Além de RFPs e chatbots: como a IA está otimizando a infraestrutura e as operações de TI

Atualmente, a maioria das grandes novidades em inteligência artificial (IA) gira em torno do desenvolvimento de aplicações novas e de ponta em IA generativa (gen AI). Seja auxiliando alunos com redações, preenchendo RFPs rapidamente ou preparando (mal) processos judiciais, seus êxitos e fracassos já foram bem registrados.

Mas e quanto às tarefas mais corriqueiras? Algumas organizações estão testando o uso da IA para automatizar partes da infraestrutura de TI e das operações, liberando especialistas para atuarem em áreas mais estratégicas.

“A IA generativa é central para como muitas empresas modernas constroem novos produtos digitais para gerar receita”, afirma Richard Warrick, líder global de pesquisa no IBM Institute for Business Value. “Mas e se essa mesma tecnologia pudesse transformar radicalmente os processos de negócios necessários para projetar, implementar, gerenciar e observar essas aplicações?”

De automatizar processos intensivos em recursos, como o provisionamento de data centers e DevOps, até substituir equipes de segurança no local, veja como a automação inteligente com IA está transformando a infraestrutura e as operações de TI. 

Quando a IA começou a ser explorada para fins empresariais, sua capacidade de automatizar tarefas repetitivas que antes exigiam input humano era considerada sua aplicação mais valiosa. Com o avanço da IA generativa e seus múltiplos recursos, essa ideia agora parece ultrapassada; mas embora a natureza das tarefas que a IA pode automatizar tenha mudado, o valor fundamental da automação permanece o mesmo.

Segundo um estudo recente do IBV, 80% dos executivos pretendem automatizar suas operações de redes de TI nos próximos 3 anos, e 76% vão aplicar essas mesmas competências de IA às operações de TI nesse mesmo período.

“Fluxos de trabalho inteligentes impulsionados por IA e ferramentas de automação de TI estão ajudando líderes empresariais a encontrar vantagens competitivas, em termos de desempenho, que antes lhes escapavam”, afirma Warrick.

Há dez anos, a IA era usada para executar processos simples baseados em regras, uma habilidade conhecida como automação baseada em regras. Exemplos iniciais incluem o funcionamento de braços robóticos e linhas de montagem industriais. Embora eficazes em certas áreas, essas ferramentas careciam da flexibilidade e escalabilidade para serem aplicadas a problemas empresariais mais amplos. Os sistemas baseados em regras dependiam de conjuntos predefinidos de regras e, à medida que as tarefas se tornavam mais complexas, o número de regras necessárias também aumentava, o que acabava gerando sistemas difíceis de escalar.

Na década de 1990, cientistas começaram a desenvolver programas de computador capazes de “aprender” a tirar conclusões de forma semelhante ao cérebro humano, utilizando grandes volumes de dados. Esse ramo da IA, conhecido como aprendizado de máquina (ML), permitiu à tecnologia lidar com tarefas cada vez mais complexas, como reconhecimento de fala e escrita, jogos sofisticados e até mesmo assistência em diagnósticos médicos.

O deep learning, um subconjunto do aprendizado de máquina que ganhou destaque nos anos 2010, levou o nível de complexidade que os sistemas de IA podiam lidar a novos patamares. Com treinamento em redes neurais multicamadas, os programas de aprendizado profundo simularam os modos complexos e sutis como os cérebros humanos tomam decisões, tornando possível que a IA criasse aplicações, interpretasse imagens e vídeos e até respondesse a comandos de voz e texto como os humanos fazem.

Hoje, graças ao ML e ao deep learning, a automação com IA evoluiu de processos simples baseados em regras para modelos sofisticados treinados com grandes volumes de dados, capazes de realizar muitas das mesmas tarefas que seus equivalentes humanos. Essa nova geração de ferramentas de IA, conhecida como “automação inteligente”, está ajudando organizações a melhorar sua infraestrutura e operações de TI, otimizando operações de negócios, analisando dados e resolvendo questões complexas que antes exigiam atenção humana.

Empresas modernas precisam que suas mentes mais brilhantes e focadas em tecnologia se concentrem em iniciativas com maior potencial de geração de valor para os negócios — e, neste momento, isso significa desenvolver aplicações de IA generativa. De acordo com outro estudo do IBV, 64% dos CEOs relataram sentir pressão de investidores, credores e financiadores para acelerar a adoção da IA generativa, e mais da metade afirmou sentir essa mesma pressão vinda de seus próprios funcionários. 

