Diciptakan oleh Gartner, AIOps-yaitu kecerdasan buatan untuk operasi TI-adalahpenerapan kemampuan kecerdasan buatan (AI), seperti pemrosesan bahasa alami dan model pembelajaran mesin, untuk mengotomatisasi dan merampingkan alur kerja operasional.

Secara khusus, AIOps menggunakan big data, analitik, dan kemampuan pembelajaran mesin untuk melakukan hal berikut:

• Mengumpulkan dan menggabungkan volume data yang sangat besar dan terus meningkat yang dihasilkan oleh berbagai komponen infrastruktur TI, permintaan aplikasi, dan alat pemantauan kinerja, serta sistem tiket layanan
• Secara cerdas menggeser 'sinyal' dari 'kebisingan' untuk mengidentifikasi peristiwa dan pola signifikan yang terkait dengan masalah kinerja dan ketersediaan aplikasi.
• Mendiagnosis akar masalah dan melaporkannya ke IT dan DevOps untuk mendapatkan respons dan perbaikan yang cepat -atau, dalam beberapa kasus, secara otomatis menyelesaikan masalah ini tanpa campur tangan manusia. 

Dengan mengintegrasikan beberapa alat bantu operasi TI yang terpisah dan manual ke dalam satu platform operasi TI yang tunggal, cerdas, dan otomatis, AIOps memungkinkan tim operasi TI merespons dengan lebih cepat-bahkan secara proaktif-terhadap perlambatan dan pemadaman, dengan visibilitas dan konteks menyeluruh.

Kecerdasan ini menjembatani kesenjangan antara lanskap TI yang semakin beragam, dinamis, dan sulit untuk dipantau serta tim yang terkotak-kotak, di satu sisi, dan ekspektasi pengguna akan sedikit atau tidak ada gangguan dalam kinerja dan ketersediaan aplikasi, di sisi lain. Sebagian besar ahli menganggap AIOps sebagai masa depan manajemen operasi TI dan permintaannya terus meningkat seiring dengan meningkatnya fokus bisnis pada inisiatif transformasi digital.

Perjalanan menuju AIOps berbeda di setiap organisasi. Setelah Anda menilai di mana posisi Anda dalam perjalanan menuju AIOps, Anda bisa mulai menggabungkan alat bantu yang membantu tim untuk mengamati, memprediksi, dan bertindak cepat terhadap masalah operasional TI. Ketika Anda mempertimbangkan alat untuk meningkatkan AIOps dalam organisasi Anda, Anda harus memastikan bahwa alat tersebut memiliki fitur-fitur berikut ini:

Observabilitas: Observabilitas mengacu pada alat dan praktik perangkat lunak untuk menelan, mengumpulkan, dan menganalisis aliran data kinerja yang stabil dari aplikasi terdistribusi dan perangkat keras yang digunakannya, untuk memantau, memecahkan masalah, dan men-debug aplikasi secara lebih efektif guna memenuhi ekspektasi pengalaman pelanggan, perjanjian tingkat layanan (SLA), dan persyaratan bisnis lainnya. Solusi ini dapat memberikan pandangan holistik di seluruh aplikasi, infrastruktur, dan jaringan Anda melalui agregasi dan konsolidasi data, tetapi tidak mengambil tindakan korektif untuk mengatasi masalah TI. Meskipun mereka tidak mengambil tindakan korektif untuk mengatasi masalah TI, mereka mengumpulkan dan mengumpulkan data TI dari berbagai sumber data di seluruh domain TI untuk memperingatkan pengguna akhir tentang masalah potensial, dengan harapan tim layanan TI dapat menerapkan perbaikan yang diperlukan. Meskipun data dan visualisasi yang sesuai dari alat bantu ini sangat berharga, namun alat bantu ini menciptakan ketergantungan pada organisasi TI untuk mengambil keputusan dan merespons masalah teknis dengan tepat. Optimalisasi sumber daya yang mengharuskan operator memperbarui sistem operasional secara manual mungkin tidak akan memberikan manfaat dalam situasi permintaan yang dinamis.

Analisis prediktif: Solusi AIOps dapat menganalisis dan menghubungkan data untuk mendapatkan wawasan yang lebih baik dan tindakan otomatis, sehingga tim TI dapat mempertahankan kendali atas lingkungan TI yang semakin kompleks dan memastikan kinerja aplikasi.  Kemampuan untuk menghubungkan dan mengisolasi masalah adalah langkah besar bagi tim Operasi TI mana pun. Hal ini mengurangi waktu untuk mendeteksi masalah yang mungkin tidak ditemukan dalam organisasi. Organisasi akan memperoleh manfaat dari deteksi anomali otomatis, peringatan, dan rekomendasi solusi, yang pada gilirannya akan mengurangi waktu henti secara keseluruhan serta jumlah insiden dan tiket. Optimalisasi sumber daya dinamis dapat diotomatisasi menggunakan analitik prediktif, yang dapat memastikan kinerja aplikasi sekaligus mengurangi biaya sumber daya dengan aman bahkan saat terjadi variabilitas permintaan yang tinggi.

