Искусственный интеллект в управлении ИТ-инфраструктурой: задачи и риски

Внедрение систем ITAM, SAM и зонтичного мониторинга охватывает автоматизацией самые разные участки — от учета ИТ-активов до отслеживания доступности сервисов. Добавление к этим инструментам искусственного интеллекта открывает новые возможности.

В этой статье дадим несколько рекомендаций, в какие задачи встроить AI-модели, чтобы получить максимальную пользу в управлении ИТ-инфраструктурой.

Вызовы при управлении ИТ-инфраструктурой

ИТ-ландшафт постоянно усложняется за счет появления новых программных сред и типов активов. В инфраструктуре генерируются массивы информации, в обработке которых помогают различные системы — например, ITAM, SAM и зонтичного мониторинга.

Чтобы повысить эффективность этих инструментов, можно использовать алгоритмы машинного обучения и анализ больших данных. Благодаря технологиям искусственного интеллекта (ИИ) получится более эффективно оптимизировать целый ряд ИТ-процессов.

Рассмотрим, с какими вызовами справится ИИ, если передать на его сторону определенный набор задач:

инвентаризация;
соблюдение лицензионной чистоты ПО;
оптимизация затрат;
безопасность данных.

Вызовы	Как помогает ИИ
Отсутствие достоверной картины ИТ-ландшафта. Сложности при управлении жизненным циклом активов Разноформатные данные в ИТ-системах. Дубли из-за пересечений в базах данных. Ошибки сложно выявить из-за сопровождения разными специалистами Неполная информация	Унификация — создает шаблоны для описания устройств, что ускоряет сбор и фиксацию информации Дедупликация — автоматически обнаруживает повторы и убирает их. Стандартизирует в соответствии с заданными шаблонами Категоризация — проводит структурирование и классификацию стандартизированных и очищенных данных
Юридические, финансовые и репутационные риски из-за несоблюдения условий лицензионных контрактов Неэффективное управление ПО и лицензиями из-за отсутствия достоверных данных Риск остановки сервисов из-за устаревшего ПО	Автоматическое сопоставление лицензий — сравнивает используемое ПО с лицензиями и выявляет несоответствия Мониторинг и отчетность — построение отчетов для внутреннего и внешнего аудита, управленческих решений Стандартизация данных — в системе консолидируются и обрабатываются данные, которые помогают управлять жизненным циклом ПО, в т.ч. напоминать об обновлении или замене софта
Риск превышения планируемых бюджетов на развитие и поддержку инфраструктуры Закупки ИТ-активов по факту возникновения потребности	Оптимизация закупок — анализирует прошлые и текущие затраты, выявляет нужные объемы закупок Составление точных бюджетов — позволяет планировать затраты на основе прогнозов сбоев оборудования и данных о завершении срока действия лицензий
Сложности обнаружения различных угроз, связанные с большим количеством обрабатываемых массивов данных Риск возникновения проблем с информационной безопасностью из-за отсутствия обновлений ПО Риски, которые возникают из-за некорректного управления активами	Предупреждение угроз — находит подозрительное поведение в ИТ-системах, например, запросы на закрытые данные Идентификация угроз — просматривает базы данных угроз и ищет опасности в ИТ-активах Приоритизация угроз — определяет критичность на основе анализа данных о потенциале использования ИТ-ресурсов и последствий сбоев для бизнеса

Синергетический эффект от техучета ИТ-активов, управления программными активами и мониторинга в сумме с ИИ будет особенно заметен, если применять эти решения вместе.

Как использовать ИИ для проактивного мониторинга

Еще одно направление, в котором пригодятся возможности ИИ, — проактивный мониторинг ИТ-ресурсов. Что это такое? Это настроенный процесс, который помогает снижать количество инцидентов в инфраструктуре и выявлять потенциальные сбои еще до того, как они произошли.

Например, в системе зонтичного мониторинга Naumen BSM используются алгоритмы искусственного интеллекта, которые позволяют детектировать аномалии и выявлять тенденции в поведении метрик. Разберем подробнее.

Алгоритм мониторинга состояния оборудования и сервисов

Детектирование аномалий. На основе анализа исторических данных о поведении метрик ИИ определяет типичные и нетипичные значения. ИТ-специалисту потребуется настроить, какие значения система должна зафиксировать как аномалию, чтобы запустить механизмы реагирования.

