AIOpsとは？

Artificial Intelligence for IT Operations (AIOps) は、IT 運用に AI と機械学習を適用することで、異常の検知、イベントの関連付け、根本原因の特定、そして対応のトリガーを、手動プロセスよりも迅速に実行します。

Gartner は 2017 年にこの用語を作りました。では、なぜ今これについて読んでいるのでしょうか。

なぜなら、2026 年にアプリケーションを実行するインフラは、従来の監視ツールが想定していたものとはまったく異なるからです。現在、私たちは何百ものマイクロサービス、マルチクラウドの依存関係、AI ワークロード、およびオンコールエンジニアが 1 週間で読める量を超える運用シグナルをわずか 1 時間で生成する エージェント駆動型システムを管理しています。

AIOps は、まさにそのギャップを埋めるために位置づけられています。このガイドでは、AIOps の仕組み、適用分野、およびプラットフォームを選択する前に評価すべきポイントについて説明します。

• AIOps は、IT 運用に AI と機械学習を適用して、異常の検知、イベントの関連付け、可能性のある根本原因の特定を行い、より迅速なインシデント対応を可能にします。
• AIOps は、運用データを実用的なインサイトに変換することで、チームがダウンタイムのリスクを軽減し、アラート疲れを軽減し、意思決定を迅速化し、インシデント対応を加速できるよう支援します。
• AIOps は、オブザーバビリティや DevOps を置き換えるのではなく補完するものであり、リスクの高いアクションについては人間による監視を維持しつつ、AI やプラットフォームエンジニアに運用インテリジェンスを提供して強化します。

AIOps が行うこと、行わないこと

AIOps は、ログ、トレース、イベント、およびネットワークトポロジからのデータを分析し、インシデントとして表面化する前に問題を検知し、障害を予測します。

It は オブザーバビリティとアクションの間に位置します。オブザーバビリティはシステム全体で何が起きているかを伝えます。AIOps はそのシグナルを受け取り、ノイズを減らし、関連するイベントを接続し、プラットフォームエンジニアが次に何をすべきかを決定するのを支援します。オブザーバビリティ、DevOps、または人間の判断を置き換えるものではありません。これら 3 つすべてを迅速化します。

なぜ今なのか？

インフラがより分散化するにつれて、運用データの量、依存関係の複雑さ、変化のスピードがすべて増大しています。従来の監視ツールは、増大する需要に対応できず、過剰なノイズを発生させることが多く、脅威の優先順位を付けるための明確なコンテキストが不足しています。その結果、データチームはインシデントがユーザーに影響を与える前に、重要なシグナルを特定することに苦労しています。

チームが IT 運用において AI と機械学習を活用すると、以下のように最適化されます。

• ダウンタイムリスクの軽減：AIOps は異常を検知し、関連するイベントを関連付けることで、潜在的な障害をより早期に特定し、主要なサービスが中断してダウンタイムが発生する前に問題を解決するのに役立ちます。
• アラート疲れの軽減：機械学習により、重複するアラートや価値の低いアラートをフィルタリングし、人間の対応が必要となる可能性が高いイベントを表面化させることができます。
• 意思決定の迅速化：運用イベントにコンテキストを追加し、可能性のある根本原因を特定することで、AIOps はエンジニアが何が起きているか、次に何を調査すべきかを判断するのを支援します。
• インシデント対応の加速：適切な修復方法がわかっている場合、AIOps はサービスの再起動、リソースのスケーリング、または事前定義されたワークフローのトリガーなどのアクションを推奨または自動化できます。

これらの要因は、特に早期の脅威検知と迅速な復旧に寄与します。これらは、AIOps がすべての自動化のボトルネックを解決する、あるいはエンジニアの必要性をなくすということを意味するものではありません。

