Begreppet hyperautomation anses vara nästa steg efter automation. Den representerar en ambitiös strategi för automatisering över alla delar av en verksamhet. Vi ställde några frågor till Ian Hood, expert på området från Red Hat, om hur hyperautomation fungerar och hur det kan förändra landskapet inom automationsindustrin.
Hur beskriver du begreppet hyperautomation på ett enkelt sätt?
Det är automatisering som tillämpas över företagets alla delar, från utveckling av applikationer och distribution av nätverk till olika affärsenheter som IoT, affärstjänster och digitala aspekter. Det innebär att man arbetar kategori för kategori och tillämpar automatisering konsekvent på varje del med syfte att skapa en sammanhängande och effektiv automatiseringsmetod över hela verksamheten.
Vad är då det primära användningsområdet för hyperautomation inom industrin?
Det är att ansluta alla maskiner – med andra ord handlar det om att utöka anslutningarna för företaget eller bygga nätverk för att automatisera hur de konstrueras. Likaså involverar det att automatisera alla processer där olika grupper inom företaget samarbetar. Automatiseringen sker på så sett över hela verksamheten och behovet av manuellt arbete minskar.
Och vad är den stora nyttan med hyperautomation för industrin?
För det första minskar det risken ur ett säkerhetsperspektiv eftersom man automatiserar processer som annars kan vara föremål för mänskliga fel. Detta minskar risken för avbrott orsakade av felaktiga kommandon. För det andra, hyperautomation ökar hastigheten för att implementera nya funktioner på marknaden, vilket förbättrar företagets smidighet och möjliggör snabbare intäkter. Dessutom leder hyperautomation till ökad effektivitet och minskade driftskostnader genom att minska behovet av olika team för att förstå och implementera olika automatiserade processer.
Finns de några skillnader i infrastrukturen mellan hyperautomation och automation?
Inte riktigt. Det handlar mer om att tillämpa samma principer för infrastrukturautomation på applikationsautomation och processautomation. Om du använder vanliga automatiseringsverktyg och arbetar mellan olika grupper, kan det leda till en mer enhetlig metod för automatisering. Automatisering av nätverk är fortfarande viktigt, men det är viktigt att ha kontroll över det och möjligheten att ha en gemensam metod för att hantera det med både applikationsteam och affärsteam.
Om jag som företag vill implementera hyperautomation i min befintliga infrastruktur, hur gör jag det? Är det enkelt eller komplicerat?
Att implementera hyperautomation i din befintliga infrastruktur kräver ett strategiskt tillvägagångssätt. Det börjar med att identifiera vissa ”hyresgäster” inom infrastrukturen, såsom plattformsteamet som ansvarar för att bygga molnplattformen. Därefter bygger du upp automatiseringsförmågan med ett av dessa team och gärna med hjälp av partners. Genom att hålla samlingar med nätverks- och infrastrukturteam kan du dela bästa praxis och utöka implementeringen av hyperautomation över hela verksamheten.
Hur skalbar är hyperautomatisering, och vad är utmaningarna med AI i detta sammanhang?
Även om skalbarheten finns där för hyperautomatisering, är det fortfarande ett område där många operatörer behöver fortsätta att utvecklas inom sina verksamheter. En av de främsta utmaningarna med AI är att hantera styrning och datakontroll, samt att anpassa AI-modeller för att möta affärsmodellens behov. Vi på Red Hat erbjuder en plattform, OpenShift AI, som låter kunder anpassa AI-modeller för att passa deras specifika krav och applikationer. Genom att fokusera på att samla in och tillämpa AI på relevanta KPI:er kan företag automatisera sina processer effektivare, samtidigt som de undviker onödig datahantering och resursförbrukning. Det är viktigt att vara pragmatisk när det gäller att konsumera information för att fatta beslut som gynnar verksamheten.
Till sist, hur ser du på framtiden för hyperautomation och AI i den intelligenta infrastrukturen?
Jag ser det som en pågående evolutionär process för att utvidga vad som är möjligt inom området. En intressant utveckling är samarbetet kring ett federerat AI-datasystem, där data delas mellan olika aktörer för att effektivisera användningen av AI över tid. Detta system, kallat Enterprise Neurosystem, har pågått i några år och involverar samarbete med forskare från IBM, Livermore Labs och olika universitet såväl som Red Hat. Målet är att förbättra effektiviteten ianvändningen av AI-data globalt genom att använda federation av data istället för att arbeta oberoende. Detta representerar en evolution mot en mer öppen och global syn på hur AI används.