Параметры, которые нужно задать:

Величина отклонения. Некоторые значения метрик меняются ежесекундно. Нужно понять, какие отклонения считать нормальными, а какие выходят за рамки коридора типичных значений.
Количество отклонений. В ИТ-инфраструктуре могут возникать единичные отклонения, после которых работа систем восстанавливается. Но если отклонение происходит с какой-то периодичностью, вероятность возникновения сбоя повышается. И это допустимое число прописывается в системе.
Исторический интервал. Нужно определить, в течение какого периода должны повториться отклонения, чтобы система зафиксировала аномалию.

Параметры устанавливаются индивидуально для каждой компании с учетом разных факторов. Например, это зависит от прописанных для ИТ-службы условий SLA.

Нюанс: слишком высокая чувствительность при обнаружении отклонений может привести к тому, что ИТ-служба будет получать вал оповещений о ложных тревогах. Поэтому нужно установить такие значения, чтобы специалисты успели отреагировать на прогноз и принять предупреждающие меры. Также при настройке можно учитывать время суток и сезонность, если эти факторы влияют на значение метрик.

Модель детектирования аномалий в системе Naumen BSM фиксирует значения метрики и обнаруживает отклонения

Предположим, система мониторинга контролирует объем свободного места на диске. В соответствии с настройками аномалия зафиксируется, если в течение 30 минут возникнет 4 отклонения. Задано, что значения регистрируются каждые 30 секунд. Когда количество свободной памяти сократится и система зафиксирует 4 отклонения, ответственный за этот сервис сотрудник получит автоматическое оповещение и происходящем.

Прогнозирование трендов. Предиктивные модели умеют анализировать исторические данные об изменении значений метрик. И на основе этого анализа выявлять тенденции на уменьшение или увеличение показателей и рассчитать прогноз. Например, определить, что при сохранении текущей тенденции память диска закончится через 2 часа.

В системе мониторинга будет достаточно установить горизонт прогнозирования — период, на который рассчитывается прогноз. Остальные параметры система определит автоматически.

Прогнозирование тренда изменения значений метрики в системе зонтичного мониторинга Naumen BSM

Механизмы реагирования. Обычно в системах мониторинга предусматриваются различные механизмы реагирования, которые срабатывают при фиксации аномалии или неблагоприятном прогнозе поведения метрики. Система может отправить сообщение, позвонить ответственному инженеру или зарегистрировать инцидент. При настройке сценария можно учесть, насколько востребован ИТ-ресурс, принимает ли он участие в предоставлении критически важных для бизнеса услуг, какие риски повлечет возможный сбой.

Какие риски связаны с ИИ

При всех преимуществах применение ИИ связано и с различными рисками. Рассмотрим некоторые из них.

Неверный подбор модели и настроек. В некоторых случаях ИИ может выдавать неточный или ошибочный результат. Например, если сама модель подобрана без учета задач и специфики компании, при настройке выбраны неподходящие значения, не учтены SLA и другие особенности.

Зависимость от данных. Точность результатов, которые выдает ИИ, во многом обусловлена качеством и полнотой обучающих данных и тех, что поступают в систему. Например, можно получить неудовлетворительный результат, если в компании мало информации об активах, их характеристиках и состоянии или же в систему поступают неочищенные и нестандартизированные данные.

Технологические сложности. ИИ — это инструмент, который не заменяет человека, а помогает ему. Чтобы инструмент приносил пользу, его нужно настроить, контролировать и использовать информацию для дальнейших решений. Также для работы с ИИ сотрудникам потребуются специальные компетенции, которым нужно обучаться дополнительно.

Чтобы не столкнуться с типовыми рисками, лучше внедрять такие автоматизированные инфраструктурные решения, где уже содержатся встроенные функции ИИ и есть практика настройки бизнес-кейсов под различные задачи. Дополнительным преимуществом будет, если разработчик ПО имеет собственный центр компетенций в вопросах искусственного интеллекта.

В этом случае использование ИИ и машинного обучения в управлении ИТ-активами не только повысит операционную эффективность, но и поможет добиться стратегической гармонизации управления инфраструктурой с целями компании, способствуя общей конкурентоспособности и росту бизнеса.

Свяжитесь с нами, чтобы узнать больше о продуктах NAUMEN и реализованных кейсах с помощью искусственного интеллекта. Мы проведем консультацию и ответим на ваши вопросы.