Почти 80% российских компаний уже применяют инструменты мониторинга своей ИТ-инфраструктуры, но лишь каждая шестая использует модели машинного обучения для обнаружения аномалий. Мешают нехватка внутренней экспертизы, низкое качество данных и сложность подсчета окупаемости инвестиций.
Исследование компании Nexign показывает, что мониторинг ИТ-инфраструктуры стал стандартом для отечественного бизнеса: 79% опрошенных компаний уже используют для отслеживания состояния своих систем специализированные программные инструменты. Это объясняется растущей сложностью ИТ-ландшафтов: компании вынуждены контролировать все больше элементов инфраструктуры, чтобы обеспечить бесперебойную работу бизнеса.
Наиболее востребованы метрики, связанные с отслеживанием нагрузки на процессор, оперативную память и сеть (89%), ошибок и сбоев в приложениях (86%), задержки отклика сервисов (70%).
При этом всего 17% респондентов применяют инструменты с машинным обучением для автоматического обнаружения аномалий, хотя и признают, что последствия недостаточного мониторинга уже ощутимы — это штрафы регулятора, репутационные потери и отток клиентов.
Финансовый сектор демонстрирует более высокий интерес к технологии и уже ведет пилотные проекты. Представители других отраслей занимают выжидательную позицию: одни находятся в поиске обоснований для инвестиций в этом направлении, другие считают, что текущие инструменты без машинного обучения еще не исчерпали свой потенциал. Малый и средний бизнес пока меньше всего готов к внедрению ИИ — во многом потому, что часть компаний этого сегмента еще не выстроила даже базовые процессы мониторинга.
Эксперты подчеркивают: барьер носит не столько технологический, сколько организационный и экономический характер. На рынке уже доступны инструменты с машинным обучением для поиска аномалий — как коммерческие продукты российского производства, так и решения на базе открытого исходного кода от отечественных и зарубежных вендоров. Однако их внедрение требует зрелых процессов и наличия необходимых компетенций. Компаниям нужны специалисты на стыке ИТ, информационной безопасности и исследования данных, при этом создание полноценных отдельных подразделений для многих организаций экономически неоправданно.
Существенной проблемой остается и качество данных: модели машинного обучения требуют нормализованных и структурированных массивов, тогда как в реальности данные часто разрозненны и хранятся в различных системах без единого стандарта. Наконец, многие проекты не получают финансирования из-за сложности расчета экономического эффекта.
На текущем уровне развития рынка компаниям целесообразнее инвестировать прежде всего в выстраивание процессов, подготовку данных и развитие компетенций. Без этой базы даже самые продвинутые ИИ-модели не смогут продемонстрировать ожидаемую эффективность.
«ИТ-ландшафты компаний становятся все более сложными: растет количество сервисов и микросервисных приложений, взаимосвязей между ними, инфраструктура становится более распределенной и разнородной с точки зрения используемых технологий. Из-за этого обнаруживать аномалии с помощью традиционных методов становится все труднее — нужно сопоставлять разные метрики, анализировать большие объемы данных. В ближайшие годы мы ожидаем более глубокую интеграцию машинного обучения в платформы мониторинга. Такие инструменты помогут автоматически выявлять сложные аномалии, а их использование станет доступнее. При этом максимальную отдачу от них смогут получить компании, которые уже выстроили процессы мониторинга и обеспечили необходимое качество данных», — отмечает Максим Нартов, директор по развитию бизнеса Nexign.
