Une récente enquête sur l’AIOps réalisée par Forrester Consulting révèle qu’une majorité de répondants indiquent consacrer trop de temps à la résolution des incidents et pas suffisamment à la recherche de solutions pour les prévenir. Pour 70% d’entre eux, les incidents ont un impact avant même d’être détectés, et 60% estiment que la détection des incidents par leur organisation prend trop de temps. Dans la mesure où le mainframe – ordinateur central à l’origine des infrastructures client-serveur – est un élément clé de l’infrastructure applicative, tout souci de performance peut affecter l’ensemble de l’application, ce qui confère à la détection et à la résolution précoces de ces problèmes une importance vitale.  

De plus en plus de décideurs dans le domaine du mainframe prennent conscience que les méthodes traditionnelles de gestion des opérations sont vouées à disparaître. La demande croissante de services numériques innovants et plus rapides a fait peser une pression accrue sur les datacenters, lesquels sont confrontés à l’arrivée de nouvelles applications, à l’augmentation constante du volume de données traitées et à de plus en plus d’imprévisibilité des charges de travail.

L’importance de l’AIOps pour le mainframe

Les organisations doivent traiter le mainframe comme une plateforme connectée et adopter une approche novatrice et plus proactive de la gestion des opérations. L’évolution de la technologie utilisée pour la collecte et le traitement des données et l’émergence de techniques de machine learning innovantes offrent désormais la possibilité de transformer les opérations mainframe grâce à l’AIOps. Cela permet notamment aux entreprises de devenir des Entreprises Digitales Autonomes (ou « Autonomous Digital Enterprise » en anglais).

Soumises à un rythme effréné, les équipes chargées des opérations ne disposent pas de temps pour réaliser des phases d’enquête prolongées à chaque fois qu’un problème survient. Au lieu d’attendre ce moment, puis de consacrer les ressources disponibles à leur résolution, la surveillance automatisée offerte par les outils modernes fait appel à l’intelligence artificielle (IA) et au machine learning (ML) pour examiner et évaluer l’interaction de multiples informations qui se recoupent, ce qui permet de détecter les problèmes potentiels et d’en déterminer la cause à un stade plus précoce.

Cette automatisation devient d’autant plus importante que le changement de profil des collaborateurs, pour des personnes plus expertes, se traduit par la perte des connaissances institutionnelles. Selon nos recherches, 81% des personnes interrogées s’appuient encore en partie sur des processus manuels pour remédier aux problèmes de ralentissement, 75% d’entre elles déclarant que leur organisation a recours à des opérations manuelles pour diagnostiquer les incidents multi-systèmes. Cette situation crée le cocktail idéal entre des attentes plus grandes de la part des clients, une mise en œuvre plus rapide d’un nombre croissant de services numériques et un mainframe plus étroitement connecté, pris en charge par un personnel moins expérimenté. Or, la surveillance automatisée contribue à atténuer ces pressions en codifiant les connaissances et en identifiant les problèmes potentiels et les solutions envisageables. Cela se traduit entre autres par une réponse plus rapide et une dépendance réduite à l’égard des compétences spécialisées.

Par ailleurs, le recours à l’AIOps sur le mainframe n’est plus réservé aux organisations disposant des ressources nécessaires pour concevoir et déployer des infrastructures personnalisées de collecte et d’analyse de données à grande échelle. En effet, la technologie permettant de consommer et de traiter les importants volumes de données recueillies sur le mainframe, ainsi que les techniques éprouvées pour leur appliquer des algorithmes de machine learning, ont atteint un niveau de précision et une échelle tels qu’elles peuvent désormais être implémentées dans un vaste éventail d’environnements clients. Les fournisseurs ont même évolué au point de proposer des modèles clé en main pouvant être mis en œuvre immédiatement afin de détecter avec précision les problèmes existants et potentiels.

Comment le mettre en place ?

De nombreuses entreprises ont rencontré un franc succès dans la mise en œuvre du Mainframe AIOps en débutant par un champ d’application restreint. Elles ont ainsi pris le parti d’intégrer l’AIOps à la plateforme de gestion des systèmes existante et de la maintenir à jour plutôt que de la remplacer entièrement. De plus, l’outil de surveillance choisit doit à la fois offrir une expérience utilisateur moderne et permettre d’intégrer rapidement et facilement les différents scénarii d’utilisation de l’AIOps.

En commençant par un scénario d’utilisation ciblée, tel que la détection, et en saisissant des données rétrospectives, le processus se trouve alors démystifié. En effet, il met en évidence la manière dont les problèmes connus sont détectés et démontre l’intérêt de basculer vers une approche basée sur l’AIOps. Une fois ce premier scénario d’utilisation implémenté avec succès, le passage au suivant, comme l’analyse des causes probables, est rendu possible en tirant à nouveau parti des données rétrospectives pour découvrir et tester la nouvelle technologie. Adopter cette approche progressive favorise l’utilisation et l’adoption optimale des outils d’AIOps ; les employés peuvent alors adapter les processus sans subir de perturbations majeures.

La gestion des opérations basée sur un modèle « détection / réaction » a permis au mainframe de rester performant pendant des décennies. Cependant, la convergence de plusieurs facteurs a mis en évidence la nécessité d’un changement. En effet, l’accélération des usages cloud, boostée par la pandémie, a conduit à la nécessité accrue d’inclure le mainframe dans la stratégie numérique de l’entreprise. Elle a également favorisé des changements de profils pour le choix de collaborateurs plus spécialisés et la généralisation de l’automatisation. C’est la raison pour laquelle, dans ce « nouveau monde », les entreprises doivent à présent envisager l’adoption de l’AIOps sur le mainframe pour rester toujours plus performantes et compétitives.
____________________________

Par April Hickel, VP, Intelligent Z Optimization and Transformation, BMC