Published on 25 Mar 2025
min read
Views
Denökandeanvändningen av artificiell intelligens (AI), bland annat inom branscher som media och underhållning, driver den globala AIOps-marknaden. Marknaden beräknasuppgå till 11,7 miljarder USD år 2023 och överstiga 32 miljarder USD redan år 2028, med en årlig tillväxt på 22,7 %.
Användningen av AI bidrar till att förbättra organisationernas resultat på många olika sätt, från att förbättra kundupplevelsen till att automatisera repetitiva uppgifter.
Samtidigt blir det allt svårare att hålla jämna steg med dataövervakningen, på grund av ökningen av hybrid- och containerbaserade driftsmiljöer samt de växande datamängderna. AI-plattformar kan utnyttja de enorma (och växande) datamängderna som genereras av IT-infrastruktur och mjukvarukomponenter. Genom att filtrera bort brus för att identifiera relevanta händelser och mönster kopplade till problem som påverkar applikationernas tillgänglighet, kundupplevelsen och prestandan bidrar detta i hög grad till att stärka hanteringen av tidskritiska videostreamingoperationer, inklusive direktsänd sport.
AI-tillämpningar inom media och underhållning omfattar idag realtidsanalys, infrastrukturhantering, nätverks- och säkerhetshantering samt hantering av applikationsprestanda. Den växande användningen drivs av en robust integration med DevOps-metoder, ett förnyat fokus på proaktiv problemlösning, förbättrad övervakning av användarupplevelsen, avancerad analys för prediktiva insikter, hybrid- och multicloud-hantering samt kontextmedveten incidenthantering.
Stora företag inom media-/AIOps-marknaden arbetar aktivt med att utveckla nya plattformar och sofistikerade mjukvarulösningar som använder AI, maskininlärning (ML) och analysverktyg för att automatisera driften och öka effektiviteten hos deras IT-/SRE-/SRO-personal. De utmärker sig när det gäller att samla in och analysera stora datamängder från olika källor, däribland övervaknings- och observabilitetsverktyg, databaser för konfigurationshantering, servicekartor för övervakning av applikationsprestanda samt molnorkestreringssystem.
Den största trenden inom observerbarhet under de senaste åren har utan tvekan varit den ökade användningen av verktyg för insamling och analys av telemetri, såsom OpenTelemetry. Vi ser också en ökning av telemetriverktyg specifika för videostreaming, såsom MuxData, Conviva Ops Data Platform, Telestream, Touchstream-prober och AIOps-lösningar, däribland Zabbix, DataDog m.fl. Detta banar väg för standardiserade definitioner av telemetriinsamling för datatyper inom videostreaming och IT-infrastrukturens observabilitet, inklusive användarresor, upplevelseparadigmer, sondvarningar, applikations- och enhetsloggar, mätvärden och spårningar. Detta innebär i sin tur framväxten av nya, innovativa observabilitetsverktyg som är skräddarsydda för specifika användningsfall.
Vår erfarenhet tyder på att framåtblickande organisationer under de kommande åren inte bara kommer att samla in analyser, mätvärden och profiler. Genom att aktivt utnyttja AI kommer de att behandla dessa dataströmmar som källan till en sammanlänkad, kontextuell och helhetsorienterad bild av systemprestanda, felmönster, förutsägbarhet och effektivitet.
Denna övergång mot förbättrad observabilitet är redan i full gång, med en växande tillgång till robusta verktyg och lösningar med öppen källkod. Följaktligen är det uppenbart att det finns en outnyttjad möjlighet för teknikföretag att utveckla nya verktyg och ramverk som kan bidra till att överbrygga eventuella luckor i det nuvarande ekosystemet för observabilitet.
AI och maskininlärningsteknik kommer att driva observerbarheten framåt med bättre insikter och algoritmiska prognoser, utöver observerbarhetstekniker som loggar, mätvärden och spårningar som hjälper till att pussla ihop exakt vad som pågår inuti medieekosystemets hårdvaru- och mjukvarupipeline. Att förenaobserverbarhet och AI är därför avgörande för att fullt ut kunna dra nytta av AI inom medieverksamheten. Det finns ett behov av att ”shift left”, precis som vi har gjort inom mjukvaruutveckling, DevOps-livscykeln och många andra IT-områden, så att detta faktiskt genomförs som en del av utformningen av applikationer och pipeliner för medieverksamheten.
Vi anser att medieverksamheten framöver kommer att övergå från en reaktiv modell – där man åtgärdar problem efter att de uppstått – till ett proaktivt tillvägagångssätt som kan förutsäga och lösa problem redan innan de uppstår och orsakar större påverkan på användarupplevelsen. Den viktigaste framgångsfaktorn här är att utnyttja de senaste utvecklingarna inom LLM-baserad analys, prediktiv analys och avancerade maskininlärningsmodeller för att förutse potentiella fel, optimera den operativa effektiviteten och minska driftstoppen.
Företag som anammar detta tillvägagångssätt kommer att få en betydande fördel genom att minimera störningar och förbättra användarupplevelsen.
