AIOps ソリューションには、従来の AI と生成 AI の両方が必要です
生成 AI は AIOps に新たな命を吹き込みましたが、それが将来も存続するために必要な唯一のタイプの AI であると信じるのは間違いです。
2022 年、AIOps は生命維持装置にかかっているテクノロジーのように見えました。 ほぼすべてのいわゆる AIOps ソリューションは、従来の監視を強化しただけのものでした。 その時点で AIOps が対象としていたユースケースは平凡なものであり、適応型applicationsのビジョンに向けた進歩を推し進めるという点では、ほとんど役に立ちませんでした。 つまり、業務にインテリジェンスとリアルタイムの変更を実行する能力をもたらすことです。
しかし、生成 AI が登場し、突然、AIOps に第二のチャンスが与えられました。 ところが、そうではありませんでした。 あまり。
その理由を理解するには、AIOps が提供しようとしている機能の観点から AIOps を定義する必要があります。
AIOps とは何ですか?
AIOps は、一般的に IT 運用における人工知能の使用を指すために使用される広義の用語です。 AIOps ソリューション (通常はプラットフォームと呼ばれます) は、通常、次の 4 つの異なる機能を提供します。
- 観察する： テレメトリの取り込みと異常検出について説明します。
- 分析: AI を使用してパターンを発見し、コンテキスト内でイベントを相関させ、根本原因を特定し、洞察を生成します。
- 従事する： ユーザーがデータと洞察を視覚化し、操作できるようにします。
- 活動： 自動化を通じて洞察を行動に変えます。
これまで見てきたのは、主に生成 AI とエンゲージ機能の統合です。 具体的には、生成 AI は、GUI (グラフィック ユーザー インターフェイス) と API を NLI (自然言語インターフェイス) に交換することで、この機能のインタラクション機能を進化させました。 ZK Research のレポートによると、これにより AIOps は AIOps の最も頻繁に引用されるユースケースへと大きく移行します。
- 64% IT運用効率/生産性
- ネットワークまたはアプリのパフォーマンスが54%向上
- セキュリティまたはコンプライアンスが54%向上
リスクを軽減し、インシデントに対処するためのポリシーと構成を生成することで、生成 AI が使用されているという兆候はいくつかありますが、現時点ではわずかであり、主に単一のターゲット エコシステム、つまり 1 つのベンダーまたはプロバイダーのポートフォリオに限定されています。
生成 AI は、観察機能によって収集されたデータを分析する能力の向上にはほとんど貢献していません。 これは欠点ではなく、むしろ、この目的のために設計されていなかったことを認識しているということです。 そのためには、古き良き伝統的な AI に頼る必要があります。
従来の AI とは何ですか?
生成 AI が導入されて以来、私たちが AI と呼んできたものには、独自の呼び名が必要になりました。 市場では、「生成型以外のすべての AI」を説明するために従来の AI という言葉が使われるようになりました。
従来の AI は、生成 AI と同じトレーニング手法や基本原理を多く使用しますが、主に構造化されたデータのコーパス内のパターンと関係性を識別することで結果を分析し、さらには予測することを目的としています。 従来の AI は分類と認識に優れています。
従来の AI は数十年にわたって次のような目的で使用されてきました。
- アカウント乗っ取りなどの不正行為や詐欺を防ぐためにボットを特定する(ATO)
- ネットワーク（DDoS）およびapplication（L7）トラフィックの行動パターンに基づいて攻撃を検出します
- 消費パターンに基づいて製品やサービスの推奨を行う
- 手書きと画像認識
AIOps における AI の役割
従来の AI は、既存のパターンや関係性を予測するだけでなく、ほぼリアルタイムで新しいパターンや関係性を発見できるため、真の AIOps ソリューションにとって非常に貴重なテクノロジーとなっています。 新しいデータを分析して攻撃の存在を推測したり、可用性を妨げたりパフォーマンスを低下させる問題を予測したりできるモデルが必要です。 従来の AI は、観察機能に異常を検出する機能を組み込み、分析機能にパターンと関係性の発見を提供することの両方に特に優れています。
生成 AI はコード、構成、コンテンツを生成できます。 既存のパターンを複製し、それを適用して新しいコンテンツを生成します。 何も作成しませんが、フィードバックに基づいて強化または弱められるオブジェクト間の関係に依存します。
実際、生成 AI に新しいデータの分析を依頼するのはリスクを伴います。 正しい答えが返ってくることもありますが、幻覚を起こして間違った答えが返ってくることもあります。 なぜなら、生成 AI は究極的には数字のゲームであり、データ ポイント間の関係性やパターンが強くなかったり、十分に存在しなかったりする場合は、正しいか間違っているかにかかわらず、単に空白を埋めるだけだからです。
生成 AI が提供するのは、データへのアクセス性(クエリ言語の専門家である必要も、インターフェイスの構築を開発者に頼る必要もない) と、問題を解決するために実行できるコードや構成を自動的に生成する機能です。 これもアクセシビリティであり、コードを書いたり複数の API を活用したりする専門家である必要性が軽減されます。
しかし、テレメトリ データをリアルタイムで分析する従来の AI がなければ、このようなシステムは、完全に機能する AIOps ソリューションに必要な 3 つの機能のうち 2 つに部分的にしか対応できません。 したがって、従来の AI と生成 AI の両方を使用する必要があります。
- 観察: 異常検出のための従来の AI。
- 分析:パターンと関係性を明らかにする従来の AI。
- Engage : ユーザーがデータと洞察を視覚化し、操作できるようにする生成 AI。
- 行動: 洞察を行動に変える生成 AI。
したがって、私は生成 AI とその運用の簡素化と高速化の能力に期待していますが、AIOps における AI の可能性を最大限に引き出すには、従来の AI と生成 AI の両方が必要であることも認識しています。