AIOps の主要な構成要素とは？

AIOps プラットフォームを評価する際には、主要な構成要素と、それらが各領域でどのように機能するかを理解することが重要です。

• データインジェスト： AIOps プラットフォームは、インフラ、アプリケーション、ネットワークデバイスからのメトリクス、ログ、トレース、イベント、アラートなどのデータを収集し、データレイク、データウェアハウス、または レイクハウスに統合します。幅広く信頼性の高いデータインジェストにより、AIOps は IT 環境全体の問題を検知するために必要な可視性を得ることができます。
• データの正規化とエンリッチメント：AIOps がさまざまなソースからデータを収集した後、分析プロセスが未加工データを処理してトレンドを強調し、環境の容量ニーズを予測し、障害が発生する前に異常なシステム動作を検知します。これにより、ダウンストリームの分析に、何がどこで起きているかについての一貫したビューが提供されます。
• 異常検知：システム内の異常なアクティビティを検知するために、従来の方法は静的なしきい値、CPU 制限、および同様の測定基準に依存してアラートをトリガーしていました。そこにはコンテキストがまったくありません。AIOps は、各メトリクスの正常な動作が時間、日、季節ごとにどのようであるかを学習します。そして、その動作が基準値から逸脱した場合にのみアラートを出します。これにより、AI エンジニアはユーザーに影響が及ぶ前に、潜在的な問題を調査するための時間をより多く確保できます。
• イベントの関連付け：10 台の異なるサーバーが高い CPU 使用率を示している場合、AIOps は各アラートを孤立したインシデントとして処理するのではなく、関連するアラートを接続します。これにより、アラート疲れが軽減され、何百もの個別のイベントではなく、根本的な問題に集中できるようになります。
• 根本原因分析： 70 個のアラートが発生し、そのすべてを追跡するという古い手法は持続不可能です。AIOps はシステムトポロジを理解し、アラート発生時に依存関係にあるサービスを調査し、問題の根本原因を明らかにします。アラートから、AIOps はサービス C が劣化しており、サービス A と B はダウンストリームにすぎないと判断します。これにより、トラブルシューティングが加速し、ビジネスのダウンタイムが最小限に抑えられ、インシデントごとの調査を回避して時間を節約できます。

• 自動化とオーケストレーション： 根本原因が特定されると、AIOps はこれらのインサイトをアクションに変換し、サービスの再起動、インフラのスケーリング、デプロイのロールバック、チケットの起票など、事前定義された対応を推奨または実行します。このコンポーネントにより、手動介入が削減され、インシデント解決が加速し、運用コストの抑制に役立ちます。より高度な運用ワークフローについては、Agent Bricks を使用することで、企業データやツールを使用して複数ステップのタスクを実行する AI エージェントを構築およびデプロイできます。
• コラボレーションワークフロー：AIOps のインサイトを、インシデント解決を担当する担当者やプロセスに接続します。これには、アラートのルーティング、所有権の割り当て、インシデントのエスカレーション、エンジニアへの対応に必要なコンテキストの提供などが含まれます。

これらの主要な構成要素を踏まえ、次のセクションでそれらがどのように連携するかを見てみましょう。

AIOps はどのように機能するのか？

AIOps のプロセスは、アプリケーション、インフラ、ネットワーク、クラウドサービスからのシグナルの収集から始まります。その後、データはクリーンアップされ、重複、不完全、または一貫性のないシグナルが AIOps で分析可能な形式に整理されます。

たとえば、アプリケーションが突然、多数の Application Programming Interface（API）エラーを返し始めたことをシステムが検知したとします。AIOps は、アプリケーションの現在の動作を過去のパターンと比較し、エラーの増加を異常としてフラグを立てます。

イベントの関連付けにより、AIOps プラットフォームは API エラーを、データベース負荷の急激な増加や最近のデプロイなどの他のシグナルに接続します。その後、可能性原因分析がこれらの接続されたシグナルを調査し、考えられる原因を特定します。API エラー、データベース負荷、デプロイを個別のイベントとして処理する代わりに、AIOps は最近のデプロイをインシデントの可能性の高い原因として特定します。

最終段階は、ガイド付きまたは自動化された対応です。ワークフローに応じて、AIOps は修復アクションを推奨したり、チケットを起票したり、適切なチームに通知したり、デプロイのロールバックなどの事前定義された対応を自動的に実行したりできます。

リスクの高いアクションについては、エンジニアが本番環境に影響を与える前に対応を確認および承認できるように、human-in-the-loop（人間による介入）を必要とするべきです。

AIOps の主な種類とは？

AIOps の種類は、組織、運用の範囲、管理するシステム、およびインフラの相互接続のレベルに最も適したものによって異なります。

ドメイン中心（Domain-centric）アプローチとドメイン非依存（Domain-agnostic）アプローチが、AIOps の 2 つの主な種類です。どちらも他方を直接代替するものではなく、それぞれに強みとトレードオフがあります。