Mas aplicações de IA generativa exigem o suporte de uma infraestrutura complexa para viabilizar a coleta, o processamento e o armazenamento seguro de volumes massivos de dados. Antes, essa responsabilidade recaía sobre equipes de gerentes de TI, engenheiros e cientistas de dados, mas e se pudesse ser realizada pela própria IA?

A automação inteligente com IA aproveita o poder de habilidades especializadas como visão computacional, processamento de linguagem natural (PLN) e outras tecnologias avançadas de IA para resolver problemas de negócios altamente complexos. Modelos de IA treinados com grandes conjuntos de dados usando aprendizado de máquina (ML) e deep learning podem analisar dados de aplicações e sistemas, identificar rapidamente padrões e ajustar recursos e processos conforme necessário, antes que os problemas ocorram.

A visão computacional é uma área da IA que interpreta imagens e vídeos como o cérebro humano. Modelos de IA usam ML e deep learning para analisar dados repetidamente até identificar diferenças relevantes em imagens e vídeos. Por exemplo, um modelo de IA treinado para proteger uma residência precisaria ser exposto a milhares de horas de imagens de segurança doméstica para aprender a reconhecer possíveis invasores.

Na infraestrutura de TI, a visão computacional é usada em várias tarefas que antes exigiam input humano, incluindo manutenção preditiva, monitoramento de sistemas, processamento de fluxos de dados e mais:

• Manutenção preditiva: sistemas de visão computacional especialmente treinados usam algoritmos de reconhecimento de imagem para detectar problemas em componentes físicos como cabos e servidores antes que resultem em downtime da rede.

• Monitoramento de sistemas: a visão computacional pode analisar grandes volumes de dados de fontes diversas com muito mais rapidez do que uma pessoa. Examinar imagens de câmeras em túneis de metrô, rodovias e edifícios levaria horas para um ser humano, mas um sistema de visão computacional faz isso em tempo real.

• Processamento de fluxos de dados: sistemas de visão computacional processam e analisam enormes quantidades de dados vindos de sensores físicos que monitoram métricas-chave como temperatura, umidade, velocidade do ar e mais. Confiar na visão computacional para detectar mudanças súbitas nas condições frequentemente alerta as organizações sobre um problema de forma imediata.

O processamento de linguagem natural (PLN) é um campo da IA que foca em como treinar computadores para entender e se comunicar usando linguagem humana. O PLN ajuda sistemas a reconhecer e entender a fala humana e gerar texto em resposta a prompts.

Recentemente, o PLN foi fundamental no desenvolvimento e lançamento do ChatGPT, um chatbot inovador que pode entender e gerar texto semelhante ao humano em resposta a perguntas e solicitações.

Na infraestrutura e operações de TI, o PLN auxilia as organizações em uma variedade de tarefas que antes exigiam inputs humanos, como melhoria da experiência do usuário, resolução de tickets e análise de sentimento:

• Experiência do usuário: o PLN permite que os usuários façam perguntas sobre problemas complexos de TI da mesma forma que falariam com um representante de atendimento ao cliente e receberiam respostas úteis. Chatbots treinados com grandes quantidades de conhecimento técnico e equipados com habilidades de PLN podem substituir representantes de atendimento ao cliente com anos de conhecimento técnico adquirido.

• Resolução de tickets: os sistemas com IA de PLN podem analisar os tickets recebidos, priorizá-los e categorizá-los com precisão por importância e tipo. Os sistemas de IA podem até ser treinados para resolver os problemas por conta própria, solicitar intervenção humana quando necessário ou tomar outras medidas apropriadas.

• Análise de sentimento: os sistemas de PLN podem realizar análises de sentimento em feedback de usuários, pesquisas e até mesmo postagens em redes sociais, avaliando com precisão as emoções por trás das respostas e identificando áreas de melhoria. Além disso, os sistemas de PLN podem ajudar a organizar informações técnicas especializadas, melhorando a documentação e o compartilhamento de conhecimento de TI em uma organização.

A aplicação da automação inteligente de IA para infraestrutura e operações de TI está transformando como os gerentes de TI monitoram e otimizam seus sistemas e alocam recursos críticos. Aqui estão quatro exemplos de áreas em que a tecnologia está ajudando a transformar processos, reduzir custos e identificar insights significativos sobre os negócios principais.