Respons proaktif: Beberapa solusi AIOps akan secara proaktif merespons kejadian yang tidak diinginkan, seperti perlambatan dan pemadaman, menyatukan kinerja aplikasi dan manajemen sumber daya secara real-time. Dengan memasukkan metrik performa aplikasi ke dalam algoritme prediktif, mereka dapat mengidentifikasi pola dan tren yang sesuai dengan berbagai masalah TI. Dengan kemampuan untuk meramalkan masalah TI sebelum terjadi, alat bantu AIOps dapat meluncurkan proses otomatis yang relevan sebagai tanggapan, memperbaiki masalah dengan cepat. Organisasi akan dapat melihat manfaat dari otomatisasi cerdas, seperti meningkatkan mean time to detection (MTTD).

Jenis teknologi ini adalah masa depan manajemen operasi TI karena dapat membantu bisnis meningkatkan pengalaman karyawan dan pelanggan. Sistem AIOps tidak hanya memastikan bahwa masalah layanan TI diselesaikan tepat waktu tetapi juga menyediakan jaring pengaman untuk tim operasi TI, mengatasi masalah yang mungkin jatuh melalui celah karena pengawasan manusia, seperti silo organisasi, tim yang kekurangan sumber daya, dan banyak lagi. 

Manfaat menyeluruh dari AIOps adalah memungkinkan operasi TI untuk mengidentifikasi, mengatasi, dan menyelesaikan perlambatan dan pemadaman lebih cepat daripada yang bisa mereka lakukan dengan menyaring secara manual melalui peringatan dari beberapa alat operasi TI. Hal ini menghasilkan beberapa manfaat utama:

• Waktu rata-rata yang lebih cepat untuk resolusi (MTTR): Dengan memangkas gangguan operasi TI dan menghubungkan data operasi dari berbagai lingkungan TI, AIOps dapat mengidentifikasi akar penyebab dan mengusulkan solusi lebih cepat dan lebih akurat daripada yang bisa dilakukan oleh manusia. Hal ini memungkinkan organisasi untuk menetapkan dan mencapai tujuan MTTR yang sebelumnya tidak terpikirkan. Sebagai contoh, infrastruktur TI Vivy mengurangi waktu rata-rata perbaikan (MTTR) untuk aplikasi perusahaan sebesar 66%, dari tiga hari menjadi satu hari atau kurang.
• Biaya operasional yang lebih rendah: Identifikasi otomatis masalah operasional dan skrip respons yang diprogram ulang akan mengurangi biaya operasional, sehingga memungkinkan alokasi sumber daya yang lebih baik. Hal ini juga membebaskan sumber daya staf untuk mengerjakan pekerjaan yang lebih inovatif dan kompleks, yang mengarah pada peningkatan pengalaman karyawan. Melalui pengoptimalan, Providence menghemat lebih dari USD 2 juta sekaligus memastikan kinerja aplikasi selama masa puncak.
• Lebih banyak pengamatan dan kolaborasi yanglebih baik: Integrasi yang tersedia dalam alat pemantauan AIOps memfasilitasi kolaborasi lintas tim yang lebih efektif di seluruh DevOps, ITOps, tata kelola , dan fungsi keamanan. Visibilitas, komunikasi, dan transparansi yang lebih baik memungkinkan tim-tim ini meningkatkan pengambilan keputusan dan menanggapi masalah dengan lebih cepat. Sebagai contoh, Dealerware membawa lebih banyak observabilitas ke arsitektur berbasis kontainer mereka, yang meningkatkan kinerja aplikasi selama pandemi dan mengurangi latensi pengiriman sebesar 98%.

Beralih dari manajemen reaktif ke proaktif menjadi manajemen prediktif: Dengan kemampuan analisis prediktif bawaan , AIOps terus belajar mengidentifikasi dan memprioritaskan peringatan yang paling mendesak, sehingga tim TI dapat mengatasi potensi masalah sebelum menyebabkan perlambatan atau pemadaman. Electrolux mempercepat penyelesaian masalah TI dari 3 minggu menjadi satu jam melalui Meantime to detection (MTTD) yang lebih cepat dan menghemat lebih dari 1.000 jam per tahun dengan mengotomatiskan tugas perbaikan.

