Blauprint NASA: Mengintegrasikan Teknologi, Budaya, dan Data untuk Sukses AIOps

Organisasi seperti NASA sedang membagikan pengalaman mereka dengan AI dan AIOps bagi mereka yang baru memulai.

Organisasi yang tertarik untuk menerapkan AIOps memiliki keuntungan untuk belajar dari saran orang lain yang telah mengambil langkah dalam penggunaan kecerdasan buatan dalam operasi dan grup DevOps mereka.

Salah satu inovator yang membagikan saran adalah NASA, yang baru-baru ini menyoroti pentingnya mengambil pendekatan holistik dalam meluncurkan AI untuk aplikasi bisnis agen angkasa seperti keuangan dan procurement, terutama dalam lingkungan AIOps.

Dalam presentasi ke grup operasi AI ATARC, para pemimpin grup ilmu data NASA mengidentifikasi tiga elemen kunci yang diperlukan inisiatif AIOps. Teknologi mungkin yang paling jelas, tetapi organisasi juga harus menyiapkan data mereka untuk memastikan siap untuk AI, dan sama pentingnya adalah perpindahan budaya perusahaan, dengan orang menerima kebutuhan untuk membiarkan data membantu membentuk keputusan.

Mengapa mendengarkan NASA? Mungkin karena mereka adalah mereka yang dapat jujur mengatakan, "Ya, kita adalah ilmuwan roket."

"Bagian tempat algoritma dijalankan adalah bagian yang sangat kecil. Data jarang dalam bentuk di mana Anda benar-benar dapat menggunakannya. Orang sudah memiliki cara mereka sendiri untuk melakukan hal-hal; ada masalahnya perlu belajar alat baru atau serangkaian alat dan memahami cara kerjanya yang sebenarnya. Orang memiliki konsepsi berbeda tentang apa yang dapat dilakukan AI untuk mereka," kata Nikunj Oza, pemimpin grup ilmu data NASA, menurut laporan dari Government CIO Media.

Dia menambahkan, "Data tidak [otomatis] siap untuk digunakan AI, jadi Anda dapat memulai proyek AIOps dan berhenti tiba-tiba karena bagian lain dari sistem Anda tidak siap untuk itu."

Saran AIOps

Shenandoah Speers, associate CIO aplikasi di NASA, memberi tahu audiens ATARC bahwa transformasi digital agensi sedang berlangsung, tetapi masih berkembang. "Kami melihat banyak aliran data, dan cara mencerna data tersebut serta membuat keputusan bisnis dan keputusan misi berdasarkan data tersebut."

Oza juga membahas beberapa kesalahpahaman yang mengelilingi AI dan machine learning, termasuk ketakutan internal bahwa AI akan mencuri pekerjaan dari manusia.

Pembicara webinar dari Departemen Pertahanan AS Joint Artificial Intelligence Center (JAIC) juga membahas tantangan kualitas data. "Ada masalah dengan kualitas label, kualitas data," kata Yevgeniya Pinelis, kepala pengujian dan evaluasi AI/machine learning di JAIC. "Tentu saja ada masalah infrastruktur. ... Agar kami benar-benar membangun sistem AI yang tepercaya, kami perlu memiliki ekosistem dan semua pipa yang tersedia."

Dia menambahkan bahwa budaya adalah faktor karena kebutuhan untuk mendapatkan tim untuk mengadopsi Agile dan DevSecOps. "Jika pengguna dan penguji Anda terlibat sangat awal, itulah cara Anda mendapatkan proses Agile ini dan menghindari bencana di akhir. Itu adalah perubahan budaya besar yang kami alami. Kami telah banyak beruntung dalam logistik gabungan — cenderung menjadi masalah AI yang diatur dengan baik, meskipun kesiapan data selalu menjadi masalah."

Semakin banyak perusahaan yang mendapatkan pengalaman dengan AIOps dan observability, ada peluang yang semakin besar bagi mereka yang baru memulai untuk mengumpulkan saran AIOps dari para pionir.