ポイント: DevOpsにおけるAIとMLの統合は、ワークロードオートメーションを革命化し、生産性と信頼性を向上させています。これらの技術を活用している企業は、開発サイクルが短縮され、アプリケーションのパフォーマンスが向上しています。
- 80%の企業がDevOpsでアプリケーションワークフローを自動化しています。
- AI/MLの採用は、アプリケーションパフォーマンスとビジネス成長を促進すると予想されています。
DevOpsの旅は、開発と運用の間の障壁を取り除くというアイデアから始まりました。今日、DevOpsはアプリケーション開発のすべての側面と、アプリケーションが本番環境でどのように動作するかを自動化するための一連のプラクティスとツールに進化しました。現在、企業は、価値を最大化するために機械学習（ML）などの人工知能（AI）技術を使用した高度なアプローチを実施しています。このブログでは、Enterprise Management Associates（EMA）からの新しい研究と、DevOpsにおけるワークロードオートメーションの未来についての視点を共有します。企業がAI/ML、DevOps、オートメーションを組み合わせて新たな生産性、品質、信頼性のレベルに到達する方法を見ていきます。
初期の頃、DevOpsのDev部分は大きな注目を集め、継続的インテグレーション/継続的開発（CI/CD）とインフラストラクチャの自動化に多大な投資が行われました。過去5年間で、Ops側も十分に焦点を当てられるようになり、DevOpsプラクティスの一環としてのワークロードオートメーションの出現は特に注目に値します。このプラクティスは、ビジネスサービスを本番環境で提供するために、複雑で相互依存するアプリケーションワークフローとデータパイプラインを自動化し、調整することを含みます。実際、Enterprise Management Associates（EMA）の新しい研究によると、80パーセントの企業がリリースサイクルの最後にアドホックスタイルで対処するのではなく、DevOpsプロセスにアプリケーションワークフローの自動化を統合しています。
すでにアプリケーションとデータのワークロードオートメーションをDevOpsの取り組みに統合している企業の80パーセントに属している場合、私が利点を説明する必要はありません。結果は明らかです。アプリケーション、データパイプライン、ビジネスサービスの作成時にワークロードオートメーションを組み込むことは、多くの組織が開発サイクルと本番環境への投入時間を短縮し、信頼性とパフォーマンスを向上させ、既存の資産を維持する代わりに新しいデジタルビジネス機能を作成するために費やす時間を解放するのに役立っています。現在、私たちは - 経験と新しい研究から - その利点が次世代のDevOpsオートメーションによって強化されることができることを学んでいます。これはプロセスにAI/MLを注入しています。
まず、DevOpsにおけるワークロードオートメーションの現在の状態を見てみましょう。これは非常にエキサイティングです。現在、73パーセントの企業がアプリケーションが開発されている間にワークフローを自動化していると、最近のEMAの研究によると報告されています。これはしばしばJobs-as-Codeと呼ばれています。ジョブをコードとして扱うことによるアプリケーションワークフローとデータパイプラインの自動化は、わずか数年でメインストリームのプラクティスになりました。これは、提供される証明された価値と、適応の容易さの証です。Jobs-as-Codeは、BMCのControl-Mによって先駆けられたプラクティスです。初期の採用者の多くは、Carfaxのように、その価値を市場に証明するのに重要な役割を果たしました。
「DevOpsは私たちの文化の一部であり、非常に長い間そうでありました。私たちは非常に市場投入までの時間が重要な会社であり、待つ余裕はありません。プロセスを開発し、本番環境に移行するのにはかつては数週間または数ヶ月かかっていました。Jobs-as-Code、DevOps、オープンな哲学に移行するにつれて、その時間枠を実際に短縮しました。実際に数分で行けるようになりました。」 ロバート・スティネット、Carfax
DevOpsオートメーションは今後どのように進化し続けるのでしょうか？それはAI/MLの助けを借りて賢くなるでしょう。アプリケーションとデータパイプラインの自動化をDevOpsプロセスに組み込むことは、多くの組織にとって大きな飛躍だったかもしれませんが、AI/MLの導入は一連の漸進的なステップのようになるべきです。今日の主要なワークロードオートメーション製品は、ポリシーベースの自動化を提供しており、自動化エンジニアはワークロードオートメーションツールのメタデータに基づいてルールを設定できます。
たとえば、コンピュート使用率がしきい値を超えるピーク処理の時間に対するポリシーは、ワークロードオートメーション製品がインフラストラクチャ自動化ソリューションとインターフェースして追加のコンピュートとプロセス容量をプロビジョニングし、処理が完了したらプロビジョニングされたリソースを終了することになるでしょう。この自然な進化は、ワークロードオートメーションソリューションがそのパターンを自己学習し、修正アクションを推奨できる埋め込まれたAI/MLアルゴリズムを持つことになるでしょう。これにより、システムは自己管理の概念に近づきます。
未来的すぎると思いますか？私たちやEMAにはそうではありません。アナリストのスティーブ・ヘンドリックは次のように書いています。「MLは品質の改善を促進し、それがアプリケーションパフォーマンス、信頼性、OpEx効率、コスト削減、顧客満足度に広範な利点をもたらします。AIはMLに基づいて構築された第二の波のイノベーションとして続くことになり、大規模な自動化を可能にします。この自動化は、新しいアプリケーションの提供やアプリケーションの更新のスピードを改善し、従業員の生産性を向上させることを意味します。これらすべてがSDLCサイクルタイムを短縮し、より高次の開発作業に対処するための時間を増やします。」
EMAが調査したITオペレーションの専門家の大多数は、DevOpsにAI/MLを導入することでアプリケーションパフォーマンス、アプリケーションの革新、設計、全体的なビジネス収益の成長が改善されると考えています。多くの開発者も同様の意見を持っており、AI/MLが新しいアプリケーションの提供をスピードアップするだろうと考えています。両方のグループが他の多くの期待される利点を挙げました。
ただし、市場はまだそこまで至っていません。多くの企業が人工知能と機械学習の使用に高い優先順位を置いている一方で、DevOpsにおけるワークロードオートメーションのためのそれらの使用を探求している企業は、いくつかの障害に直面しています。もちろん、戦略を設定したり、熟練したスタッフを見つけたりすることに通常制限される明白な問題があります。しかし、EMAの研究では、開発者とITオペレーションスタッフによると、DevOpsをさらに自動化するための特定の課題は、AI/ML能力を持つツールを見つけ、それらをツールチェーンやプロセスに統合することだとされています。これらのニーズに対処するために、今後のワークロードオートメーションソリューションには、より多くの組み込みの認知技術機能が搭載されることが期待されます。
要するに、アプリケーションとデータパイプラインのワークロードオートメーション市場は、エンタープライズのニーズに応じて進化を続けており、Control-Mはその最前線にいます。人工知能と機械学習への現在の欲求は、市場が今後どのように進むかの手がかりを提供します。今後の展開にご期待ください。それまでの間、Control-Mのウェブサイトを訪れて、他のアナリスト研究レポートを閲覧し、Jobs-as-Codeアプローチについて学び、ワークロードオートメーションをDevOpsに持ち込んだ顧客からの証言を見てください。
- EMAの完全なレポートを読む － AI & ML: DevOpsおよびワークロードオートメーションにおける次世代の推進
これらの投稿は私自身の意見であり、BMCの立場、戦略、または意見を必ずしも表すものではありません。