AIOps menggabungkan big data, analitik tingkat lanjut, dan kemampuan pembelajaran mesin untuk menangani kasus-kasus penggunaan berikut ini:

• Analisis akar penyebab: Seperti namanya, analisis akar penyebab menentukan akar penyebab masalah untuk memulihkan dengan solusi yang tepat. Dengan mengidentifikasi akar penyebab, tim dapat menghindari pekerjaan yang tidak perlu yang terlibat dengan mengobati gejala masalah versus masalah inti. Misalnya, platform AIOps dapat melacak sumber pemadaman jaringan untuk segera diselesaikan dan mengatur perlindungan untuk mencegah masalah serupa di masa depan.
• Deteksi anomali: Alat AIOps dapat menyisir data historis dalam jumlah besar dan menemukan titik data yang tidak lazim dalam kumpulan data. Pencilan ini bertindak sebagai 'sinyal' yang mengidentifikasi dan memprediksi peristiwa bermasalah, seperti pelanggaran data. Kemampuan ini memungkinkan bisnis untuk menghindari konsekuensi yang merugikan, seperti PR negatif, denda peraturan, dan penurunan kepercayaan konsumen.  
• Pemantauan Kinerja: Aplikasi modern sering kali dipisahkan oleh beberapa lapisan abstraksi, sehingga sulit untuk memahami server fisik, penyimpanan, dan sumber daya jaringan yang mendasari yang mana yang mendukung aplikasi yang mana. AIOps membantu menjembatani kesenjangan ini. Alat ini bertindak sebagai alat pemantauan untuk infrastruktur cloud, virtualisasi, dan sistem penyimpanan, yang melaporkan metrik seperti penggunaan, ketersediaan, dan waktu respons. Selain itu, sistem ini memanfaatkan kemampuan korelasi peristiwa untuk mengkonsolidasikan dan mengumpulkan informasi, sehingga memungkinkan konsumsi informasi yang lebih baik bagi pengguna akhir.  
• Adopsi/migrasi cloud: Bagi sebagian besar organisasi, adopsi cloud dilakukan secara bertahap, bukan secara besar-besaran, sehingga menghasilkan lingkungan multicloud hibrida (private cloud, public cloud, banyak vendor), dengan banyak ketergantungan yang bisa berubah terlalu cepat dan sering untuk didokumentasikan. Dengan memberikan visibilitas yang jelas ke dalam saling ketergantungan ini, AIOps dapat secara dramatis mengurangi risiko operasional migrasi cloud dan pendekatan cloud hibrida.
• Adopsi DevOps: DevOps mempercepat pengembangan dengan memberikan tim pengembangan lebih banyak kekuatan untuk menyediakan dan mengonfigurasi ulang infrastruktur, namun TI masih harus mengelola infrastruktur tersebut. AIOps menyediakan visibilitas dan otomatisasi yang dibutuhkan TI untuk mendukung DevOps tanpa banyak upaya manajemen tambahan.

Cara termudah untuk memahami cara kerja AIOps adalah dengan meninjau peran yang dimainkan oleh setiap teknologi komponen AIOps - big data, pembelajaran mesin, dan otomatisasi - dalam prosesnya.

AIOps menggunakan platform big data untuk mengumpulkan data, tim, dan alat operasi TI yang terpisah-pisah di satu tempat. Data ini dapat mencakup hal-hal berikut:

• Kinerja historis dan data peristiwa
• Streaming peristiwa operasi real-time
• Log dan metrik sistem
• Data jaringan, termasuk data paket
• Data dan tiket terkait insiden
• Data permintaan aplikasi
• Data infrastruktur

AIOps kemudian menerapkan analitik terfokus dan kemampuan pembelajaran mesin:

• Pisahkan peringatan kejadian signifikan dari 'gangguan': AIOps menelusuri data operasi TI Anda dan memisahkan sinyal-sinyal -peringatan kejadian abnormal yang signifikan-dari gangguan (yang lainnya).
• Identifikasi akar masalah dan mengusulkan solusi: AIOps dapat menghubungkan kejadian abnormal dengan data kejadian lain di seluruh lingkungan untuk mengetahui penyebab pemadaman atau masalah kinerja dan menyarankan solusi.
• Otomatiskan tanggapan, termasuk resolusi proaktif secara real-time: Paling tidak, AIOps bisa secara otomatis merutekan peringatan dan solusi yang direkomendasikan ke tim TI yang sesuai, atau bahkan membuat tim respons berdasarkan sifat masalah dan solusinya. Dalam banyak kasus, model ini dapat memproses hasil dari pembelajaran mesin untuk memicu respons sistem otomatis yang mengatasi masalah secara real-time, bahkan sebelum pengguna menyadari bahwa masalah tersebut terjadi.
• Pelajari terus menerus, untuk meningkatkan penanganan masalah di masa depan: Model AI juga dapat membantu sistem mempelajari dan beradaptasi dengan perubahan lingkungan, seperti infrastruktur baru yang disediakan atau dikonfigurasi ulang oleh tim DevOps.