O cenário empresarial contemporâneo está passando por uma transformação comparável a uma segunda Revolução Industrial. Desta vez, não se trata de máquinas a vapor e aço, mas de inteligência artificial (IA). Assim como Marc Andreessen previu em 2011 que “o software está comendo o mundo”, agora estamos à beira de uma era em que a IA é a nova força motriz, remodelando indústrias inteiras à sua imagem.
Vale ressaltar que não estamos apenas falando do impacto da inteligência artificial generativa (GenAI), exemplificada por avanços em chatbots como o ChatGPT. Trata-se de uma transformação muito mais intrínseca à forma como as empresas operam. A IA está sendo aplicada para automatizar os mecanismos que controlam a operação de nossas infraestruturas, o funcionamento de nossos aplicativos e a alta disponibilidade de nossas redes.
Essas tarefas são essenciais porque os volumes de dados e as atualizações de software que circulam pelos complexos ambientes de TI híbrida de hoje superam amplamente a capacidade humana de gerenciamento. Nesse cenário desafiador, torna-se impossível identificar todos os sinais problemáticos em meio ao excesso de informações ou diagnosticar a causa raiz de cada experiência negativa do usuário apenas com base em seus sintomas.
Empresas ao redor do mundo estão se apressando para explorar o potencial da IA, mas essa corrida enfrenta muitos desafios. A complexidade dos sistemas de IA, os crescentes riscos cibernéticos e a escassez de profissionais qualificados são apenas alguns dos obstáculos a serem superados. Além disso, as metodologias tradicionais de TI têm se mostrado inadequadas para lidar com esses desafios.
AIOps em ação
As operações de IA (AIOps) – que utilizam inteligência artificial e aprendizado de máquina (ML – Machine Learning) para melhorar e automatizar diversos aspectos das operações de TI – representam uma transformação radical no gerenciamento de ecossistemas tecnológicos. Não se trata apenas de usar IA, mas de integrá-la no núcleo das operações de TI. Plataformas de análise como Splunk e ServiceNow, que incorporam IA e ML, exploram vastas e variadas fontes de dados, permitindo a automação de fluxos de trabalho que antes exigiam supervisão manual. Essa automação não é apenas uma questão de eficiência, mas também uma porta de entrada para novos aplicativos de TI, segurança e otimização de negócios.
No entanto, assim como a confiabilidade de um chatbot GenAI depende da qualidade dos dados que o alimentam, o sucesso da transformação AIOps está diretamente ligado à precisão, relevância e pontualidade dos dados que alimentam suas plataformas.
Tradicionalmente, os dados disponíveis para AIOps se limitavam a diferentes tipos de telemetria – logs, rastreamentos e métricas – que relatam a integridade dos elementos de rede. Embora essenciais, esses dados oferecem uma visão incompleta do sistema. Eles fornecem uma fotografia instantânea, importante mas estática, dos componentes do sistema, sem considerar suas interações, que são cruciais para a resiliência, segurança e escalabilidade da rede. A observabilidade criada pelas plataformas de AIOps é impressionante, mas poderia gerar um retorno ainda maior com um conjunto de dados mais preciso e significativo.
Dados melhores, AIOps melhor
Um conjunto de dados de alto valor, ainda subutilizado, pode ser extraído das interações ricas e complexas entre fontes de informação e usuários na rede. Esse conjunto de dados tem o potencial de ser triangulado e correlacionado com outros dados disponíveis, aumentando significativamente seu valor combinado para o caso de uso em questão.
O desafio de aproveitar essa fonte reside no fato de que os dados brutos de tráfego são extremamente massivos e complexos para ingestão direta. Além disso, mesmo quando compactados em metadados, sem transformação, eles se tornam um fluxo heterogêneo de conjuntos de dados rígidos e de alta cardinalidade, devido à sua diversidade e complexidade inerentes.
Uma nova geração de soluções de AIOps está preparada para superar essa limitação de dados, transformando esse fluxo bruto em coleções refinadas de dados organizados, que são aprimorados e editados através da extração inteligente de recursos.
