Oggi, le aziende di ogni settore stanno cercando approcci innovativi per implementare soluzioni di intelligenza artificiale (AI) e rivoluzionare il modo di lavorare. Tuttavia, per sfruttare appieno le nuove tecnologie, è necessario che queste eseguano azioni significative che portino a benefici tangibili. Un ambito su cui si concentrano particolarmente i team IT e i decisori aziendali è sui meccanismi di automazione, definita da IBM come “l’uso della tecnologia per eseguire compiti riducendo al minimo l’intervento umano”.
Cos’è l’automazione e come possono beneficiarne le aziende?
L’automazione accelera i processi IT eseguendo automaticamente operazioni manuali che in precedenza richiedevano l’intervento umano. Ciò consente alle organizzazioni di ottenere una maggiore visibilità sull’infrastruttura, sulle applicazioni e sui dispositivi in uso, facilitando la gestione dei contenuti, l’ottimizzazione dei workflow, l’adozione di decisioni basate sui dati, la riduzione dei costi, il miglioramento delle performance della rete e, aspetto spesso cruciale, la gestione proattiva degli incidenti attraverso l’auto-riparazione.
Mentre i leader IT assumono un ruolo sempre più rilevante nei processi decisionali aziendali e si trovano a rispondere frequentemente in merito alle iniziative di trasformazione digitale – che influiscono profondamente su come viene creato e distribuito il valore aziendale – l’auto-riparazione offre molteplici vantaggi. In primo luogo, può ridurre i tempi di inattività non pianificati ed eliminare i problemi di performance nel percorso dell’utente, migliorando così l’esperienza finale. Inoltre, può aiutare le imprese a superare le sfide previsionali, ottimizzando le risorse e riducendo l’eccesso di capacità software e infrastrutturale. Infine, può accelerare lo sviluppo di applicazioni di alta qualità, riducendo il tempo necessario per i test e permettendo di introdurre sul mercato i prodotti più rapidamente.
Il percorso verso l’auto-riparazione non è così semplice come installare una soluzione di automazione e farla funzionare, come spesso si presume – e molti restano delusi quando il processo non funziona come previsto. Per raggiungere un livello ottimale di maturità e conseguire i propri obiettivi, le organizzazioni devono garantire e comprendere a fondo diversi componenti chiave nel processo di automazione.
Chiarezza, integrità, fedeltà: l’importanza di dati affidabili e di ampia portata
L’automazione non è semplicemente un risultato dell’AI – è anche un suo motore. Qualsiasi tecnologia intelligente è valida quanto i dati che le vengono forniti e, per massimizzare il suo potenziale, questi dati devono essere chiari, integri e fedeli alla realtà. Devono inoltre essere estratti completamente da tutti i domini aziendali – dall’infrastruttura e dalle reti fino alle applicazioni e ai protocolli – per realizzare un quadro completo e un modello di machine learning accurato.
Si pensi, ad esempio, alle app di gestione finanziaria attualmente sempre più diffuse. Queste si collegano ai conti bancari mobili di un utente e forniscono informazioni sulle relative abitudini di spesa. Se l’utente ha differenti tipologie di conti – ad esempio, un conto corrente, un conto risparmio e carte di debito e credito – è fondamentale che l’app raccolga i dati da ciascuno di essi per fornire una visione completa delle spese e dello stile di vita dell’utente.
Tuttavia, molte aziende dispongono di sistemi legacy scollegati e dati separati memorizzati in ambienti silos. Ironia della sorte, il risultato finale dell’automazione – detta observability – deve essere presente fin dall’inizio per unificare questi dati frammentati e consentire la comunicazione tra tecnologie obsolete. Esistono soluzioni sul mercato, come il portfolio di Unified Observability di Riverbed, che possono accelerare questo processo rendendo disponibili tutti i benefici dell’automazione.
Stabilire una base di riferimento per affrontare le anomalie
Una volta che un’azienda ha raccolto dati di qualità, è fondamentale stabilire una base di riferimento – capire e registrare ciò che è consueto tra sistemi e dispositivi, in modo da poter identificare e affrontare le anomalie. È come per gli esami del sangue: senza tenere registri medici accurati e tempestivi, è possibile ottenere solo informazioni su eventuali anomalie in quel singolo campione, senza considerare lo stato di salute complessivo. Esaminando i dati nel tempo e raccogliendo campioni regolarmente, è possibile individuare deviazioni dai valori normali e diagnosticare problemi, isolati e ricorrenti, e prescrivere i trattamenti necessari per ripristinare la salute.
Una base di riferimento può essere stabilita utilizzando formule matematiche di machine learning. Tuttavia, i dati delle applicazioni, di rete, dell’utente finale e infrastrutturali sono diversi tra loro e devono essere trattati e monitorati in modo specifico. Per questo motivo, è essenziale che il provider di una soluzione di osservabilità unificata abbia eseguito analisi dettagliate che permettano di applicare le formule e le tecniche di data science appropriate nei contesti idonei, al fine di fornire le correlazioni degli incidenti richieste dalle organizzazioni.
L’auto-riparazione inizia con l’auto-detezione
Dopo aver stabilito una base di riferimento efficace, l’automazione può iniziare. Per automatizzare il processo di riparazione, le aziende devono prima automatizzare il processo di rilevamento, introducendo script che segnalano gli incidenti e la loro origine. Questo aiuta a evitare falsi positivi ed errori umani, permettendo la correlazione di problemi individuali, identificando problemi più grandi e le loro cause per accelerare il tempo medio di rilevamento (MTTD) o di conoscenza (MTTK).
Solo a questo punto può iniziare il processo di auto-riparazione. Gli script di automazione possono essere utilizzati per ridurre il tempo medio di riparazione (MTTR) – affrontando situazioni prima che gli utenti se ne accorgano e guidando ottimizzazioni continue.
Per ottenere la massima qualità da qualsiasi sistema di automazione, è essenziale che le aziende dispongano di dati affidabili e di un meccanismo di machine learning efficace. Inoltre, i leader devono modificare l’approccio adottato, dalla gestione degli incidenti singoli alla gestione complessiva dei problemi, e le soluzioni devono essere verificate e reinserite nel sistema per l’apprendimento futuro. Questo permetterà di creare un quadro completo “del prima e del dopo”, favorendo un miglioramento continuo e risultati sempre più efficaci.
Di Charbel Khneisser, Vice President Solutions Engineering EMEA di Riverbed Technology
