Gartnerによる造語である「AIOps」、つまりIT 運用のための人工知能は、自然言語処理や機械学習モデルなどの人工知能（AI） 機能を応用して、運用ワークフローを自動化および合理化するものです。

具体的には、AIOpsはビッグデータ、分析、機械学習機能を使用して次のことを行います。

• 複数のITインフラストラクチャー・コンポーネント、アプリケーション・デマンド、パフォーマンス監視ツール、サービス・チケット発行システムによって生成される、増え続ける膨大な量のデータを収集および集約します。
• 「ノイズ」から「シグナル」をインテリジェントにシフトして、アプリケーションのパフォーマンスと可用性の問題に関連する重要なイベントとパターンを特定します。
• 根本原因を診断し、迅速な対応と修復のためにITおよびDevOpsに報告します。場合によっては、人の介入なしにこれらの問題を自動的に解決します。

AIOpsは、複数の個別の手動 IT運用 ツールを、インテリジェントで自動化された単一のIT運用プラットフォームに統合することで、IT運用チームがエンドツーエンドの可視性とコンテキストを備え、速度低下や障害に対してより迅速に、さらにはプロアクティブに対応できるようにします。

多様化、ダイナミック化し、監視が難しくなっているIT環境とサイロ化したチーム、そしてアプリケーションのパフォーマンスと可用性をほとんど、あるいはまったく中断させないというユーザーの期待とのギャップを埋めます。AIOpsが IT 運用管理の未来であると考えている専門家が多く、ビジネスがデジタル・トランスフォーメーション・イニシアチブに重点を置くようになるにつれて、需要は高まるばかりです。

AIOpsへの道のりは組織ごとに異なります。AIOpsへの取り組みのどの段階にあるのかを評価したら、チームがIT運用上の問題を観察、予測し、迅速に対処できるようにするツールの組み込みを開始できます。組織内で AIOps を改善するツールを検討するときは、それらのツールに次の機能があることを確認する必要があります。

オブザーバビリティー： オブザーバビリティーとは 、分散アプリケーションとその上で実行されるハードウェアから定常的に流れるパフォーマンス・データを取り込み、集約し、分析するためのソフトウェア・ツールおよびプラクティスのことで、顧客体験の期待、サービス・レベル・アグリーメント（SLA）、およびその他のビジネス要件を満たすために、アプリケーションをより効果的に監視、トラブルシューティング、およびデバッグすることを目的としています。これらのソリューションは、データの集約と統合を通じてアプリケーション、インフラストラクチャ、ネットワーク全体の全体的なビューを提供しますが、ITの問題に対処するための是正措置は講じません。ITの問題に対処するための是正措置はとりませんが、ITドメインにまたがるさまざまなデータソースからITデータを収集・集約し、エンドユーザーに潜在的な問題を警告し、ITサービスチームによる必要な是正措置の実施を期待するものです。これらのツールからのデータとそれに対応する視覚化は貴重ですが、意思決定を行ったり、技術的な問題に適切に対応したりするにはIT組織への依存が生じます。オペレーターが運用システムを手動で更新する必要があるリソースの最適化は、動的な需要状況では利点が見られない可能性があります。

予測分析： AIOpsソリューションは、より優れた洞察と自動化されたアクションのためにデータを分析・相関化し、ITチームが複雑化するIT環境の制御を維持し、アプリケーション・パフォーマンスを保証できるようにします。問題を関連付けて分離できることは、IT運用チームにとって大きな一歩です。これにより、組織内で発見できなかった問題を検出する時間が短縮されます。組織は、自動異常検出、アラート、解決策のレコメンドのメリットを享受し、全体のダウンタイムだけでなく、インシデントやチケットの数も削減されます。動的リソースの最適化は、予測分析を使用して自動化できます。これにより、需要の変動が大きい場合でも、リソース・コストを安全に削減しながら、アプリケーションのパフォーマンスを保証できます。

プロアクティブな対応： 一部のAIOpsソリューションは、速度低下や停止などの意図しないイベントに事前に対応し、アプリケーションのパフォーマンスとリソース管理をリアルタイムで統合します。アプリケーションのパフォーマンス指標を予測アルゴリズムに入力することで、さまざまな IT 問題と一致するパターンや傾向を特定できます。ITの問題を発生前に予測する機能を備えたAIOpsツールは、それに応じて関連する自動プロセスを起動し、問題を迅速に修正できます。組織は、平均検出時間（MTTD）の改善など、インテリジェントな自動化によるメリットを実感できるようになります。

このタイプのテクノロジーは、ビジネスにおける従業員と顧客の両方のエクスペリエンスの向上に役立つため、IT運用管理の未来となります。AIOpsシステムは、ITサービスの問題がタイムリーに解決されることを保証するだけでなく、IT運用チームにセーフティネットを提供し、組織のサイロ化やリソース不足のチームなど、人為的な見落としが原因で発生する可能性のある問題に対処します。

AIOpsの包括的なメリットは、IT運用が複数のIT運用ツールからのアラートを手動で選別するよりも早く、速度低下や停止を特定し、対処し、解決できることです。これにより、いくつかの主要なメリットが得られます。

