仮想化自動化の課題がAIの重要性を浮き彫りにする

今後 10 年間で、IT 環境は大きく変化し、IT 管理者の役割は新たな責任を伴って進化し続けるでしょう。今後 10 年間の大きな変化には、仮想化自動化とハイブリッド クラウド プラットフォームへの完全な依存が含まれます。これらは、現代の IT 環境において、サービス プロバイダーや大企業の標準的な運用手順となっています。

[[312903]]

これは、管理者が IT タスクをまったく自動化すべきでないと言っているわけではありませんし、データセンターをパブリック クラウドに完全に移行したり、完全にオンプレミスのままにしたりすべきだと言っているわけでもありません。仮想化の自動化とハイブリッド クラウドは管理者の日常生活に影響を及ぼし始めており、管理者はこれらのテクノロジーを導入してシステムを近代化する方法に重点を置く必要があります。管理者は、自動化がシステムの展開と管理のすべてではないことも理解する必要があります。

ロボット

仮想化自動化の主な利点の 1 つは、各システムでの人的介入と手動スクリプト作成が不要になることです。管理者は自動化ポリシーを一元的に作成し、デバイス グループにプッシュできます。 Puppet や Ansible などの構成管理ベンダーでも、多くの IT 操作を実行するために自動化を使用しています。

その結果、管理者はネットワークの管理と自動化の多くを AI ワーカーに引き渡すことになります (多くの場合、管理アプリケーションの形で)。 AI ワーカーの中には、Microsoft Intune のようにクラウドベースのものもあれば、VMware の vSphere プラットフォームのようにクラウドベースではないものもあります。

小規模ビジネス ネットワークでも、通常は管理者が慎重に作成したスクリプトのコレクションを使用しますが、何らかの形の自動化に依存しています。ほとんどの中小企業は、Microsoft Active Directory によって強制されるグループ ポリシー オブジェクト (GPO) を超えておらず、タスクの自動化に VMware の分散リソース スケジューラ (DRS) を使用することが多いです。

大規模な企業では、GPO と DRS を使用するだけでは不十分な場合がほとんどです。多くの企業は、DRS を Turbonomic (旧称 VMTurbo) に置き換えるか、リソース スケジューリング、リソース プランニング、オーバー プロビジョニング分析の機能を強化した競合製品を選択します。ただし、Intune などの一部のエンドポイント管理アプリは GPO を拡張し、エンドポイント保護アプリはポリシーを自動化する方法を提供します。

自動化戦略は負荷を軽減するが、作業負荷は軽減しない

テンプレートおよびプロファイルベースのポリシー管理は、以前の管理アプローチの論理的な進化です。これは、既存の管理者が企業内の増加するシステムに対処し、利用可能なジョブの数を削減できるようにする自動化の形式です。

管理者は通常、利用可能なツールを利用して、割り当てられた時間枠内にタスクを完了します。ただし、ツールの可用性に基づいてアプローチを選択するのは面倒です。プロファイル ベースおよびテンプレート ベースのポリシー展開により、管理者はシステムを個別に管理するという面倒な作業から解放されますが、企業内でシステムが拡大するにつれてポリシーを定義する作業が発生します。

新しいタイプの自動化により、管理者からポリシー定義作業を引き継ぐことも可能になり、管理者は他のタスクを監視できるようになります。

AIと機械学習の誇大宣伝を超えて

人工知能と機械学習により、多くの管理者のポリシー定義の負担を軽減できます。エンドポイント保護製品では、セキュリティ リスクの検出だけでなく、実行すべきポリシーを自動的に決定するために、AI と機械学習を活用するケースが増えています。

クラウドベースの AI ワーカーは、システムが安全なデフォルトについて新たな理解を得るまで、ポリシーの適用に関するテレメトリ データを相関させることができます。さらに、自動化されたインシデント対応は、潜在的なセキュリティ侵害を警告するだけでなく、セキュリティ システムをインフラストラクチャに接続して、リスクの高いシステムを自動的に分離するのにも役立ちます。

しかし、AI や機械学習テクノロジーを導入すると、一部の管理者にとって頭痛の種となる可能性があります。ポリシー適用の自動化が断片化されるにつれて、機械学習革命も断片化され、追加のクラウド管理が必要になります。

たとえば、Wi-Fi アクセス ポイントと関連する管理ソフトウェアの導入は、一部の管理者が考えるよりも困難です。予想外かもしれませんが、これらのシステムでは送信電力がほとんど必要ありません。そうしないと、周囲の各デバイスが独自の信号を送信する必要があるため、これらのデバイスはいずれも相互に通信できなくなります。

適切なツールがすべて導入されていても、管理者はこのような問題に遭遇する可能性があります。 Wi-Fi 環境は動的であり、管理者がアクセス ポイントを正しく構成しないと簡単に機能しなくなる可能性があります。 Wi-Fi 製品は、Wi-Fi と Bluetooth の無線環境を継続的にスキャンし、関連するクライアントにサービスを提供するためにアクセス ポイントを最適化します。

個人的には、AI や機械学習は人生を変えるような技術ではありません。特に大規模な組織の場合、それぞれに利点と使用例があります。しかし、AI と機械学習は、一般的な問題点をより適切に解決するのに役立ちます。

ビッグデータの計算および分析ツールは、機械学習であれ AI であれ、新しいものではありません。しかし、機械学習と AI はビジネス分析から IT 運用効率の向上へと移行しています。ハイブリッド クラウド ベースの AI ワーカーがデータ センターに導入され、企業が同じ人数でより多くのシステムを管理できるように支援しています。

今後 10 年間、管理者が使用するツールは進化し続けるでしょう。最終的には、より有能な AI ワーカーが他の AI ワーカーを管理するようになり、人間の管理者は他の AI ワーカーを管理するようになります。企業は管理者とワークロードの間にさらに抽象化レイヤーを追加し、それぞれに新しい管理レベルを設定します。システムはワークロードを実行し続けるために余分なサイクル、ストレージ、およびネットワーク帯域幅を投資しているため、これは非効率的だと考える人もいるかもしれません。

ただし、Netflix などの一部のアプリケーションでは、これらの抽象化レイヤーと自動化レイヤーが必要になります。ある時点で、人間の管理者は AI や機械学習と同じ程度にシステムを拡張することができなくなります。