Een it-infrastructuur zien we het liefst als iets wat er gewoon is, als iets waar we niet naar om hoeven te kijken. De digitale backbone van een organisatie heeft echter vaak veel meer aandacht nodig dan we denken en al helemaal dan we willen. Zeker als de infrastructuur relatief traditioneel is ingericht, of als er meer aandacht uitgaat naar de voorkant.
Een applicatie (de voorkant) is immers belangrijker dan het fundament waarop die applicatie draait (de achterkant). Een zelfrijdende auto is cool, maar hoe dat precies onder de motorkap werkt, is lang niet voor iedereen interessant. Als je maar op je bestemming komt, nietwaar?
De omstandigheden waarin de zelfrijdende auto naar z’n bestemming moet komen, kent oneindig veel variaties. Het is nauwelijks te voorspellen welke scenario’s en situaties de auto onderweg tegenkomt. Daarom zit er in een zelfrijdende auto ongeveer een miljard (!) regels aan code. Als we de vergelijking maken tussen de it-infrastructuur en de zelfrijdende auto, dan is ‘zelfrijdende it’ minstens net zo afhankelijk van observaties, voorspellingen en verbindingen als de zelfrijdende auto. Lastig te realiseren dus, maar met het oog op de voordelen (lagere kosten, minder complexiteit, kortere time-to-market, et cetera) wel belangrijk om werk van te maken. Maar hoe?
Intelligentie
Een zelfdraaiende infrastructuur heeft intelligentie nodig om de voor- en achterkant aan elkaar te koppelen. Een intelligente tussenlaag met automation, orchestration en monitoring is daarbij cruciaal. Deze laag zorgt voor inzicht; hoe hangt de vlag erbij, wat is de gezondheid van mijn it? Daarnaast faciliteert de tussenlaag self-service via portals aan de voorkant. Hiermee zijn bijvoorbeeld services automatisch aan te vragen, of gegevens voor dashboards op te halen. Dat scheelt operationele kosten en handmatige handelingen; iets wat in deze krappe arbeidsmarkt meer dan welkom is. Maar er zijn meer voordelen.
Naast het geautomatiseerd doorvoeren van veranderingen zorg je met een intelligente tussenlaag namelijk ook voor consistentie in de infrastructuur. Belangrijk, want het uitgangspunt van een zelfrijdende auto én van zelfdraaiende it is betrouwbaarheid en voorspelbaarheid. Hiervoor is observeerbaarheid nodig. De juiste data moet beschikbaar en makkelijk op te halen zijn, want dan wordt alles pas meetbaar. Dit leidt tot inzicht en overzicht.
Dankzij meer inzicht in het fundament van je it kun je met een intelligentielaag snel schakelen. Er worden gegevens uit de hele it-infrastructuur verzameld: welke events zijn er, wat staat waar, werkt alles? Zo kun je gefundeerde voorspellingen doen. Events zijn bijvoorbeeld direct zichtbaar en er kan direct op worden gereageerd door automatische aanpassingen. Een zelfdraaiende infrastructuur kan zo een (zelf)herstellend vermogen opbouwen.
Kennis en kunde
Is dit allemaal binnen een dag gerealiseerd? Helaas. Het is een traject dat organisatiebreed moet worden opgepakt. Er moet aan kennis en kunde worden gebouwd om daar te komen, niet alleen technisch, ook bij teams als operations, engineering, en architectuur. Inzichten verkrijgen en daarop reageren is nuttig, maar als er relaties worden gelegd tussen de events en andere inzichten wordt het pas echt interessant. Dan kun je voorspellingen gaan doen die voorheen onmogelijk waren. Het is mogelijk, maar alleen met de juiste inrichting, koppelingen en de juiste mindset.
Als die bouwblokken er eenmaal zijn, en er is sprake van voortdurende verbeteringen in processen, dan werk je toe naar zelfrijdende it die het fundament vormt (de digital backbone) waarmee je verder kunt bouwen aan de toekomst.
Goed artikel. Duidelijk en voor iedereen leesbaar en begrijpelijk!
Ik vind het een slecht verhaal als we kijken naar een voorspelbaarheid van de zekerheid. Don’t blame the messenger maar statistiek van MTBF gaat niet om miljoenen regels code maar de patronen die met een algoritme van één regel te vinden zijn.
Meten is weten moet ik wel zeggen dat je kennis en kunde van de infrastructuur tegenwoordig met een vergootglas moet zoeken.
Voor de grap nomineren als onderwerptekst begrijpend lezen op havo/atheneum dit jaar. De examenkandidaten het een beetje uit laten leggen.
Een uitstekend voorbeeld hiervan is een volledig autonome database. Deze bestaat al in de cloud van een bekende database leverancier. Deze database gebruikt ML en AI om het technische databasebeheer helemaal uit handen te nemen van de klant, van configuratie tot tuning, patching en scaling.
De duivel zit in de details want het is niet de tekst maar de schrijver waardoor ik een link leg in de familienaam want de redactionele wijziging van mijn reactie is opmerkelijk. Het kan natuurlijk een toevalligheid zijn maar Vervoorn versus Vervoorn geeft wel te denken over een reactie.