ドメイン特化型AIOpsは、クラウド管理、ネットワークパフォーマンス、アプリケーション監視など、特定の領域に焦点を当てています。ドメイン特化型のアプローチは、特定のドメインにおける問題のトラブルシューティングに最適であり、その環境内でのより深いコンテキストと、より専門的な分析を提供します。

ドメイン非依存型AIOpsは、複数のIT環境にまたがって動作し、アプリケーション、ネットワーク、クラウドインフラストラクチャ、ストレージなどのシステムからデータを収集して分析します。ドメイン特化型のアプローチとは対照的に、ドメイン非依存型AIOpsプラットフォームは、より広範な問題の解決に最適です。そのため、インシデントが運用の境界を越えることが多い、複雑で相互接続されたインフラストラクチャを管理する組織に適しています。

ドメイン特化型AIOpsは、単一のドメイン内でより深い洞察と、より専門的なインテリジェンスを提供できる一方で、ドメイン非依存型AIOpsは、システムやツール全体にわたってより広い範囲と、より広範な可視性を提供します。

一般的なAIOpsのユースケース

AIOpsのユースケースはIT運用の多くの領域に及びます。最も一般的なアプリケーションには以下のようなものがあります。

根本原因分析

AIOpsは、システム停止、エラー、またはパフォーマンス問題の可能性の高い原因を特定するのに役立ちます。APIエラーの急増を単発のインシデントとして処理する代わりに、AIOpsはそれを最近のデプロイ、データベースの障害、またはネットワーク構成の変更と関連付けることができます。

異常検知

AIOpsは継続的にシステムデータをスキャンしてベースラインを確立し、インシデントや障害につながる可能性のある逸脱を検出します。

パフォーマンス監視

AIOpsは、相互接続されたサービスや依存関係を持つ、クラウド、オンプレミス、ハイブリッド環境にわたるIT環境を監視できます。これにより、継続的な監視とパフォーマンスの相関関係を通じて、トレンドを特定し、問題の優先順位を付けることができます。

クラウドの導入と移行

クラウドへの移行は、ワークロード、API、サービス、インフラストラクチャ全体にわたって新しい依存関係をもたらします。AIOpsはこれらの関係をマッピングし、システム動作の変化を監視し、重要なサービスが中断される前に潜在的なボトルネックを特定します。AIOpsは、移行中のハイブリッド環境やマルチクラウド環境に対するより明確な可視性を提供します。

DevOpsの導入

DevOpsは開発とデプロイのスピードを向上させますが、人間が気づかない運用上のリスクや問題をもたらすこともあります。AIOpsはデプロイ活動を監視し、本番環境への影響を分析し、問題が発生したときに事前定義されたレスポンスをトリガーできます。

AIOpsとDevOpsは、ソフトウェアのデリバリーと運用のライフサイクルの異なる部分に対応しており、統合することでより効果的になります。

AIOpsとDevOps：何が違うのか？

これは「AIOpsかDevOpsか」という議論ではなく、「AIOpsとDevOps」の両方を導入するという話です。この2つのアプローチは、競合するのではなく、互いに補完し合います。DevOpsはソフトウェアの構築、テスト、デプロイのための運用モデルを提供し、AIOpsはそれを実行するシステムに運用インテリジェンスを適用します。

DevOpsは、ソフトウェアデリバリーを自動化し、開発者が変更をより迅速にリリースできるようにすることで、開発と運用を連携させます。AIOpsは、インフラストラクチャ、アプリケーション、その他のシステムからのデータを分析して、異常を検出し、イベントを関連付け、可能性の高い原因を特定し、より迅速な修復をサポートすることで、その運用モデルを拡張します。

DevOpsが新しいアプリケーションバージョンをデプロイする一方で、AIOpsはその本番環境への影響を監視できます。デプロイが異常な動作を示した場合、AIOpsはシグナルを関連付け、可能性の高い原因を特定し、事前定義されたレスポンスをトリガーするか、適切なエンジニアにアラートを送信します。これらを連携させることで、明確な可視性を維持しながら、より迅速に行動できるようになります。

AIOpsのメリットとは？

AIOpsの主なメリットは、MTTRの短縮、運用コストの削減、オブザーバビリティ（可観測性）とコラボレーションの向上、そしてより予測的なITOps管理です。それぞれのメリットは、プラットフォームエンジニアがインシデントを検出し、理解し、解決する方法に直接結びついています。

