Операции на мейнфреймах выходят за рамки эпохи, когда команды ждали оповещения, диагностировали проблему и затем предпринимали действия. AIOps все активнее помогает организациям обнаруживать аномалии, сопоставлять события, прогнозировать проблемы с производительностью и определять вероятные первопричины до того, как пострадают бизнес-сервисы.
Мейнфреймы по-прежнему поддерживают критически важные операции, поэтому внедрение более масштабной автоматизации должно происходить осторожно. Прогресс зависит от того, удастся ли предоставить ИИ достаточно операционного контекста для надежной работы при сохранении надлежащего контроля над решениями, которые могут повлиять на отказоустойчивость, безопасность или непрерывность бизнеса.
От реактивных операций к большей автономности
Эту эволюцию можно разделить на четыре этапа.
- Реактивные операции реагируют после возникновения инцидента
- Предиктивные операции используют данные для прогнозирования возможных событий
- Проактивные операции вмешиваются для предотвращения сбоев
- Автономные операции идут дальше, самостоятельно выполняя одобренные действия
Организации уже движутся по этому пути. Одной из давних проблем было обеспечение доступности телеметрии мейнфреймов, включая System Management Facilities (SMF), Resource Measurement Facility (RMF) и данные журналов, для основных платформ наблюдаемости. Достижения в области потоковой передачи данных теперь преобразуют эту информацию в форматы, совместимые с OpenTelemetry, расширяя круг платформ, не зависящих от конкретного производителя, способных ее обрабатывать.
Это поддерживает все более зрелую автоматизацию рутинных проверок работоспособности, корреляции оповещений, балансировки рабочей нагрузки, приоритизации инцидентов и предопределенных рабочих процессов исправления. Наша работа по модернизации мейнфреймов на базе ИИ отражает ту же тенденцию к переходу на операции с поддержкой ИИ.
Уровень риска определяет, насколько далеко должна распространяться эта автоматизация. Перезапуск сервисов, балансировка рабочей нагрузки или устранение известных проблем подходят для автоматизации, если действие хорошо понятно и обратимо. Однако изменения, влияющие на производственные среды, политики безопасности, конфиденциальные данные или соответствие нормативным требованиям, по-прежнему должны подлежать одобрению человеком.
Доверенная автоматизация развивается постепенно: ИИ берет на себя все больше рутинных операционных задач, в то время как опытные инженеры несут ответственность за принятие критически важных решений.
От рекомендаций к оркестрации
ИИ также эволюционирует из консультативного слоя в средство оркестрации. Вместо того чтобы просто выявлять вероятную проблему, он все лучше координирует действия в приложениях, инфраструктуре и операционных инструментах.
Такие технологии, как Ansible, расширяют автоматизацию управления конфигурациями в среде мейнфреймов, в то время как Terraform поддерживает автоматизированную подготовку инфраструктуры. В сочетании с агентским ИИ эти возможности расширяют спектр действий, которые можно координировать с меньшим вмешательством человека.
Более широкая автономность требует надежной наблюдаемости, высококачественных операционных данных, объяснимого ИИ, управления на основе политик и тщательного тестирования в реальных производственных условиях. Четкие пороги уверенности имеют не менее важное значение: команды должны понимать, какие действия ИИ может выполнять самостоятельно, а какие требуют проверки человеком.
Доверие растет благодаря стабильной производительности, прозрачности и измеримым операционным результатам.
Обеспечение доступности институциональных знаний
Операции на мейнфреймах также зависят от десятилетий специализированных институциональных знаний, большая часть которых находится у опытных профессионалов.
ИИ упрощает доступ к этой экспертизе. Ассистент на основе генерации с дополненным извлечением (RAG), обученный на соответствующих материалах IBM Redbooks и обогащенный специфическими для организации знаниями, предоставляет инженерам доступ к операционным руководствам на естественном языке. Интеграция ассистента с записями управления IT-услугами также облегчает поиск информации о предыдущих инцидентах и способах их разрешения.
Новые инженеры могут быстрее получать необходимые знания, в то время как опытные специалисты могут использовать контекстные рекомендации, чтобы тратить меньше времени на поиск по документации и архивным записям.
Человеческий опыт остается важным. Инженерам по-прежнему необходимо проверять рекомендации, справляться с исключительными сценариями и совершенствовать операционные практики по мере изменения сред. Используемый таким образом ИИ усиливает передачу институциональных знаний, не ослабляя при этом профессиональное суждение.
Встраивание управления в автономность
По мере того как ИИ начинает предпринимать корректирующие действия, управление ( governance) становится частью операционной архитектуры.
Предприятия могут начать сกิจกรรม с более низким риском или операций только для чтения, таких как выдача команд отображения или выполнение пакетных операций только для чтения. Эти автономные действия должны работать в рамках предопределенных порогов уверенности, создавать подробные журналы аудита и поддерживать откат изменений, где это уместно. Модификации производственных сред также должны быть привязаны к конкретному пользователю или роли.
Действия с высокой степенью влияния по-прежнему должны требовать одобрения человека, в то время как рутинные операции должны постепенно переходить к автономному выполнению по мере того, как операционные данные подтверждают большую уверенность.
Это создает модель, в которой ИИ берет на себя растущую долю рутинных задач, в то время как опытные команды продолжают управлять вопросами отказоустойчивости, безопасности и непрерывности бизнеса.
Автономность мейнфреймов будет развиваться благодаря такому сочетанию интеллекта и контроля. Системы становятся более функциональными по мере того, как предприятия обретают большую уверенность в данных, средствах защиты и управлении, окружающих их действия.
