Dynatrace'e göre teknoloji liderlerinin %97'si geleneksel AIOps modellerinin aşırı veri yükünün üstesinden gelemediğini düşünüyor.
Kuruluşlar veri içinde boğuluyor
Araştırma, kuruluşların hızlı dönüşümü mümkün kılmak ve güvenli inovasyon sunmak için çoklu bulut ortamlarını ve bulutta yerel mimarileri benimsemeye devam ettiğini ortaya koyuyor. Ancak bu modern bulut ekosistemlerinin sağladığı hız, ölçek ve çevikliğe rağmen kuruluşlar, oluşturdukları veri patlamasını yönetmekte zorlanıyor.
Bu araştırma bulguları, kalıcı iş değeri sağlamak için geleneksel AIOps modellerinin ötesine geçen olgun bir yapay zeka, analitik ve otomasyon stratejisine duyulan ihtiyacın altını çiziyor.
Kuruluşların %88'i teknoloji yığınlarının karmaşıklığının son 12 ayda arttığını, %51'i ise artmaya devam edeceğini söylüyor.
Ortalama çoklu bulut ortamı 12 farklı platform ve hizmeti kapsar. Teknoloji liderlerinin %87'si çoklu bulut karmaşıklığının olağanüstü müşteri deneyimleri sunmayı zorlaştırdığını, %84'ü ise uygulamaların korunmasını zorlaştırdığını söylüyor.
Teknoloji liderlerinin %86'sı, bulutta yerleşik teknoloji yığınlarının, insanların yönetme yeteneğinin ötesinde bir veri patlaması ürettiğini söylüyor.
Kuruluşlar uygulamaları, altyapıyı ve kullanıcı deneyimini yönetmek için ortalama olarak on farklı izleme ve gözlemlenebilirlik aracı kullanıyor.
Teknoloji liderlerinin %85'i güvendikleri araç, platform, kontrol paneli ve uygulama sayısının çoklu bulut ortamını yönetmenin karmaşıklığını artırdığını söylüyor.
Dynatrace CTO'su Bernd Greifeneder, “Bulut tabanlı mimariler, modern kuruluşlar için zorunlu hale geldi ve onlara yenilik sunmak için ihtiyaç duydukları hız, ölçek ve çevikliği sağladı” dedi. “Bu mimariler, en basit dijital işlemleri bile destekleyen, büyüyen bulut platformları ve hizmetleri dizisini yansıtıyor. Ürettikleri büyük miktarda veri, uygulamaların izlenmesini ve güvenliğini sağlamayı giderek zorlaştırıyor. Sonuç olarak, müşteri deneyimi gibi kritik iş sonuçları olumsuz etkileniyor ve gelişmiş siber tehditlere karşı korunmak giderek zorlaşıyor.”
AIOps olasılıksal yöntemler sınır değeri
Parçalanmış bulut izleme araçlarına ve manuel analiz stratejilerine sürekli güvenmek, BT ve güvenlik ekipleri için başka bir zorluk yaratıyor. Tek bir gerçek kaynak veya gerçek zamanlı içgörü bulunmadığından bu ekipler, inovasyonu hızlandırmak ve dijital hizmetleri etkili bir şekilde optimize etmek için gereken yanıtlara erişme konusunda giderek daha fazla zorlanıyor.
Tüm bu araçları, platformları ve kontrol panellerini yönetme çabası, ekiplerin genellikle yalnızca görev açısından kritik uygulamaları izlemesi anlamına gelir. Bu, teknoloji yığınında ekiplerin içgörülere erişemediği sayısız kör nokta oluşturarak sorunların ortaya çıkmasını kolaylaştırır.
- Teknoloji liderlerinin %81'i, günlük yönetimi ve analitiğine yönelik manuel yaklaşımların, teknoloji yığınlarındaki ve ürettiği veri hacimlerindeki değişim hızına ayak uyduramayacağını söylüyor.
- Teknoloji liderlerinin %81'i, ekiplerinin izleme araçlarının bakımını yapmak ve verileri analiz için hazırlamak için harcadığı zamanın inovasyondan zaman çaldığını söylüyor.
- Kuruluşların %72'si, çoklu bulut ortamlarını yönetmenin karmaşıklığını azaltmak için AIOps'u benimsedi.
- Teknoloji liderlerinin %97'si, olasılığa dayalı makine öğrenimi yaklaşımlarının, güvenilir içgörüler elde etmek için gereken manuel çaba nedeniyle AIOps'un sunduğu değeri sınırladığını söylüyor.
“Bulutta yerel mimarilerden gelen yüksek hacimli ve çeşitli verileri gerçek zamanlı, bağlamsal açıdan anlamlı içgörülere dönüştürme yeteneği olmadan, BT, geliştirme, güvenlik ve iş ekipleri, ortamlarında neler olup bittiğini anlamakta zorluk çekiyor ve gerekli yanıtlardan yoksun kalıyor. Sorunları hızlı ve kararlı bir şekilde çözüyoruz” diye devam etti Greifeneder.
“Birçok kuruluş AIOps'a yönelirken, olasılıksal yöntemlere güvenilmesi nedeniyle sıklıkla sınırlı değerle karşılaşıyor; bu yöntemlerin uygulanması kesin olmayabilir ve zaman alıcı olabilir. Modern teknoloji yığınlarının karmaşıklığının üstesinden gelmek için kuruluşların gelişmiş yapay zeka, analiz ve otomasyon yeteneklerine ihtiyacı vardır. Ekipler, çeşitli verileri birleştirerek, bağlamını koruyarak ve nedensel, tahmine dayalı ve üretken yapay zeka da dahil olmak üzere birden fazla tekniği birleştiren hipermodal bir yapay zeka ile analiz ve otomasyonu güçlendirerek, daha akıllı karar alma sürecini desteklemek için verilerinden zengin içgörülerin kilidini açabilir. otomasyon ve daha verimli çalışma yöntemleri,” diye bitirdi Greifeneder.