• MTTRの短縮：AIOpsは、手動での調査よりも迅速にイベントを関連付け、可能性の高い根本原因を特定し、次のアクションを推奨できます。これにより、エンジニアがインシデントを追跡する時間が短縮され、影響を受けたサービスをより早く復旧できます。
• 運用コストの削減：AIOpsは、繰り返しの検出、調査、修復タスクを自動化し、拡大するIT環境の管理に必要な手動の労力を削減します。また、問題が深刻化する前に特定することで、コストのかかるダウンタイムの防止にも役立ちます。
• オブザーバビリティとコラボレーションの向上：AIOpsは、インフラストラクチャ、アプリケーション、その他の運用システムからのシグナルを、システムヘルスの共有ビューに統合します。これにより、開発、セキュリティ、IT運用の各チームは、インシデントの調査や対応の調整を行う際に、より適切なコンテキストを得ることができます。
• 予測的なITOps管理：AIOpsは、履歴データとリアルタイムの運用データを使用して、将来の障害や容量の問題を示す可能性のあるパターンを特定します。データチームはこれらのリスクに優先順位を付け、重大なインシデントになる前に対策を講じることができます。

これらの成果は、AIOpsプラットフォームが受信するシグナルの品質、運用プロセスの明確な所有権、および既存のワークフローとの統合に依存します。これらが整っていないと、AIOpsはインシデント対応を改善することなく、ノイズと自動化を増やすだけになってしまう可能性があります。

組織にAIOpsを統合するこれらの理由がある一方で、考慮すべき制約もいくつか存在します。

AIOpsの限界とは？

AIOpsにはいくつかの点で限界があります。その効果は、データの品質、モデルが利用できるコンテキスト、およびAIエンジニアがその推奨事項を既存のワークフローにどのように統合するかに依存します。

• データ品質のギャップ：不完全、不整合、またはノイズの多いログ、メトリクス、トレース、イベント、その他のソースからのデータは、不正確な相関関係、異常の見落とし、または不要なアラートを引き起こす可能性があります。
• コンテキストの欠如：依存関係、最近のデプロイ、構成、またはビジネスへの影響に関する事前情報がない運用シグナルは、AIOpsがその原因や深刻度を正しく理解せずに異常を特定することにつながる可能性があります。
• モデルのドリフト：過去のパターンでトレーニングされたモデルは、システム、ワークロード、および運用のベースラインが変化するにつれて精度が低下する可能性があり、継続的な監視と調整が必要になります。
• 過剰な自動化のリスク：適切なセーフガードが整備されていない場合、チームは複雑な修復ステップを完全に自動化することはできません。そうすると、小さなインシデントがより大きなインシデントに発展する可能性があります。リスクの高いアクションには、人間の監視を残しておく必要があります。
• ツールの乱立：断片化された監視およびオブザーバビリティスタックに別のAIOpsプラットフォームを追加すると、複雑さが増す可能性があります。
• 信頼や導入の遅れ：エンジニアは、理解できない、または検証できない推奨事項を信頼しにくい傾向があります。データチームは、重要な運用全体にAIOpsを拡大する前に、明確な所有権、説明可能な推奨事項、および測定可能な成果を確保する必要があります。

データチームやAIエンジニアは、これらの限界について知っておく必要があります。これらは期待値を設定し、責任あるAIとリスク管理の戦略に向けてより効果的に準備するのに役立つからです。

Unity Catalog は、これらのガバナンス戦略を提供し、データとAI資産へのアクセスを単一のカタログに統合することで、チームが機密データや規制対象データへのアクセスを制御できるようにします。

組織はどのようにAIOpsを導入できるか？

組織がIT運用にAIOpsを導入する際、それは一挙に推進する変革ではなく、段階的なプロセスであることを理解することが重要です。つまり、段階的に導入してその価値を検証し、システムへの信頼を築きながら拡張していくという、順序立てたアプローチに焦点を当てることを意味します。

まずは、アラート疲れの軽減やインシデント対応の改善など、AIOpsが測定可能な効果をもたらすことができる、影響力の大きい運用上の課題から始めましょう。

関連する運用シグナルを統合し、依存関係やシステム動作に関するコンテキストを追加します。そして、AIOpsにリスクの高いアクションを自動化させる前に、まずは推奨事項の提示から始めましょう。Databricks上で自律型（エージェンティック）の運用ワークフローを構築するチームは、エージェントの構築とデプロイにAgent Bricksを、トレースと評価にMLflowを、ガバナンス制御されたアクセスにUnity Catalogを、モデルとツールのトラフィック制御にUnity Gatewayを使用できます。

