Raportul discutat scoate în evidență o problemă cunoscută echipelor IT: CMDB-urile sunt văzute ca esențiale pentru decizii și operațiuni, dar datele pe care le conțin lasă de dorit. Studiul Device42, care a intervievat lideri IT din sectoarele financiar, medical, administrație publică și tehnologie, arată că 84% consideră o bază de date de configurare (CMDB) vitală, însă majoritatea recunosc că sistemele curente nu oferă calitatea, exactitatea și completitudinea datelor necesare. Pe scurt, avem instrumentele teoretice, dar nu și vizibilitatea reală.
Răspunsurile reflectă o situație familiară: mai mult de jumătate dintre participanți utilizează CMDB-uri, soluții de monitorizare sau proceduri manuale de descoperire pentru a înțelege infrastructura. Totuși, 58% nu au încredere în vizibilitatea pe care o dețin. Raj Jalan, fondator și vicepreședinte executiv al Device42, afirmă că echipele IT înțeleg valoarea vizibilității complete, dar multe încă se bazează pe sisteme fragmentate, învechite sau manuale, incapabile să țină pasul cu mediile hibride, complexe și dinamice. Potrivit lui, le lipsește o soluție care să ofere automatizare, acuratețe și informații în timp real.
Datele vorbesc de la sine: doar 17% dintre respondenți susțin că CMDB-ul lor este complet precis și utilizat regulat. Obținerea unei vizibilități reale în medii complexe și reducerea costurilor operaționale se numără printre principalele provocări IT. Aceste lacune afectează direct adoptarea inteligenței artificiale: 64% dintre echipele IT afirmă că nu au implementat AI, iar principalele temeri sunt calitatea datelor și riscul de securitate cibernetică. Există interes, 45% ar fi dispuși să adopte AI, dar doar după rezolvarea problemelor legate de calitatea datelor și a nivelurilor de risc.
Legătura dintre date și AI este clară, dar adesea subestimată: eficacitatea instrumentelor AI depinde în totalitate de calitatea, completitudinea și încrederea în datele de bază. Fără o imagine clară a relațiilor dintre active, a modului de utilizare și a configurațiilor sistemelor, AI rămâne cu zone nevăzute care pot crea riscuri în loc să aducă eficiență. Jalan rezumă: nu poți moderniza ceea ce nu poți vedea, iar AI nu poate fi de încredere fără date de încredere.
Studiul Device42 evidențiază un paradox: organizațiile recunosc importanța CMDB-urilor și a vizibilității, dar multe operează cu instrumente care nu furnizează date suficiente pentru a sprijini transformarea digitală și adoptarea AI. Printre soluțiile sugerate implicit se regăsesc automatizarea descoperirii infrastructurii, actualizarea continuă a datelor și integrarea surselor pentru a elimina golurile și inconsistențele. În absența acestor schimbări, companiile riscă fie să amâne implementările AI, fie să le ruleze pe baze de date slabe, ceea ce poate genera costuri operaționale mai mari și vulnerabilități de securitate.
Device42 oferă informații suplimentare pe blogul lor, iar imaginea asociată articolului este creditată Khakimullin/depositphotos.com.
Raportul Device42 prezintă clar cifrele: 84% consideră CMDB esențială, 58% nu au încredere în vizibilitate, 17% au CMDB complet precisă și 64% nu au adoptat AI din cauza problemelor de date și risc. Ce măsuri concrete ar putea întreprinde o organizație cu 17% acuratețe în CMDB pentru a ajunge la un nivel în care AI poate fi utilizat în siguranță?
Iată pași practici:
– Efectuați o evaluare inițială a calității datelor pentru a identifica lacunele, inconsistențele și sursele problematice.
– Automatizați descoperirea activelor și a configurațiilor pentru a obține date actualizate în timp real, reducând dependența de procese manuale.
– Implementați procese continue de reconciliere și curățare a datelor, cu reguli de validare și deduplicare.
– Centralizați sursele de date și integrați CMDB-ul cu instrumentele de monitorizare, managementul incidentelor și alte baze de date pentru sincronizare bidirecțională.
– Stabiliți guvernanță a datelor, responsabilități clare și KPI-uri pentru acuratețe, completitudine și timeliness.
– Folosiți instrumente de audit și trasabilitate pentru a urmări modificările și sursa lor, facilitând remedierea problemelor.
– Prioritizați corectitudinea datelor pentru elementele critice pentru AI (de ex. topologie rețea, dependențe aplicații) înainte de o implementare pe scară largă.
– Implementați un program pilot de AI pe un subset bine gestionat de date pentru a valida modele și a evalua riscurile înainte de scalare.
– Introduceți controale de securitate și modelare a riscului pentru a preveni expunerea datelor sensibile și pentru a evalua impactul deciziilor automate.
– Măsurați și raportați progresul continuu, ajustând procesele pe baza feedback-ului operațional și a performanței AI.
Aplicarea acestor pași poate crește treptat acuratețea CMDB-ului și încrederea în date, permițând implementări AI mai sigure și mai eficiente.
Fii primul care comentează