AI 适用于 IT？首先要有可视性

如今，人工智能不再局限于研发部门或实验室。它正在企业IT体系中广泛应用， 自动化服务台检测网络流量异常，并优化应用程序性能。麦肯锡表示， 72% 的公司目前至少在一项功能中使用人工智能然而，大多数企业仍然依赖过时且不完整的资产清单。这种快速的采用既反映了人工智能的前景，也反映了IT领导者快速实现现代化的压力。

但在将人工智能嵌入基础设施的竞争中，一个经常被忽视的根本缺陷是：可见性。具体来说，是缺乏可见性。

在人工智能真正应用于 IT 运营之前，无论是识别安全威胁还是自动扩展资源，它都需要对其所处理的内容有可靠的理解。而人工智能所依赖的数据往往建立在不完整、不准确或过时的资产清单之上。这就像在没有 GPS 的情况下尝试编写自动驾驶汽车的程序。引擎可能很强大，但它不知道自己在哪里，也不知道路上有什么。

这是企业AI的下一个瓶颈。

为什么人工智能的可观测性依赖于准确的资产数据

人工智能的蓬勃发展依赖于数据，但并非任何数据都能支撑。它需要及时、结构化且可信的数据，以反映当前的状况。在 IT 环境中，这首先要了解环境中的各项内容：设备、端点、工作负载、用户、云实例、影子 IT 等等。

问题在于，大多数组织都在盲目行事。十年前的资产管理工具并非为当今的混合动态环境而设计。而较新的解决方案通常依赖于不够深入的 API 或集成。其结果是，资产清单充其量只是一份残缺的清单，最坏的情况则是误导性的。

当人工智能模型在这种盲点中进行训练或部署时，后果会迅速加剧：

• 安全工具会错过易受攻击的设备，因为它们从未被编入目录。
• 幽灵机器或不受管理的端点会影响性能洞察。
• 当自动化脚本尝试对不再存在或重复存在的资源采取行动时，它们就会失败。

简而言之，本应推动更明智决策的数据最终却带来了更多不确定性。如果人工智能在碎片化的环境地图上行动，就无法创造价值。

混合、去中心化世界中的可见性挑战

可见性挑战并非疏忽造成的，而是IT发展演变的副产品。如今的环境涵盖物理机器、虚拟化工作负载、多个云平台、SaaS应用、远程端点、边缘设备和容器。有些资产几分钟内就能启动并消失。另一些资产则存在于传统基础设施中难以触及的角落。这些资产的责任可能由内部团队、承包商和第三方提供商共同承担。

更复杂的是，企业发展速度飞快。收购、新工具以及部门IT决策都导致了IT格局的不断扩张和日新月异。

试图将所有这些资产的可见性整合在一起并非易事。许多公司依赖于电子表格、传统的配置管理数据库 (CMDB) 或特定于供应商的发现工具，而这些工具彼此之间无法通信。结果如何？成千上万的未知、无人管理或孤立资产，每个都可能成为故障点。

这还只是库存方面的问题。还有环境问题。仅仅知道设备存在是不够的；你还需要知道它的功能、用户、如何连接到其他资产，以及它是否健康。如果没有这些，人工智能就会变成一个迟钝的工具——只能检测到异常，却不知道什么是正常的；能发现变化，却不知道这些变化是否重要。

让基础设施为人工智能做好准备

如果人工智能要兑现其在IT领域的承诺，无论是在可观察性、自动化还是网络安全方面，企业都需要重新关注可见性。这意味着要让资产智能成为基础，而不是可有可无。以下是实现这一目标的必要条件：

将资产发现视为一个连续的过程： 传统的发现工具依赖于定期扫描。但这已远远不够。环境瞬息万变。资产可能由开发人员启动，跨云提供商迁移，或在未经通知的情况下转移 IP。实时或近实时的发现应该成为基准。

融合数据源，消除盲点： 依赖单一信息源（例如代理或云 API）无法提供完整的信息。可视性必须结合多种方法：被动监听、API 集成、日志分析、端点遥测和网络流量。每种方法都能提供不同的解决方案。

建立上下文，而不仅仅是计数： 发现是第一步，但丰富才是真正洞察的起点。这意味着将资产映射到其业务功能、所有者、依赖关系和生命周期阶段。AI 需要上下文来区分关键生产服务器和测试虚拟机。

消除孤立和不受管理的资产： 拥有数百或数千项资产却无人负责的场景屡见不鲜。这不仅会带来运营风险，还会带来安全风险。将这些资产纳入管理，甚至彻底淘汰，应是当务之急。

将可见性视为战略推动因素： 资产智能不仅仅关乎IT健康。它是几乎所有其他事物的基础：更智能的自动化、更强大的威胁检测、更高效的支出，以及值得信赖的人工智能。没有它，所有下游洞察都会受到损害。

你无法承受的盲点

IT 领域的人工智能并非魔法，而是基于数据的模式识别、自动化和推理。然而，当数据在源头因可见性差、库存损坏或资产缺乏上下文而受损时，人工智能就沦为另一层猜测。

我们不会让飞行员在没有仪表的情况下飞行。然而，如今许多组织都对其人工智能系统提出了这样的要求，期望从隐形的基础设施中获取智能输出。毫无疑问，IT 的未来将更加自主、更具预测性，并由人工智能辅助。但只有当我们首先阐明我们要求人工智能导航的领域时，这样的未来才有可能实现。在实现自动化之前，我们必须先“看得见”。在预测之前，我们必须先“理解”。在我们信任人工智能管理我们的基础设施之前，我们必须让这些基础设施“看得见”。

其他任何事情都只是盲目的。