DevSecOps

28 set, 2018

Precisamos falar sobre AIOps

100 visualizações
Publicidade

AIOps é um termo para o uso de ferramentas complexas de gerenciamento de infraestrutura e de monitoramento de soluções em nuvem para automatizar a análise de dados e operações DevOps de rotina. Uma fala das ferramentas de monitoramento de sistemas construídos há alguns anos, é que elas não foram feitas para atender as demandas de Big Data (3 V’s – Volume, variedade e velocidade), também não podendo lidar com o grande volume de dados recebidos, processar toda a variedade de dados ou permanecer no mesmo nível da velocidade de entrada.

De modo geral, essas soluções precisam dividir os dados em partes, separar o que é realmente importante e cortar o que é desnecessário, focando em grupos de amostras estatísticas, em vez de lidar com toda a integridade dos dados. Importante é que alguns padrões importantes podem não ser vistos e totalmente excluídos da fase de visualização (análise), tornando o processo totalmente inútil, como se a análise de BigData não pudesse produzir insights.

AIOps utiliza análise e aprendizado de máquina para analisar BigData de várias ferramentas e dispositivos de operação, sendo capaz de identificar automaticamente e reagir a problemas em tempo real.

Vamos pensar no AIOps como uma integração contínua e implantação contínua para as principais funções de TI, focando em dois componentes principais: BigData e Machine Learning.

AIOps requer um afastamento dos dados de TI em silos. Ele usa uma estratégia abrangente de análise e aprendizado de máquina em relação aos dados combinados. Os resultados são insights inteligentes que usam a automação para fornecer melhorias e correções contínuas.

Mas por que AIOps?

Já não é mais um opção: tem se tornado uma necessidade para empresas com ambientes dinâmicos e complexos. Com o surgimento da nuvem, arquiteturas distribuídas, containers e até microsserviços, já é visível o aumento da sobrecarga de dados.

AIOps em cena

Processar todos os dados gerados pela máquina de entrada a tempo não é humanamente possível, é claro. No entanto, este é exatamente o tipo de tarefas nas quais os algoritmos de inteligência artificial se destacam. A única questão restante é a seguinte: como colocar essas ferramentas de machine learning em um bom trabalho no dia a dia?

Exemplos:

  • Todos os dados rapidamente: um modelo machine learning pode ser treinado para processar todos os tipos de dados gerados por seus sistemas. Se um novo tipo de dados precisar ser adicionado, um modelo pode ser ajustado e re-treinado com relativa facilidade, mantendo o desempenho sempre alto. Isso garantirá a integridade e fidelidade dos dados, resultando em uma análise abrangente e resultados tangíveis.
  • Análise aprofundada de dados: quando todos os dados são analisados, os padrões ocultos surgem e insights acionáveis ​​se apresentam. O pessoal de DevOps pode, então, distinguir a necessidade de ajustes de infraestrutura para evitar os gargalos de desempenho com sugestões específicas baseadas em dados para otimização da infraestrutura e melhoria das operações.
  • Automação de tarefas rotineiras: quando os padrões de eventos são identificados, ações automáticas podem ser definidas. Assim, quando as estatísticas mostram que certos eventos sempre levam a um resultado particular (negativo) e que certas ações devem ser executadas para corrigir o problema, a equipe de DevOps pode criar esses tipos de ações e automatizar as respostas a tais eventos.
  • Transformação digital: pode ajudar a agregar mais valor aos negócios economizando muito esforço e tempo o aproveitando para a inovação. AIOps pode ajudar sua organização a obter visibilidade de ponta a ponta em infraestrutura de aplicativos.
  • DevOps Inteligente: com a equipe de DevOps, para cada IC / CD que você cria hoje, você precisará implementar uma ação automatizada como parte de seu pipeline. Com a automação inteligente de códigos, pode monitorar a implantação de métricas de integridade e invocar reversões de detecção de problemas rapidamente.
  • Implementação mais rápida: o AIOps pode implementar ações automatizadas como mecanismos de resposta para eventos conhecidos com a lógica do negócio incorporada. Sendo que uma boa parte das organizações que tem problemas de monitoramento gastam, em média, uma hora reparando problemas de desempenho.
  • Visibilidade: AIOps ajuda a aumentar a visibilidade em infraestrutura empresarial, de informações, de rede e de operações.
  • Recomendações baseadas em dados: fornece recomendações orientadas por dados, baseadas tanto em dados históricos quanto em tempo real, que auxilia na realização de um processo de tomada de decisões.
  • Valor: AIOps agrega valor que inclui gerenciamento completo de alertas, automação, machine learning, correlação, monitoramento de microsserviços, gerenciamento de dados, análise avançada em tempo real e monitoramento de dados em pilha completa.

Também podemos incluir a redução de uma grande parte do ruído de alerta, a eliminação de erros humanos, governança melhor centralizada, redução significativa de custos, ampla coleta de dados, experiência do usuário moderna e aumento rápido do tempo para valorização.

Quais benefícios as empresas podem ter com o AIOps?

Bom, podemos pensar nos seguintes resultados: disponibilidade ininterrupta do produto, resolução preventiva de problemas, remoção de silos de dados e correção de causa raiz, automação de tarefas rotineiras, melhora na colaboração (neste último caso, a análise profunda de logs ajuda a mostrar o impacto das decisões e avaliar a eficiência das estratégias adotadas).

Será que é hora de começar a usar estratégicamente as plataformas de AIOps? O objetivo final das soluções de AIOps é tornar a vida melhor para os seus profissionais no meio da transformação digital. Já existem empresas que devem estar usando métodos avançados para expandir o DevOps.

Como podemos ver, as ferramentas e soluções AIOps podem ter um amplo benefício, e ainda não existe nenhum truque de marketing para a “venda” de soluções de AIOps. Mas também empresas inovadoras já estão aplicando seus esforços na combinação de algoritmos de inteligência artificial, diversos modelos de machine learning e sistemas DevOps para oferecer as soluções de ponta em monitoramento.

A aplicação dessas práticas resulta em uma experiência do cliente tremendamente melhor, menor tempo de comercialização dos produtos, uso mais eficiente da infraestrutura e melhor colaboração dentro da equipe. Até mesmo esses inovadores não têm uma solução pronta para uso disponível para suas necessidades e precisam criar esses sistemas usando ferramentas mais conhecidas de DevOps.

O importante é termos as ideias, o nível de habilidades de gerenciamento de infraestrutura necessárias para implementá-las excedendo em muitas habilidades das empresas comuns.