AI用于IT？没有可见性就不行

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栈中出现，自动化帮助台，检测网络流量中的异常，并优化应用程序性能。根据麦肯锡的说法，72%的公司现在在至少一个功能中使用AI，然而，大多数公司仍然依赖于过时的、不完整的资产清单。这种快速采用反映了AI的承诺和IT领导者感到的压力，即快速现代化。

但是，在将AI嵌入基础设施的过程中，人们经常忽略的一个根本缺陷是：可见性。特别是，缺乏可见性。

在AI可以真正有用在IT运营之前，无论是识别安全威胁还是自动扩展资源，它需要对所处理的内容有可靠的理解。然而，AI依赖的数据通常建立在不完整、不准确或过时的资产清单之上。就像试图在没有GPS的情况下编程一个自动驾驶汽车。引擎可能很强大，但它不知道自己在哪里或道路上有什么。

这是企业AI的下一个瓶颈。

为什么AI观察性依赖于准确的资产数据

AI在数据上茁壮成长，但不仅仅是任何数据。它需要及时、结构化和可信的数据来反映当前的条件。在IT环境中，这从了解环境中有什么开始：设备、端点、工作负载、用户、云实例、影子IT等。

问题是，大多数组织都在盲目地行事。十年前资产管理工具的设计并不是为今天的混合、动态环境而设计的。新的解决方案通常依赖于API或集成，但这些集成并不足够深入。结果是资产清单最多是部分的，甚至是误导性的。

当AI模型在这种盲点中训练或部署时，后果会迅速积累：

• 安全工具会错过容易受到攻击的设备，因为它们从一开始就没有被编目。
• 性能洞察会被鬼机或未管理的端点所偏斜。
• 自动化脚本会在尝试对不存在的资源或重复的资源进行操作时失败。

简而言之，应该驱动更智能决策的数据最终会引入更多的不确定性。AI无法在环境的碎片化地图上创造价值。

混合、去中心化世界中的可见性挑战

可见性挑战不仅仅是忽视的结果。它是IT发展的产物。今天的环境跨越了物理机、虚拟化工作负载、多个云平台、SaaS应用程序、远程端点、边缘设备和容器。一些资产在几分钟内就会出现和消失。其他资产存在于遗留基础设施的难以触及的角落。它们的责任可能分散在内部团队、承包商和第三方提供商之间。

使事情更加复杂的是，企业正在快速发展。收购、新工具和部门IT决策都会导致景观每天都在变化。

试图在所有这些方面都保持可见性是一项艰巨的任务。许多公司依赖电子表格、遗留的CMDB或特定于供应商的发现工具，这些工具之间不能相互通信。结果是成千上万的未知、未管理或孤立的资产，每一个都可能成为潜在的故障点。

而这仅仅是库存方面的问题。还有上下文的问题。仅仅知道设备存在是不够的；你需要知道它做什么、谁使用它、它如何连接到其他资产以及它是否健康。没有这些，AI就变成了一个钝器——检测异常但不知道什么是正常，发现变化但不知道是否重要。

让基础设施为AI做好准备

如果AI要在IT中兑现其承诺，无论是用于可观察性、自动化还是网络安全，企业都需要从对可见性的重新关注开始。这意味着使资产智能成为基础，而不是可选的。以下是需要做什么：

将资产发现视为一个持续的过程：传统的发现工具依赖于定期扫描。这已经不够了。环境是流动的。资产可以由开发人员创建、在云提供商之间移动或更改IP地址而不通知。实时或近实时发现应该是基准。

整合数据源以消除盲点：仅依赖单一数据源（如代理或云API）不能提供完整的图景。可见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。每种方法都提供了拼图中的一部分。

建立上下文，而不仅仅是数量：发现是第一步，但丰富是真正的洞察力开始的地方。这意味着将资产映射到其业务功能、所有者、依赖项和生命周期阶段。AI需要上下文来区分关键的生产服务器和测试VM。

消除孤立和未管理的资产：在环境中找到数百或数千个资产没有团队负责维护并不罕见。这些资产既带来运营风险，也带来安全风险。将它们置于管理之下，或者完全退役，应该是首要任务。

将可见性视为战略性赋能器：资产智能不仅仅是IT卫生。它是几乎所有其他事情的基础：更智能的自动化、更好的威胁检测、更高效的支出，当然还有可靠的AI。没有它，每个下游洞察都会受到损害。

你无法承受的盲点

IT中的AI并不是魔术。它是建立在数据之上的模式识别、自动化和推理。但是，当数据在源头被不良的可见性、破碎的库存或无上下文的资产所损害时，AI就变成了又一层猜测。

我们不会让飞行员在没有仪表的情况下飞行。然而，这正是许多组织今天要求他们的AI系统做的事情，期待从不可见的基础设施中获得智能输出。IT的未来无疑将更加自治、预测和AI驱动。但是，这个未来只有从照亮AI导航的景观开始才有可能。在我们可以自动化之前，我们必须看到。在我们可以预测之前，我们必须理解。在我们可以信任AI管理我们的基础设施之前，我们必须使基础设施可见。

除此之外，什么都只是盲目飞行。