Machine learning (ML) ed intelligenza artificiale (AI) sono entrate nella vita di tutti i giorni, rivoluzionando le capacità di ricavare conoscenze utili da grandi archivi e flussi di dati. Informazioni che provengono da transazioni di business, dalle interazioni online degli utenti così come da reti, sensori IoT (Internet of Things), log di apparati e molto altro possono essere sfruttate per capire lo stato delle cose, avviare azioni immediate per risolvere problemi o introdurre cambiamenti.
Non sorprende che AI/ML stiano trovando applicazioni anche nel campo della gestione IT, laddove la crescita del numero di applicazioni, dei carichi di lavoro, del numero di utenti e dei clienti (a cui oggi occorre date risposte real-time) mettono in crisi il lavoro dei team. Le capacità ML/AI di elaborare dati di monitoraggio per individuare anomalie o cattive ottimizzazioni in sistemi, reti e servizi sono un aiuto prezioso per gli amministratori. Aiuto sul quale contare per ottenere infrastrutture più efficienti, migliorare la produttività e la capacità dei team IT di prendere decisioni e intervenire, anche negli orari in cui sono in servizio poche persone, oppure non c’è l’esperto del problema. Le tecnologie AI/ML sono il fondamento per la metodologia di artificial intelligence operations (AIOps), che promette un supporto più adeguato alla digital transformation d’impresa, sia con data center on-premise, virtualizzati, oppure in cloud privato, ibrido e pubblico.
Machine learning e deep learning: cosa sono e cosa fanno
Si parla comunemente d’intelligenza artificiale per riferirsi all’insieme delle capacità intelligenti che permettono alle macchine di percepire l’ambiente in cui si trovano e fornire risposte efficaci, sfruttando le basi d’esperienza disponibili. Un ambito in continua evoluzione sul piano tecnico e della ricerca, che sta trovando applicazioni nei campi dell’analisi dati, della security, dell’assistenza e dell’automazione.
Un aspetto centrale dell’AI è costituito dalle capacità d’apprendimento. Il machine learning individua le tecniche con cui si ottengono risposte intelligenti da un algoritmo, attraverso l’addestramento con i dati caratteristici del dominio in cui deve operare. Nelle più comuni applicazioni di ML, l’algoritmo intelligente è già pronto, addestrato dal fornitore attraverso database contenenti i dati in input e le risposte d’esempio, quindi perfezionato con gli affinamenti che permettono di mantenere alta nel tempo l’affidabilità dei risultati.
Una diversa modalità di lavoro ML, nota come deep learning (DL), prevede l’apprendimento autonomo del sistema attraverso le reti neurali. Queste imitano il comportamento del cervello umano per rilevare da sole le possibili correlazioni tra i dati, costruire un proprio modello d’esperienza e quindi, attraverso processi inferenziali, riuscire sia a dare significato ai nuovi dati sia a perfezionare il modello. La capacità d’imparare dai dati durante l’impiego è peculiare del deep learning, ma di norma richiede tempo prima che il sistema riesca a dare risposte utili.
Le tecnologie citate trovano oggi impiego all’interno di applicazioni e sistemi embedded oppure sono offerte in as-a-service per lo sviluppo di servizi sofisticati comunicanti via API, dai principali cloud provider.
Le applicazioni del ML nel monitoraggio e nella gestione IT
Le tecniche di ML/AI trovano applicazione nei compiti che richiedono analisi di dati in tempo reale, come per esempio, nel monitoraggio degli apparati di rete per tutelarne la sicurezza o le prestazioni ai fini della customer experience.
L’AI/ML sostituisce l’elemento umano nella ricerca delle correlazioni significative, per esempio all’interno dei log oppure degli allarmi. Grazie all’AI/ML gli amministratori possono ottenere segnalazioni più sintetiche e chiare, con l’accompagnamento delle informazioni di contesto e dei suggerimenti per le azioni efficaci da intraprendere.
L’AI/ML offre, inoltre, un grande aiuto nell’automazione dei compiti complessi e ripetitivi che riguardano, per esempio, le normalizzazioni dei dati, e tanti altri dove la perdita d’attenzione può causare errori e incidenti.
AI/ML trova applicazione anche nella gestione proattiva della manutenzione, aiutando i team IT a prevenire le situazioni più critiche e a disporre per tempo delle informazioni e delle componenti che servono per realizzare gli interventi risolutivi.
La tecnologia di AI/ML aiuta in modo più diretto la gestione dei sistemi informativi attraverso l’automazione. Estensioni a Tensorflow, VMware vSphere, progetti come Kubeflow e altri abilitano i deploy delle funzioni di AI/ML direttamente nei moderni ambienti d’orchestrazione basati sui container software. La metodologia AIOps, integrazione tra AI e DevOps, propone un modello operativo che sfrutta le capacità AI/ML per collegare in un ciclo continuo monitoraggio, service management e automazione. La metodologia trova oggi supporto in toolchain proprietarie, come IBM Cloud Pak for Watson AIOps. L’ottimizzazione delle prestazioni infrastrutturali in chiave AIOps è l’obiettivo anche di vRealize AI Cloud, soluzione di VMware per l’auto-configurazione intelligente di moderni data center software-defined.
Impiegare intelligenza e ML nella gestione dell’IT security
Nel campo della security le tecniche di AI/ML hanno già trovato impiego nella protezione del networking aziendale e dei sistemi dagli attacchi malware più sofisticati, oltre che per l’analisi comportamentale e il contenimento dei falsi positivi prodotti dai sistemi d’analisi tradizionali.
Ad avvantaggiarsi di queste capacità sono, per esempio, i sistemi di Endpoint Detection and Response EDR (EDR) utilizzati per la tutela dei sistemi utente e dei dipendenti in telelavoro che si connettono alla rete aziendale. Il ML estende le capacità di protezione contro i malware di nuova generazione (gli attacchi zero day, i fileless, sia online sia offline), che non vengono intercettati dai comuni antivirus. L’apprendimento delle normali modalità d’interazione tra client e servizi aziendali permette al motore AI/ML di distinguere, per esempio, gli accessi ai documenti effettuati per normali scopi di lavoro dagli scaricamenti massivi fuori contesto, anche se realizzati da account legittimi.
L’utilizzo ai fini della security dei servizi offerti in cloud permette di alimentare gli algoritmi di ML con una base d’esperienza enormemente più ampia di quella creata con le sole informazioni e casistiche interne aziendali. Una condizione ideale per risultati migliori.
Contributo editoriale sviluppato in collaborazione con Sinthera
