Le 48e IT Press Tour a eu l’occasion de rencontrer l’équipe de direction de CloudFabrix. Il s’agit de la quatrième startup de l’équipe, les trois précédentes étant vendues à Cisco. Ils font beaucoup de choses intéressantes en automatisant les opérations.
Défis multi-cloud
Les défis multi-cloud persistent, car 73 % des entreprises utilisent deux ou plusieurs clouds. Ce chiffre devrait atteindre 81 % d’ici 2024. Les moteurs de cette tendance incluent le verrouillage des fournisseurs, le désir de contrôler les coûts, les acquisitions, l’expertise verticale, la croissance de l’informatique de pointe et la convergence IT et OT. Les défis incluent la prolifération des outils, l’observabilité et l’AIOps, les différentes API dans l’infrastructure et les services cloud, et les différents formats de données.
Initiatives numériques des CXO modernes
1. Business 360 et gestion des SLA
2. Actualisation et déploiement de l’infrastructure commerciale
3. Productivité des opérations et réduction du coût total de possession
4. Gestion moderne des incidents
5. Entreprise pérenne avec l’IA/ML
Centre de données dynamique
Les entreprises recherchent l’intégration et l’automatisation des données distribuées. Le centre de données traditionnel comportait quatre composants : une infrastructure dédiée pour les applications, la mise en réseau, la sécurité et l’infrastructure. Le centre de données hybride et dynamique moderne est considérablement plus complexe avec un cloud périphérique, un cloud privé, puis un ou plusieurs hyperscalers. Chacun a ses propres pipelines Kubernetes et CI/CD, une mise en réseau basée sur les services, une sécurité basée sur l’identité et une infrastructure en tant que code.
Les domaines opérationnels cloisonnés présentent des lacunes
Il est nécessaire que l’entreprise converge autour d’une source unique de vérité pour les affaires et l’informatique, l’informatique et la sécurité, et la sécurité et la mise en réseau. L’observabilité est mise à l’épreuve par la spécificité du domaine et la prolifération des outils, le bruit d’alerte et les problèmes de données. La sécurité doit être maintenue dans un contexte full stack avec rédaction et enrichissement et une copie complète en S3/replay vers SIEM/UEBA/SaSE. L’automatisation est nécessaire pour la correction, les informations et tableaux de bord NLP, ServiceOps et ChatOps.
Modèle d’exploitation AIOps pour les équipes d’ingénierie de plate-forme
Le modèle d’exploitation ITSM traditionnel avec des équipes de développement, des applications, une ingénierie cloud et des opérations de plate-forme s’est avéré trop rigide, disjoint pour l’entreprise et l’informatique, un délai de mise sur le marché plus lent et une innovation lente. Le modèle d’exploitation AIOps est en libre-service, centré sur les données, basé sur l’IA/ML et évolutif. Le modèle d’exploitation AIOps est aligné sur l’ingénierie de la plate-forme et les personnages en libre-service.
AIOps est cassé
Voici pourquoi:
- Intégration et ingestion de données : surcoût PS et lacunes dans les données
- Enrichissement — cartographie complète des services de la pile : topologie tierce, balisage, livres de recettes
- Agrégation/corrélation d’événements : corrélation basée sur des règles, temps d’apprentissage plus long
- Informations prédictives : ML prédictif limité, ML fermé
- War room virtuelle ServiceOps : pas de métriques ni de logs, pas de remédiation, pas de lancement croisé d’outils
- Analyses composables – pas de composabilité des tableaux de bord, des services, des pipelines et des bots
Comment réparer AIOps
Unifiez l’observabilité, l’AIOps et le FinOps avec une structure robotique de protection des données dans les centres de données en périphérie, hybrides et multicloud.
