Автономность или автоматизация?

8 января 2020
4
Современное программное обеспечение продолжает эволюционировать, обещая новые возможности, многие из которых имеют все шансы оказать глубокое влияние на развитие отрасли. Следующее поколение системного и прикладного ПО может стать основой так называемых автономных операционных систем, систем управления и бизнес-приложений, прежде всего – облачных, например, СУБД или ERP-систем. Задействованные в них технологии машинного обучения и искусственного интеллекта (ИИ) будут использоваться для автоматизации управления, устранения ручных операций и исключения человеческих ошибок. Результатами должны стать повышение производительности, доступности и безопасности, снижение затрат на администрирование ИТ. 

pexels-photo-2599244.jpeg
По прогнозу Forrester, автоматизация «окажется на острие цифровой трансформации, затрагивая буквально все - от инфраструктуры до обслуживания клиентов и появления новых бизнес-моделей». Как ожидается, в течение ближайшего года автоматизация устранит до 20% обращений в службы поддержки благодаря успешному сочетанию когнитивных систем, технологий RPA и чат-ботов. Сегодня отрасль выходит за рамки простой автоматизации, но еще не достигла уровня автономности, который позволил бы ИТ-системам функционировать полностью самостоятельно, без участия человека.

Автоматизация и автономность: в чем разница?
Автономность нередко путают с автоматизацией. Оба направления нацелены на избавление человека от рутинной работы. Между тем от автоматизации до автономности – путь неблизкий. Автоматизация обычно означает «процесс, выполняемый без помощи человека» по заданным правилам, в то время как автономия подразумевает «способность функционирования системы в неопределенных заранее условиях и устранять сбои без внешнего вмешательства».
Автоматизированные системы обычно работают в пределах четко определенного набора параметров и правил, они ограничены в своих действиях. Они созданы для многократного и эффективного выполнения определенной функции, могут предпринимать определенные действия для устранения проблемы, но это не означает, что они автономны.
Тем временем автономные ИТ-системы уже научились прогнозировать сбои, управлять операциями и адаптироваться к работе пользователя. И наверняка эти системы в конечном итоге станут еще более независимыми. Они способны определять, какое решение или действие будет наиболее правильным в недетерминированной среде, но все еще требуют участия человека для программирования набора правил или обучения моделей в системах машинного обучения. Им еще предстоит научиться сопоставлять события, выявлять закономерности, предсказывать сбои и предпринимать действия независимо от людей, адаптироваться к изменяющимся условиям и целям.

Что эффективнее?
Автономная система обучается и адаптируется к динамически меняющимся средам, способна извлекать уроки из накапливаемых наборов данных. Однако, если нужна система с высокой предсказуемостью и многократно выполняющая одну и ту же функцию, то оптимальный вариант - автоматизированная система, поскольку она проще, требует меньше ресурсов, ее легче обслуживать.
Автономные системы демонстрируют свои лучшие качества в средах, где неизвестны заранее все условия, и нужна адаптация/обучение по мере изменения среды и входных данных. Однако из-за высокой стоимости и сложности их применение считается избыточным для решения задач, с которыми справляются средства автоматизации.
В целом мониторинг и автоматизация достаточны для устранения относительно простых проблем в ИТ-системах, а для решения более сложных, комплексных проблем может потребоваться применение ИИ.

