Saran NASA:Teknologi, Budaya, dan Data Bersatu untuk Mendorong AIOps
Organisasi seperti NASA berbagi pengalaman mereka dengan AI dan AIOps dengan mereka yang baru memulai.
Organisasi yang tertarik untuk menerapkan AIOps mendapat manfaat dari belajar dari saran orang lain yang telah mengambil langkah-langkah dalam penggunaan kecerdasan buatan dalam operasi mereka dan grup DevOps.
Salah satu saran berbagi inovator tersebut adalah NASA, yang baru-baru ini menyoroti pentingnya mengambil pendekatan holistik untuk meluncurkan AI untuk aplikasi bisnis badan antariksa seperti keuangan dan pengadaan, khususnya di lingkungan AIOps.
Dalam presentasi kepada kelompok operasi AI ATARC, para pemimpin kelompok ilmu data NASA mengidentifikasi tiga elemen kunci yang dibutuhkan oleh inisiatif AIOps. Teknologi mungkin yang paling jelas, tetapi organisasi juga harus menyiapkan data mereka untuk memastikannya siap untuk AI, dan yang tak kalah pentingnya adalah perubahan budaya perusahaan, dengan orang-orang menerima kebutuhan untuk membiarkan data membantu membentuk keputusan.
Mengapa mendengarkan NASA? Mungkin karena merekalah yang dapat dengan jujur mengatakan, “Ya, kami adalah ilmuwan roket.”
“Bit tempat algoritme dijalankan adalah bagian yang sangat kecil. Data jarang dalam bentuk di mana Anda benar-benar dapat menggunakannya. Orang-orang sudah memiliki caranya sendiri dalam melakukan sesuatu; ada masalah kebutuhan untuk mempelajari alat baru atau seperangkat alat dan memahami cara kerjanya. Orang-orang memiliki konsepsi yang berbeda tentang apa yang dapat dilakukan AI untuk mereka, ”kata Nikunj Oza, pemimpin kelompok ilmu data NASA, menurut sebuah laporan oleh Government CIO Media.
Dia menambahkan, “Data tidak [secara otomatis] siap untuk digunakan oleh AI, sehingga Anda dapat memulai proyek AIOps dan berhenti karena bagian lain dari sistem Anda belum siap untuk itu.”
Saran AIOps
Shenandoah Speers, associate CIO aplikasi di NASA, mengatakan kepada ATARCaudience bahwa transformasi digital agensi sedang berlangsung, tetapi masih matang. “Kami melihat banyak arus masuk data, dan cara mencerna data tersebut serta membuat keputusan bisnis dan keputusan misi atas data tersebut.”
Oza juga membahas beberapa kesalahpahaman seputar AI dan pembelajaran mesin, termasuk ketakutan internal bahwa AI akan mencuri pekerjaan dari manusia.
Seorang pembicara webinar dari Pusat Kecerdasan Buatan Bersama (JAIC) Departemen Pertahanan AS juga membahas tantangan kualitas data. “Ada masalah dengan kualitas label, kualitas data,” kata Yevgeniya Pinelis, kepala pengujian dan evaluasi AI/pembelajaran mesin di JAIC. “Ada masalah infrastruktur, tentu saja. … Agar kita benar-benar membangun sistem AI yang tepercaya, kita perlu memiliki ekosistem itu dan semua perpipaan di tempatnya.”
Dia menambahkan bahwa budaya adalah faktor karena kebutuhan untuk membuat tim mengadopsi Agile dan DevSecOps. “Jika pengguna dan penguji Anda terlibat sangat awal, begitulah cara Anda mendapatkan proses Agile ini dan menghindari bencana di akhir. Itulah perubahan budaya besar yang sedang kita alami. Kami memiliki banyak keberuntungan dalam jointlogistics — masalah tersebut cenderung merupakan masalah AI yang memiliki cakupan yang baik, meskipun kesiapan data selalu menjadi masalah.”
Karena semakin banyak perusahaan memperoleh pengalaman dengan AIOps dan observabilitas, semakin besar peluang bagi mereka yang baru mulai mengumpulkan saran AIOps dari para pionir.
