画像をタップして拡大する

フラッシュストレージの予測を可能にする人工知能

数十年にわたり、IT管理者が予想外の問題に対応する一方で、インフラストラクチャは何も変わりませんでしたが、人工知能 (AI) によってインフラストラクチャの予測が可能になり、多くの障害と時間の無駄が解消されました。

私たちは、デジタル戦略と新たなアプリケーションがあらゆる種類の組織に変革をもたらす、またとない機会を得られる時代を生きており、インフラストラクチャによってこうした戦略を進めることが可能になるのに伴って、迅速で安定したパフォーマンスや24時間365日の可用性といった、多くのことが最初から求められるようになりました。しかし、インフラストラクチャがこれまで以上に複雑化しているのにもかかわらず、組織が問題の対応に費やす時間とコストは増え続けています。デジタルビジネスのメリットを活かすには、アプリケーションの障害や遅延を生じさせたり、人の介入を必要としたりすることなく、インフラストラクチャを「動作させる」必要があります。

あらゆる規模の企業のITリーダーの多くが、パフォーマンスの向上を目指してフラッシュストレージを導入し始めました。パフォーマンスが低下すると、多くのITリーダーはストレージに問題があると思い込んでフラッシュに移行し、それで問題が解消されることを期待しますが、最近の調査で、ストレージに問題があるケースは半分以下 (46%) であることがわかりました。そしてその他には、構成の問題 (28%)、相互運用性の問題 (11%)、パフォーマンスに影響を与えるストレージ以外のベストプラクティス (8%)、ホスト、コンピュート、または仮想マシンの問題 (7%) に原因があることが明らかになりました。

フラッシュだけでは、中断することのない安定したデータアクセスを実現したり、人による監視の必要性を排除したりすることができないのは明らかであり、多くのIT組織がビジネスを推進したいと考えているものの、故障、修理、調整のサイクルが終わることなく繰り返されるインフラストラクチャがそれを阻み続けています。

画像をタップして拡大する

出典: アプリケーションとデータ間のギャップに関連する問題の例をドキュメント化した、Nimble Storageによる1万2,000件超の匿名のケースの調査

 

予測分析フラッシュストレージに対する期待

AIを搭載する予測分析フラッシュストレージは、これまでにないストレージのエクスペリエンスをもたらし、グローバルなインストールベースで膨大なテレメトリデータが継続的に収集されたり、ワークロードやアプリケーションの不規則なパターンを特定するために、クラウドの高度な機械学習によってデータの分析が行われたり、予測分析によって問題の予測と回避が自動的に行われたり、障害や手動による調整に起因する時間の無駄や問題が解消されたりします。

予測分析フラッシュストレージを導入することにより、IT管理者は最終的に自分自身の時間を取り戻し、組織を前進させることに全力を注げるようになりますが、予測分析はそれほど単純ではないという点に注意しなければなりません。 

以下の図は、データセンターの課題を示しています。

画像をタップして拡大する

この図からわかるように、問題は一般的にこのような分布 (左に行くほどシンプルで一般的、右に行くほど複雑で特異) になり、ドライブの障害といったシンプルで一般的な問題は発生頻度が高いものの、IT組織が受ける苦痛はわずかな割合にとどまっています。こうした問題は、大部分のベンダーの予測機能でカバーできますが、 問題の複雑性と特異性が増すほど、苦痛は大きくなります (解決が難しく、時間とコストがかかります)。

ビジネスで必要とされるインフラストラクチャを実現するには、組織のあらゆる問題を解消しなければなりませんが、そのためにはどうすればよいのでしょうか。これまでのところ、その方法は見つかっていませんが、AIと機械学習の進化に伴って、複雑で特異な問題、すなわち効果的なデジタルトランスフォーメーションの妨げとなる「数多くの」問題に対処することが可能になりつつあります。

 

AIの必須の機能

私たち人間は、現在の状況を把握するとともに、過去の出来事を少し覚えておくことができますが、AIは、このような人間の限界を超えて、プランニング、管理、そして拡張に至るまでのストレージのライフサイクル全体で予測を行い、有益な情報を提供することが可能です。インフラストラクチャの効果的なAIの必須の機能は、以下のとおりです。

インフラストラクチャスタック全体を把握する機能。デバイスごとのシステムステータスを示すツールでは全体像を把握できませんが、仮想化、コンピュート、ネットワーク、およびストレージを含む複数のレイヤーを関連付ける機能があれば、それが可能になります。

学習する機能。ローカルシステムの評価基準に基づいて報告を行うだけの分析ツールでは、他の数千のシステムの動作を参考にして発生しそうな問題を検出したり診断したりできないため、得られる価値が限られます。一方、グローバルなデータ収集とデータ分析のアプローチでは、膨大な数のワークロードから得た情報を蓄積できます。AIは、こうした情報に基づいて高い精度で問題のある動作を予測します。

対処する機能。人が介入することなく自律的に処理が行われるのが理想的な状態です。それを実現するにはまず、ベンダーサポートをリアクティブなものから問題を自動的に検出して解決するものへと進化させます。そのためには、問題を回避したり環境を改善したりするのに必要な変更を把握し、IT管理者に何をどのタイミングで行うのかを伝える必要があります。

問題の予測と回避は、問題に対応したり、フラッシュに移行したりすることとは大きく異なります。人による操作が必要な信頼性の低いインフラストラクチャは、企業がデジタルビジネス戦略を進める中で得ようとしている競争力を低下させてしまう可能性があります。重要なのは、障害や必要になることが非常に多い人の介入をなくすことです。予測分析フラッシュストレージは、これまで企業が求めてきた、問題を予測して回避し、理想的なパフォーマンスと効率的なリソースを確保するための、スタック全体にわたる可視性をもたらします。そしてこのような可視性が得られれば、組織のデジタルビジネス戦略を力強く推進することが可能になります。

この記事/コンテンツは、記載されている特定の著者によって書かれたものであり、必ずしもHewlett Packard Enterpriseの見解を反映しているとは限りません。

enterprise.nxt

ITプロフェッショナルの皆様へ価値あるインサイトをご提供する Enterprise.nxt へようこそ。

ハイブリッド IT、エッジコンピューティング、データセンター変革、新しいコンピューティングパラダイムに関する分析、リサーチ、実践的アドバイスを業界の第一人者からご提供します。