- Intégration et ingestion de données : intégration et ingestion de données basées sur des bots low-code
- Enrichissement — cartographie complète des services de la pile : découverte automatisée des services, dépendance et carte d’impact
- Agrégation/corrélation des événements et des journaux : plusieurs couches de corrélation — IA/ML, pile et temporel
- Informations prédictives : MLOps intégrés, NLP pour un ML continu
- War room virtuelle ServiceOps : moteur de recommandation Visualisation MELT, synthétiseur, intégration bidirectionnelle
- Composable Analytics : tableau de bord en libre-service basé sur les personnages, services basés sur des robots à faible code, pipeline de recherche et routage
La plate-forme AIOps centrée sur les données CloudFabrix utilise une structure robotique d’automatisation des données (RDAF) avec plus de 1 000 bots pour le développement low-code/no-code, des flux de travail composables, un bota de données et une structure de données distribuée pour fournir des services clés, y compris AIOps, FinOps/asset intelligence, log intelligence et composable analytics.
Cas d’utilisation
Un grand Télécom responsable de 30 % du trafic Internet mondial a choisi CloudFabrix pour améliorer son infrastructure et ses applications. Ils ont effectué une corrélation entre domaines, une réduction du bruit d’alerte et un mappage de service complet. Ils ont réalisé une réduction de bruit de 97 %, un MTTI supérieur à 60 %, un MTTR supérieur à 50 % et des informations sur les consommateurs pour la vente croisée et la vente incitative.
Un grand FinTech transforme AIOps avec des pipelines RDAF. Ils ont utilisé CloudFabrix pour accroître l’agilité de l’entreprise et une prise de décision précise. Plus précisément, ils ont découvert les applications, les piles informatiques, la corrélation basée sur ML, la RCA et la résolution des incidents. Les résultats sont une visibilité unifiée des événements sur les applications, les systèmes, les ressources réseau et la pile d’outils ; Filtrage des événements à 97 % avec corrélation et suppression de 550 000 alertes et plus de 15 000 incidents ; tableaux de bord de triage contextuels pour les incidents d’application d’échange (SCOM), de nouvelle génération numérique (Splunk) et en vue (ITRS) ; MTTI réduit avec une analyse d’impact plus rapide de plus de 2 heures à moins de 30 minutes ; réduit le MTTR de 4 heures à moins d’une heure.
Un grand Soins de santé fournisseur avec plus de 250 000 actifs a utilisé CloudFabrix pour la découverte d’actifs, la cartographie des dépendances des applications, la gestion des changements, les rapports d’utilisation, l’analyse des causes profondes et la résolution des incidents. Ils ont obtenu une visibilité de 100 % sur les actifs, une réduction de 40 % des dépenses d’exploitation et une évaluation de l’impact des applications de 240 heures à 15 minutes.
Six piliers différenciateurs
- Plateforme RDAF — intégration des données, préparation des données, élimination des silos de données
- Cartographie et enrichissement de services full-stack
- Tableaux de bord composables, services, recherche et pipelines
- Moteur de synthèse et de recommandation de pipeline d’IA
- Former et recycler des modèles avec ML continu — MLOps plus opérations de données
- Combler le déficit de compétences avec un faible code/aucun code
Opérations de gestion des données avec des bots
Vous trouverez ci-dessous un exemple d’opérations de gestion de données effectuées avec des bots pour réduire le temps et les dépenses tout en améliorant la vitesse de valorisation et la précision.
- Métadonnées/Mise en forme des données — description des métadonnées, filtrage des données, agrégation et mappage
- Sécurité des données — masquage des données, chiffrement des données, déchiffrement des données, contrôle d’accès et audit
- Intégrité des données — signature des données, hachage des données, somme de contrôle des données
- Transformation des données — déduplication des données, imploser, exploser, transposer, mapper, regrouper, pivoter/dépivoter
- Livraison de données — fichiers, données en bloc/par lots, données en continu, pub/sous-sujets, mise en signet
- Amélioration de la qualité des données — dictionnaires de données, enrichissement des données
- API REST/intégrations — client REST générique, intégrations d’API, bots nommés
- Génération de données – simulation de données, données synthétiques pour test / développement, analyse de simulation
- Formatage des données — conversion des données, formatage des données, modélisation des données
- Gouvernance des données – lignage des données, traçage des données, traçage du pipeline, contrôle de la version des données
L’avenir de l’AIOps semble être une automatisation plus robotique des données appliquée dans toute l’entreprise.