チームが推奨事項を信頼し、ワークフローを実運用化し、MTTR、アラート件数、インシデント頻度などのメトリクスを定義して効果を測定できるようになります。そこから、既存のツール、プロセス、所有権への変更を管理しながら、他のシステムにもAIOpsを拡張していくことができます。

Mosaic AIが、組織全体の運用におけるAIの管理とガバナンスをどのように支援しているかをご覧ください。

AIOpsのさまざまなアプローチとは？

組織のインフラストラクチャとプロセスにおいて、ドメイン特化型（ドメインセントリック）とドメイン非依存型（ドメインアグノスティック）のどちらのAIOpsアプローチが適しているかを判断するには、カバレッジ、深さ、統合、セットアップの手間、適合性を考慮してください。

• カバレッジ：単一の運用ドメインにAIOpsが必要ですか？それとも複数のチーム、システム、環境全体に必要ですか？
• 深さ：特定のドメインに特化したインテリジェンスが必要ですか？それとも相互接続されたシステム全体のより広範な分析が必要ですか？
• 統合：そのアプローチは、既存の監視、オブザーバビリティ、クラウド、IT運用ツールと連携できますか？
• セットアップの手間：デプロイ、設定、メンテナンスにどれだけの時間と運用の手間がかかりますか？
• 組織への適合性：チームのスキル、既存のワークフロー、所有権モデル、運用の目標と一致していますか？

これらの質問を慎重に検討して回答することで、チームはどのアプローチを採用すべきか、より適切な意思決定モデルを得ることができます。最適な選択肢とは、お客様の運用要件に適合するものです。

次のステップ

AIOpsは、AIと機械学習を運用データに適用することで、問題をより早期に検出し、その影響を理解し、より迅速に対応します。これは、エンジニアや既存のオブザーバビリティ、IT運用プロセスを置き換えるものではなく、それらを拡張するインテリジェンスレイヤーとして最も効果的に機能します。

まずは、異常検出、根本原因分析、インシデント対応、パフォーマンス監視など、AIOpsが最も価値を提供できる領域を特定することから始めましょう。次に、利用可能なデータと統合を評価し、リスクの高い自動化を導入する前に推奨事項を提示し、アラート件数や運用コストなどの主要なメトリクスへの影響を測定します。

自律型（エージェンティック）アプリケーションや大規模言語モデル（LLM）アプリケーションの構築と管理については、MLflowを参照し、アプリケーションのライフサイクルや運用ワークフローをどのようにサポートできるかをご確認ください。

よくある質問

AIOpsとは何の略ですか？

AIOpsは、Artificial Intelligence for IT Operations（IT運用のための人工知能）の略です。AI、機械学習、運用データを使用して、ITの問題を検出、調査、対応します。

AIOpsはどのようなデータを使用しますか？

AIOpsは、ログ、メトリクス、トレース、イベント、アラート、構成データ、その他のITシステムからのシグナルを含む運用データを分析できます。

AIOpsとオブザーバビリティの違いは何ですか？

オブザーバビリティは、システム全体で何が起きているかを収集して理解します。AIOpsは、これらの運用シグナルを基盤とし、AIと機械学習を適用してイベントを関連付け、異常を検出し、考えられる原因を特定し、対応をサポートまたは自動化します。

AIOpsとMLOpsの違いは何ですか？

AIOpsはAIと機械学習をIT運用に適用するのに対し、MLOpsは機械学習モデルとそのライフサイクルの開発、デプロイ、監視、管理に焦点を当てています。これらは異なる運用上の課題を解決するものですが、MLシステムを大規模に運用している組織では重複する場合があります。

AIOpsはツールですか、それともプラクティス（実践）ですか？

AIOpsは、プラクティス（実践）であると同時に、ツールのカテゴリでもあります。プラクティスとしては、IT運用にAIと機械学習を適用することを指し、AIOpsプラットフォームは、その実践をサポートするために必要なデータ処理、分析、相関関係、自動化の機能を提供します。

(このブログ記事はAI翻訳ツールを使用して翻訳されています) 原文記事