A cura David Jones, Director of Sales Engineering and APM Evangelism for Dynatrace

Intelligenza Artificiale

L’Application Performance Management (APM) affronta oggi un cambiamento epocale. La complessità delle nuove applicazioni cloud native ha reso sotto molti aspetti irrilevante il monitoraggio tradizionale delle applicazioni. Davanti ad applicazioni che possono scalare in modo agile utilizzando i container per soddisfare una quantità di richieste senza precedenti, l’industria dell’APM deve riconsiderare la semplice focalizzazione sull’identificazione dei problemi per offrire valore alle aziende. Capire come la visibilità sulle prestazioni delle applicazioni possa fornire dati migliori, ad esempio su ciò che conviene o meno scalare, è importante per l’azienda e gestire la complessità è la sfida delle applicazioni di prossima generazione.

Qual è il settore che si è dimostrato pioniere in questo cambiamento? Tutto è iniziato da Wall Street.
Per anni l’industria dei servizi finanziari ha utilizzato le analitiche avanzate, gli algoritmi predittivi e l’automazione per eseguire le transazioni e rispondere ai clienti.

Nel 2001 IBM ha pubblicato un documento che evidenziava come diversi algoritmi (MGD e ZIP) fossero in grado di superare le prestazioni degli operatori di borsa “umani”. Questi algoritmi cercavano dei modelli di dati in tempo reale e, utilizzando il machine learning, erano in grado di adattarsi e reagire al modo in cui questi schemi potevano cambiare. La decisione di fare (o non fare) un’operazione di borsa diventa così completamente automatizzata e l’utilizzo di questi algoritmi combinati con il machine learning è oggi responsabile di transazioni finanziarie per miliardi di dollari.

Schermata 2017-02-23 alle 10.37.55

L’intelligenza artificiale è sfruttata in vari modi dalle industrie finanziarie. Ad esempio, le frodi legate alle carte di credito (un problema con un valore stimato di 16 miliardi di dollari), portano le aziende che emettono le carte di credito a dover monitorare miliardi di eventi transazionali, sfruttando il machine learning e gli algoritmi per identificare le anomalie nelle attività dei titolari delle carte. Quando una transazione è in corso sulla sua carta e l’utente è in una posizione di solito a lui non associata, le aziende che emettono le carte usano questi algoritmi e il machine learning per segnalare tali operazioni come sospette.

Questi esempi mostrano che l’intelligenza artificiale, il machine learning e gli algoritmi sono ormai una tecnologia collaudata che può essere utilizzata per analizzare (e reagire) a enormi quantità di dati in tempo reale. Esattamente il tipo di cosa necessaria per affrontare la sfida della gestione della complessità che accompagna la prossima generazione delle applicazioni. Per questo gli analisti, come Jason Bloomberg, hanno descritto la necessità di una visione dell’intelligenza artificiale guidata dal Digital Performance Management, dove il machine learning può essere applicato agli insiemi complessi di dati generati da attività di Digital Performance Management.

L’Application Performance Management è si è notevolmente diversificata nel corso degli ultimi dieci anni. Le aziende hanno guidato questo cambiamento, richiedendo una varietà di servizi che comprendessero le esigenze delle diverse aree dell’organizzazione; dalle operation, allo sviluppo, e altro. Recentemente, un nuovo livello di analisi di come le aziende sfruttano i dati APM ha portato alla nascita del Digital Performance Management; comprendendo come l’intera azienda si basi sui dati di APM per servire al meglio gli utenti finali, si è puntata sempre più attenzione a come catturare lo stack competo delle transazioni.

Che si tratti di un clic o di una richiesta API, a prescindere da come l’utente finale interagisce con un’applicazione, vi è una complessa catena di meta-dati che vengono acquisiti per risponde alla richiesta di un utente finale. La quantità di dati generata è quindi immensa e gli algoritmi funzionano meglio con più dati. Con un numero maggiore di dati, anche il machine learning impara più in fretta e la precisione aumentata. Essere in grado di vedere tutto consente alle aziende di comprendere meglio ciò che gli utenti finali stanno facendo, l’impatto delle prestazioni sui tassi di conversione, come proteggere meglio il brand, e dove investire nella tecnologia. Questo è il motivo per cui le aziende si rivolgono a Digital Performance Management.

Il Digital Performance Management è quindi un esempio della vasta serie di dati complessi in tempo reale dalle quali oggi dipendono le aziende. L’intelligenza artificiale, il machine learning e gli algoritmi, comunque si scelga di chiamarli, sono una soluzione consolidata che Wall Street ha sfruttato per anni per aiutare a gestire insiemi di dati dinamici altamente complessi e ora è il momento che altre tipologie di aziende colgano i progressi nel machine learning per gestire la complessità insita nel servizio offerto ai propri utenti finali.