来自Splunk大数据
所謂智慧自動化，即透過AI技術的編排，實現IT流程的自動化。
智慧自動化與傳統的基於規則的自動化不同，後者可根據固定的決策參數和指標閾值來實現流程的自動化。
智慧自動化的工作原理
與其他形式的自動化不同，智慧自動化將認知決策能力和情境知識引入自動化控制。這些控制涵蓋從 IT 營運 (ITOps) 到網路安全的多種下游應用。
企業 IT 基礎設施營運和業務流程的智慧自動化，主要透過以下關鍵功能來提升 IT 效能：
1.借助認知智能支持即時決策過程。
2.透過智慧自動化流程和對話式 AI 等功能增強 ITOps 和 IT 服務管理 (ITSM) 的角色。
3.在業務部門和 IT 營運之間重新分配複雜任務的相關知識，否則這些知識將處於孤立狀態。所有使用者都可以使用和操作這些知識，無論他們的 IT 專業知識如何。
智慧自動化與傳統 IT 自動化
那麼智慧自動化與傳統 IT 自動化有何不同呢？
智慧自動化與傳統 IT 自動化之間的一個主要區別在於建模方法。
傳統自動化
傳統自動化會依照固定的規則來定義 IT 環境、系統和營運工作流程。當系統查詢或警報被觸發時，基於規則的自動化引擎會遍歷相關的邏輯選項並收斂到最適合所述參數的解決方案。
自動化系統的簡單範例可依賴經典的 ML 機制，例如基於規則的專家系統或決策樹。智慧自動化的不同之處在於它依賴先進的 ML 技術(如深度學習演算法)，這些演算法經過訓練可以使用真實系統資料和參數來模擬真實的系統行為。
智慧自動化
現在我們舉一個可以與事件管理做比較的案例。當網路流量感測器日誌超過預先定義的量級閾值時，基於規則的系統會觸發警告和自動控制操作（如取消對 Web 伺服器的配置）。
這麼做是為了防禦 DDoS 攻擊，但伺服器停機也會帶來自身的機會成本，例如相關服務的效能下降。
外部事件（如行銷時刻、社交貼文等）可能導致網路流量快速但自然地增加。我們可以透過分析上下文資訊（如全網流量模式）來驗證這一點。
智慧自動化系統就是這樣做的：即時分析大量流量以獲取上下文知識，然後再執行決策控制。
高階 ML 演算法可在決策過程中模擬認知智能。類似於 ChatGPT 的大型語言模型 (LLM) 可以進行逼真且類似人類的對話，以支援第一線 ITSM。對話式 AI 可增強終端使用者和客戶體驗，這對您的數位轉型工作非常有價值。
智慧自動化的驅動因素
智慧自動化由即時資訊流驅動。流程挖掘可用於分析團隊和系統的運作方式，並以此識別業務流程及其適用的即時約束。
儘管傳統自動化採用預先定義的工作流程來為終端使用者自動執行任務，但經過設計的工作流程與實際執行之間存在差距。智慧自動化利用這些洞察可識別：
可以自動化處理的手動流程。
現有自動化工作流程是如何帶來瓶頸問題的。
智慧自動化能夠發掘資料的價值以實現即時決策，這些資料通常跨多個領域並以非結構化格式提供。
傳統的機器人流程自動化 (RPA) 與流程挖掘一起，作為一種傳輸機制，可以從原始格式中提取有用的信息。它需要額外的處理層來實現：
數據轉換
安全
儲存
分析
我們需要部署端到端的集中化資料平台，可以將決策流程從孤島式資訊來源和業務部門中統一出來。 （這也是自助式 ITSM 計畫和終端使用者統一知識庫的重要組成部分。）
智慧自動化系統中的對話式介面，只有在指導和支援準確且高效時才有用。獲得快速洞察是大規模採用智慧自動化的關鍵，對組織來說，這也是將 AI 嵌入 IT 自動化來提高生產力的主要目標之一。
實現複雜度的標準化
這些技術可能很複雜，但智慧自動化透過將流程標準化、簡化和最佳化，可以大規模且快速地提供價值。簡單的自動化會在浪費流程的同時引入新的流程瓶頸，帶來停機風險，增加那些不習慣您的營運工作流程的新用戶的學習難度。
與任何技術主導的轉型計畫一樣，智慧自動化也引入了重大變革和強大的治理流程、培訓程序和高階主管支援。為了消減這些風險，請從概念驗證開始，並為您的轉型之旅設定合適的期望值。
智慧自動化強調的重點是：借助人工智慧功能來取代人工 ITSM 代理和 ITOps 經理。如何確定哪些流程需要先自動化，那就從以業務價值為中心的模式開始。圍繞實現永續成長和擴展來製定規劃：自動化工作流程不應使流程和營運變得更加複雜。
