งเน้นไปที่ความสามารถในการมองเห็นอย่างใหม่ ซึ่งหมายถึงการทำให้ข้อมูลสินทรัพย์เป็นรากฐาน ไม่ใช่สิ่งที่เลือกได้ นี่คือสิ่งที่ต้องการ:

พิจารณาการค้นพบสินทรัพย์เป็นกระบวนการที่ต่อเนื่อง: เครื่องมือการค้นพบแบบดั้งเดิมทำงานบนการスキャนตามกำหนดเวลา ซึ่งไม่เพียงพอสำหรับวันนี้ สภาพแวดล้อมเปลี่ยนแปลงอย่างรวดเร็ว สินทรัพย์สามารถถูกสร้างขึ้นโดยนักพัฒนา ย้ายข้ามผู้ให้บริการคลาวด์ หรือเปลี่ยน IP โดยไม่มีการแจ้งให้ทราบ การค้นพบแบบเรียลไทม์หรือใกล้เรียลไทม์ควรเป็นมาตรฐาน

รวมแหล่งข้อมูลเพื่อกำจัดจุดบอด: การพึ่งพาแหล่งข้อมูลเดียว เช่น เอเจนต์หรือ API ของคลาวด์ ไม่เพียงพอ ความสามารถในการมองเห็นต้องรวมวิธีการหลายอย่าง: การฟังแบบพาสซีฟ การรวม API การวิเคราะห์ログ การวัดระยะทางจุดสิ้นสุด และการวิเคราะห์ трафикเครือข่าย แต่ละวิธีให้ภาพที่แตกต่างกันของสภาพแวดล้อม

สร้างบริบท ไม่ใช่แค่นับจำนวน: การค้นพบเป็นเพียงขั้นตอนแรก การเพิ่มคุณค่าให้กับทรัพย์สินเป็นจุดเริ่มต้นของการมองเห็นจริงๆ ซึ่งหมายถึงการแมปกับสินทรัพย์ไปยังฟังก์ชันทางธุรกิจของพวกมัน ผู้รับผิดชอบ ความสัมพันธ์ และช่วงชีวิต AI ต้องการบริบทเพื่อแยกแยะระหว่างเซิร์ฟเวอร์ผลิตที่สำคัญและ VM ทดสอบ

กำจัดทรัพย์สินที่ไม่มีผู้รับผิดชอบหรือไม่ได้รับการจัดการ: ไม่ใช่เรื่องแปลกที่จะพบสภาพแวดล้อมที่มีทรัพย์สินหลายร้อยหรือหลายพันรายการซึ่งไม่มีผู้รับผิดชอบ การนำทรัพย์สินเหล่านี้มาอยู่ภายใต้การบริหารหรือการปลดออกจากระบบควรเป็นลำดับความสำคัญสูงสุด

พิจารณาความสามารถในการมองเห็นเป็นตัวช่วยเชิงกลยุทธ์: ข้อมูลสินทรัพย์ไม่ใช่แค่เรื่องของการรักษาความสะอาดของ IT แต่เป็นรากฐานสำหรับทุกสิ่งที่ตามมา: การทำให้ระบบอัตโนมัติที่ฉลาดขึ้น การตรวจจับภัยคุกคามที่ดีขึ้น การใช้จ่ายที่มีประสิทธิภาพมากขึ้น และใช่ AI ที่น่าเชื่อถือ ถ้าไม่มีมัน ทุกข้อมูลที่ตามมาจะถูกบ่อนทำลาย

จุดบอดที่คุณไม่สามารถจ่ายได้

AI ใน IT ไม่ใช่เวทมนตร์ มันคือการรู้จับแบบแผน การทำให้ระบบอัตโนมัติ และการให้เหตุผลที่สร้างขึ้นจากข้อมูล แต่เมื่อข้อมูลที่ AI พึ่งพานั้นถูกบ่อนทำลายที่ต้นกำเนิดด้วยความสามารถในการมองเห็นที่ไม่ดี inventory ที่ไม่สมบูรณ์ หรือทรัพย์สินที่ไม่มีบริบท AI จะกลายเป็นเพียงการเดาเท่านั้น

เราจะไม่ให้นักบินบินโดยไม่มีการติดตั้งอุปกรณ์ แต่สิ่งนี้คือสิ่งที่หลายองค์กรกำลังขอให้ระบบ AI ของตนทำอยู่ในขณะนี้ โดยคาดหวังผลลัพธ์ที่ฉลาดจากโครงสร้างพื้นฐานที่ไม่มีการมองเห็น อนาคตของ IT จะไม่ต้องสงสัยว่าจะเป็นอัตโนมัติ ที่สามารถคาดเดาได้ และได้รับการช่วยเหลือจาก AI มากขึ้น แต่อนาคตนั้นเป็นไปได้เฉพาะหากเริ่มต้นด้วยการทำให้ภูมิทัศน์ที่เราขอให้ AI นำทางให้สว่างไสว ก่อนที่จะทำให้ระบบอัตโนมัติ เราต้องเห็นก่อน ก่อนที่จะคาดเดา เราต้องเข้าใจก่อน และก่อนที่จะเชื่อใจ AI ในการบริหารโครงสร้างพื้นฐานของเรา เราต้องทำให้โครงสร้างพื้นฐานนั้นเห็นได้ก่อน สิ่งอื่นใดคือการบินโดยไม่มีเครื่องมือ

สิ่งอื่นใดคือการบินโดยไม่มีเครื่องมือ