• 平均解決時間（MTTR）の短縮： IT運用のノイズを排除し、複数のIT環境からの運用データを相関させることで、AIOpsは根本的な原因を特定し、人よりも迅速かつ正確に解決策を提案することができます。これにより、組織は今まで考えてこなかったMTTR目標を設定し、達成できるようになります。たとえば、 VivyのITインフラストラクチャーにより、 同社のアプリの平均修復時間（MTTR）が3日から 1日以下に66%短縮されました。
• 運用コストの削減： 運用上の問題の自動識別と再プログラムされた応答スクリプトにより、運用コストが削減され、より適切なリソース割り当てが可能になります。また、これにより人員配置のリソースが解放され、より革新的で複雑な作業に取り組むことができるようになり、従業員エクスペリエンスの向上につながります。最適化により、 Providence社はピーク時のアプリのパフォーマンスを確保しながら、200万米ドル以上を節約しました。
• オブザーバビリティーの向上と良質なコラボレーション： AIOps監視ツール内で利用可能な統合により、DevOps、ITOps、ガバナンス、セキュリティー機能にわたるチーム間のコラボレーションがより効果的に促進されます。可視性、コミュニケーション、透明性が向上することで、これらのチームは意思決定を改善し、より迅速に問題に対応できるようになります。その一例として、Dealerware 社はコンテナベースのアーキテクチャにオブザーバビリティーを持たせることで、パンデミック時のアプリのパフォーマンスを向上させ、配信待ち時間を98％削減しました。

リアクティブからプロアクティブ、そして予測管理へ： 組み込みの予測分析機能により、AIOpsは継続的に学習して最も緊急性の高いアラートを特定し、優先順位を付けることで、IT チームは潜在的な問題がスローダウンや停止につながる前に対処できるようになります。Electrolux社は、平均検出時間（MTTD）の短縮によりIT問題の解決を3週間から1時間に短縮し、修復タスクを自動化することで年間1,000時間以上を節約しました。

AIOpsには、ビッグデータ、高度な分析、機械学習機能が組み込まれており、次のユースケースに取り組みます。

• 根本原因分析： 名前が示すように、根本原因分析では、適切な解決策で修復するために問題の根本原因を特定します。根本原因を特定することで、チームは問題の症状と根本的な問題の対処に関わる不必要な作業を回避できます。たとえば、AIOpsプラットフォームは、ネットワーク障害の原因を追跡して直ちに解決し、将来の同様の問題を防ぐための安全策を設定できます。
• 異常検出：AIOps ツールは、大量の履歴データを調べて、データセット内の異常なデータ・ポイントを発見できます。これらの外れ値は、データ侵害などの問題のあるイベントを特定して予測する「シグナル」として機能します。この機能により、企業はネガティブなPR、規制上の罰金、消費者信頼感の低下などのコストのかかる結果を回避できます。
• パフォーマンス・モニタリング： 最新のアプリケーションは、多くの場合、複数の抽象化レイヤーによって分離されているため、基盤となる物理サーバー、ストレージ、およびネットワーク・リソースがどのアプリケーションをサポートしているかを理解するのが難しくなっています。このギャップを埋めるのがAIOpsです。クラウド・インフラストラクチャー、バーチャリゼーション、ストレージ・システムの監視ツールとして機能し、使用状況、可用性、応答時間などのメトリクスをレポートします。さらに、イベント相関機能を利用して情報を統合および集約し、エンドユーザーの情報消費を向上させます。
• クラウドのアダプション/マイグレーション： ほとんどの組織では、クラウドの導入は全体的ではなく段階的に行われ、その結果、 ハイブリッドなマルチクラウド環境（プライベートクラウド、パブリッククラウド、複数のベンダー）が形成されます。これらの相互依存関係を明確に可視化することで、AIOpsは クラウド・マイグレーションやハイブリッドクラウド・アプローチの運用リスクを劇的に軽減することができます。
• DevOpsの導入： DevOpsは、開発チームがインフラストラクチャーのプロビジョニングと再構成をより強力に行えるようにすることで開発をスピードアップしますが、IT部門は依然としてそのインフラストラクチャを管理しなければなりません。AIOpsは、追加の管理作業をあまりかけることなく、ITがDevOps をサポートするために必要な可視性と自動化を提供します。

AIOpsの仕組みを理解する最も簡単な方法は、AIOpsの各コンポーネント・テクノロジー（ビッグデータ、機械学習、自動化）がプロセスで果たす役割を確認することです。

AIOpsは、ビッグデータ・プラットフォームを使用して、サイロ化されたIT運用データ、チーム、ツールを1か所に集約します。このデータには、次のものが含まれます。

• 過去のパフォーマンスとイベントデータ
• リアルタイム・オペレーション・イベントのストリーミング
• システムログとメトリクス
• パケット・データを含むネットワーク・データ
• インシデント関連データとチケット発行
• アプリケーション需要データ
• インフラストラクチャー・データ

次に、AIOpsは、焦点を絞った分析と機械学習機能を適用します。

• 重要なイベント・アラートを「ノイズ」から分離： AIOpsは IT 運用データを精査し、 シグナル（重大な異常イベント・アラート）を ノイズ（その他すべて）から分離します。
• 根本原因の特定とソリューション提案：AIOps は、異常なイベントを環境全体の他のイベント・データと関連付けて、停止やパフォーマンスの問題の原因を特定し、解決策を提案します。
• リアルタイムのプロアクティブな解決など、対応の自動化： 最低限でも、AIOpsはアラートと推奨されるソリューションを適切なITチームに自動的にルーティングすることができ、問題の性質とソリューションに基づいてレスポンス・チームを作成することもできます。多くの場合、機械学習の結果を処理して、ユーザーが問題の発生に気づく前に、リアルタイムで問題に対処する自動システム応答をトリガーできます。
• 継続的学習と将来の問題への対応改善：AI モデルは、DevOpsチームによってプロビジョニングまたは再構成された新しいインフラストラクチャーなど、環境の変化についてシステムが学習し、それに適応するのにも役立ちます。