Rolando Bonaccorsi
Rolando Bonaccorsi
Noticias

AIOps na prática e a forma como a inteligência artificial ajuda a operar sistemas complexos

Rolando Bonaccorsi, executivo de operações e delivery em tecnologia, aponta a resposta: a saída passa por AIOps, sigla em inglês para inteligência artificial aplicada às operações de TI, que reúne dados, aprendizado de máquina e automação para ajudar as pessoas a enxergar problemas antes que eles virem paradas. Como uma equipe de tecnologia consegue acompanhar milhares de alertas por dia sem perder o que realmente importa?

Em termos simples, AIOps é o uso de algoritmos para ler o que os sistemas já produzem o tempo todo: registros de funcionamento, medições de desempenho, alertas e histórico de incidentes. Uma operação moderna gera um volume de sinais que nenhuma equipe consegue examinar linha por linha. A promessa da abordagem é filtrar o ruído, agrupar alertas que apontam para a mesma causa e destacar o que foge do comportamento normal, deixando para as pessoas a decisão sobre o que fazer.

Um caso para entender a diferença

O caso apresentado aqui é ilustrativo e serve para mostrar como o processo costuma se dar. Helena coordena a área de tecnologia de uma rede de hospitais em Recife. Numa sexta-feira à tarde, o sistema de agendamento começou a ficar lento em algumas unidades, e logo chegaram dezenas de alertas de origens diferentes: banco de dados, rede, servidor de aplicação. Sem apoio de ferramentas, a equipe de Helena precisaria abrir cada alerta, comparar horários e tentar descobrir qual deles era causa e qual era consequência, enquanto as filas cresciam nas unidades.

Com uma plataforma de AIOps, os alertas seriam reunidos em um único incidente, e o histórico de ocorrências parecidas indicaria que a lentidão costumava começar por um serviço de autenticação saturado. Em vez de seguir dezenas de pistas, Helena e a equipe começariam pela mais provável. A ferramenta não resolve o problema sozinha, mas encurta o caminho entre o primeiro sinal e a ação correta, e é nesse trecho que costumam se perder os minutos mais caros de uma falha.

O que o AIOps faz bem e o que ainda depende de pessoas?

Em operações de grande porte, três tarefas aparecem como as mais beneficiadas: correlacionar eventos, detectar anomalias e sugerir a causa provável de um incidente. A correlação reduz a avalanche de alertas a poucos problemas reais. A detecção de anomalias compara o comportamento atual com o padrão histórico e avisa quando algo sai da curva, mesmo que nenhum limite fixo tenha sido ultrapassado. Já a sugestão de causa usa incidentes anteriores como referência, o que acelera o diagnóstico.

Há, porém, um limite claro. Um modelo aprende com o que já aconteceu e tem dificuldade diante de falhas inéditas. Na avaliação de Rolando Bonaccorsi, especialista em gestão de operações de TI e excelência em serviços, a ferramenta funciona melhor como apoio ao julgamento da equipe do que como substituta dele, porque quem conhece o negócio sabe quando uma recomendação faz sentido e quando ela merece desconfiança. Cabe às pessoas definir o que é crítico, aprovar ações de maior risco e revisar os erros do próprio sistema.

Mudança de rotina também faz parte do pacote. Em equipes que adotam essas ferramentas, o trabalho deixa de ser apagar incêndio e passa a incluir ensinar o modelo, revisar regras e acompanhar se as sugestões acertam. Parece uma troca simples, mas exige tempo, e a equipe precisa confiar no que a ferramenta mostra antes de deixá-la agir.

Rolando Bonaccorsi analisa o ponto de partida

Muita empresa começa o caminho pelo fim, comprando uma plataforma antes de arrumar a base. Como observa Rolando Bonaccorsi, líder em IA e ciência de dados aplicadas a negócios e operações, o desempenho de qualquer modelo depende da qualidade dos dados que ele recebe: registros incompletos, nomes de serviços diferentes para a mesma coisa e alertas mal configurados produzem conclusões igualmente confusas. Antes de pensar em inteligência artificial, vale ter um inventário confiável dos sistemas e um monitoramento que realmente reflita a saúde de cada um.

Um começo prudente costuma ser escolher uma área delimitada, com dados razoavelmente organizados e dor evidente, como o excesso de alertas repetidos. Nela, é possível medir o antes e o depois com indicadores simples, como o tempo para identificar a causa de um incidente e a quantidade de alertas que chegam à equipe. Se os números melhoram, a ferramenta ganha confiança e o escopo pode crescer aos poucos. Se não melhoram, o aprendizado vem barato.

Confiança se constrói com transparência

O último obstáculo é cultural. Uma recomendação que ninguém consegue explicar dificilmente será seguida por quem responde pelo sistema no meio da madrugada. Por isso, boas implantações priorizam ferramentas que mostram por que sugeriram determinada causa: quais sinais pesaram, que incidentes passados serviram de comparação, qual o grau de certeza. Sob a perspectiva de Rolando Bonaccorsi, engenheiro de computação com MBA executivo, essa transparência é o que permite à equipe corrigir o modelo quando ele erra e, aos poucos, entregar a ele tarefas maiores.

Voltando ao caso de Helena, a equipe só passaria a deixar a plataforma executar ações simples, como reiniciar um serviço travado, depois de semanas conferindo se as sugestões acertavam. A automação avança na velocidade da confiança, e isso vale para qualquer operação. AIOps não elimina falhas nem dispensa gente experiente, mas, bem implantado, devolve às pessoas o tempo que antes se perdia em ruído e as coloca para decidir sobre o que realmente exige decisão.