A IA é extremamente hábil em identificar padrões nos dados, o que a torna perfeita para analisar as enormes quantidades de dados que fluem pelos data centers corporativos todos os dias. Os operadores de data center começaram a adotar a IA para ajudá-los a identificar padrões nos dados e identificar oportunidades de automação e simplificação de processos, uma parte fundamental do aumento do retorno sobre o investimento (ROI) para iniciativas de transformação digital.

Um dos campos em que a IA já está aprimorando as operações dos data centers é o consumo de energia. Sistemas de IA podem monitorar e ajustar dinamicamente os sistemas de refrigeração e controlar o consumo de energia, ajudando empresas a economizar milhões, em um dos casos, reduziram a conta de energia de um data center em 40%.

A IA está sendo cada vez mais utilizada para automatizar aspectos da governança de dados, o processo que garante a integridade e a segurança dos dados durante sua coleta, armazenamento e processamento. Com a ascensão da IA generativa, as empresas estão percebendo que precisam coletar e gerenciar muito mais dados do que antes. Como os dados necessários costumam ser coletados em um local e armazenados ou processados em outro, manter a conformidade com as leis aplicáveis pode ser um desafio. Sistemas de IA automatizam partes do processo de conformidade, atualizando-se com base em leis e regulamentações sem intervenção humana, tornando tudo mais eficiente e seguro.

A IA tem desempenhado um papel cada vez mais relevante na observabilidade, um aspecto das operações de TI que permite às organizações entenderem o estado de sistemas complexos com base em seus próprios resultados. A observabilidade pode ser aplicada a diversos componentes da infraestrutura, como servidores, aplicações, dispositivos de rede e outros.

Modelos de IA treinados para fins de observabilidade monitoram os dados desses sistemas e analisam falhas e ineficiências. Com automação inteligente avançada, alguns sistemas de IA conseguem identificar a causa raiz de determinados problemas e agir preventivamente antes que afetem a disponibilidade, o desempenho ou a segurança das aplicações.

Além de monitorar o desempenho e a disponibilidade de sistemas e aplicações, a IA também está transformando o provisionamento, o processo de disponibilizar recursos de hardware e software para sistemas e usuários. Atualmente, sistemas de IA avançados automatizam o provisionamento, ajudando as empresas a alocar recursos de computação em nuvem de forma mais eficiente, evitando ociosidade de máquinas e queda de desempenho. O potencial de mercado da automação inteligente por IA no processo de provisionamento é expressivo: segundo um relatório do setor publicado pela Flexera, mais de 32% dos gastos com nuvem são desperdiçados devido a um provisionamento ineficiente.¹

Os sistemas de IA estão sendo usados para aprimorar o DevOps, um método de desenvolvimento de software que aproxima programadores das operações de TI. Algumas empresas utilizaram IA para automatizar os testes de software, acelerando o desenvolvimento. Outras empresas adotaram algoritmos de IA para analisar dados do pipeline e melhorar a alocação de recursos. Outras empresas estão recorrendo cada vez mais à IA generativa para escrever códigos, testá-los, identificar erros e até sugerir possíveis correções.

Segundo Kyle Brown, IBM Fellow, a IA não está sendo usada apenas para automatizar partes do DevOps, mas plataformas inteiras. “Hoje, é possível implementar uma plataforma de DevOps com IA totalmente automatizada e baseada em configuração”, afirma ele. “Independentemente do que a equipe de desenvolvimento estiver construindo, se estiver usando uma dessas plataformas, estará em conformidade com as diretrizes da empresa.” 

Embora a IA generativa e seu potencial para aplicações de negócios ainda sejam o foco da maioria das manchetes, as organizações que aplicam IA aos sistemas e processos que sustentam a TI estão descobrindo novas maneiras de reduzir custos e transformar sistemas e processos desatualizados. Desde a automatização de tarefas que consomem muitos recursos, como provisionamento, conformidade e teste de software, até o monitoramento de sistemas complexos em busca de invasões e a coleta de enormes conjuntos de dados para obter insights em tempo real, o potencial de inovação no espaço é ilimitado.

Soluções modernas de infraestrutura e operações de TI com IA (soluções AIOps) oferecem um conjunto completo e totalmente integrado de ferramentas impulsionadas por IA que automatizam processos e fornecem insights poderosos sobre o desempenho e a integridade de sistemas e aplicações. “Essas ferramentas modernas são uma dádiva para as equipes de operações de TI”, afirma Brown. “Veja apenas uma área — o planejamento, por exemplo — e já vimos a automação inteligente com IA reduzir pela metade os gastos planejados com hardware e recursos adicionais.”