Автономность в ИТ
Примером автономной системы является система обнаружений вторжений путем поиска аномалий в сетевом трафике. Автономные системы наиболее эффективны в постоянно меняющемся ландшафте угроз, например, когда появляются новые векторы атаки, но им необходим доступ к наборам данных, на которых можно обучаться. Они используют машинное обучение (ML), чтобы блокировать попытки атак, способны находить эксплойты нулевого дня.
Для работы в постоянно меняющейся среде с растущим числом векторов атак без какой-либо формы встроенного интеллекта не обойтись. Когда злоумышленники меняют методы атаки, эти системы учатся идентифицировать их, используя дополнительные данные, улучшенные алгоритмы или более продвинутые методы обучения.
Между тем машинное обучение может применяться как в автоматизированных, так и в автономных системах. Его можно использовать для повышения "уровня интеллекта", чтобы свести к минимуму количество ложных срабатываний, а также предвидеть потенциальные отказы и сбои.
Новые автономные технологии - самоуправляемые базы данных и другие высокоавтоматизированные сервисы облачных платформ - используют алгоритмы машинного обучения для непрерывного самоисправления, самонастройки, резервного копирования и самобновления без вмешательства человека, прямо во время работы системы.
Например, как утверждают разработчики, облачная автономная база данных Oracle Autonomous Database берет на себя такие ранее выполняемые вручную и подверженные ошибкам задачи как обновление системы, ее защита, конфигурирование и настройка - все это без простоев и вмешательства человека. Эта же технология стала основой ОС Oracle Autonomous Linux. Исправления и обновление система выполняет автоматически.
ИИ встроен в систему управления HPE Infosight. Задача этого специализированного ПО - решать проблемы в ИТ до того, как они нанесут ущерб бизнесу. С увеличением объемов обрабатываемых данных усложняется и ИТ-инфраструктура. Большое количество серверов, систем хранения, коммуникационного оборудования и приложений не всегда корректно взаимодействуют друг с другом. Это приводит к проблемам и простоям. В такой ситуации на помощь приходит ИИ. Подобных примеров становится все больше.
Аналитики Gartner прогнозируют, что только в 2021 году внедрение ИИ принесет бизнесу 2,9 трлн. долларов. Со временем системы с ИИ станут более надежными и эффективными, обретут способность справляться с большими сложностями, получат большую самостоятельность при принятии решений.
1002
Поделиться
Коментарии: 2

Комментировать могут только авторизованные пользователи.
Предлагаем Вам в систему или зарегистрироваться.

  • Дмитрий Мыльников
    Рейтинг: 13
    ПК ГПИ Челябинскгражданпроект
    Начальник отдела автоматизации проектирования
    23.01.2020 09:12

    Новые технологии, это интересно, но вы забыли упомянуть, что между автоматизацией на классических алгоритмах и автономностью, использующей технологии нейронных сетей, есть ещё одно существенное отличие.

    В случае незапланированного или ошибочного поведения систему автоматизации на классическом алгоритме можно проанализировать и устранить её неправильное поведение, исправив алгоритм. А вот в случае с автономной системой, которая строится на базе нейронной сети, такой анализ на сегодняшний день провести практически невозможно, поскольку полного понимания того, как внутри функционирует нейронная сеть, у нас до сих пор нет. Мы научились их обучать и использовать на практике, но не можем однозначно предсказывать их поведение, как это можно сделать с классической алгоритмической системой.

    Да, нейронную сеть можно дообучить, чтобы исключить выявленные ложные срабатывания. Но это при условии, что первичное обучение тоже проводилось именно вами, а не поставщиком системы, поскольку в последнем случае вы получаете ваш ИИ как некий "чёрный ящик" с уже заданными поставщиком свойствами.

    Ещё одна проблема, которая отсюда вытекает, это невозможность определить, какие на самом деле функции и возможности, помимо заявленных, заложены в поставляемую вам систему. То есть, тут остаётся только верить поставщику системы на слово. Согласен, что сегодня подобный тщательный контроль поведения алгоритмических систем тоже мало кто проводит. Но есть целый класс задач, где это делается. Поэтому многие серьёзные профессиональные системы поставляются вместе с исходным кодом. В том же мире UNIX/Linux это давно устоявшаяся практика. А в случае с автономной системой, построенной на базе нейронных сетей, исходный код программы вам ничего не даст, поскольку поведение системы определяется на программным кодом, а матрицей коэффициентов нейронной сети. И глядя на эти многомерные массивы чисел мы на данный момент не можем однозначно определять поведение нейронной сети и не можем однозначно предсказать, как изменение того или иного коэффициента повлияет на общее поведение нашей системы.

  • Сергей Орлов
    Рейтинг: 30
    Независимый эксперт
    10.02.2020 16:42

    Здравствуйте, Дмитрий! Спасибо за комментарий. Вы правы, есть такая проблема. Однако существуют ситуации, когда точные алгоритмы могут быть менее эффективными, например, в системах безопасности при обнаружении угроз. Кроме того, совершенствование алоритмов ML позволяет настолько снизить риски, что им доверяют весьма ответственные задачи, как, например, анализ изображений в беспилотных автомобилях.

Предметная область
Отрасль
Управление