我们只有40年历史的脆弱的银行基础设施只能通过AI保存

IT故障比我们想象的更为常见。承认您有问题意味着与您开展业务存在风险，这会导致客户流失。大多数公司试图掩盖自己的失败，并假装没有错。最终，客户受苦。

对于银行和金融机构而言，此类问题尤其令人不安。IT中断使客户无法进入帐户，从而使他们无法支付食物，房租或汽油。不仅由于客户流失和损坏控制而造成财务损失，而且这些机构有时会因其IT缺陷而被罚款。

尽管如此，IT故障的数量仍在上升。这是一个已知且古老的问题，无法轻松解决：银行运行的旧系统已有30-40年的历史。它们不仅不适合当今的网络挑战，而且还增加了一些新的职责，例如ATM，在线银行和移动银行。新功能由不同的团队使用不同的编程语言编写，这增加了复杂性。结果，很少有人完全了解整个系统。

按照英国财政委员会的要求，一些银行开始公布其IT故障，这表明这些机构每月遭受的故障远远超过一次。事件最多的巴克莱银行在9个月内报告了41起案件。

但是金融机构不愿升级他们的系统。这不仅是一个昂贵的选择，而且还带来很大的风险。毕竟，旧系统已经使用了几十年，而新系统还没有经过严格的测试。此外，正如我们在TSB案例中所看到的那样，升级和迁移本身可能会成为问题的根源。

因此，我们正陷入僵局。升级有可能使系统现在发生故障，而没有升级将使系统以后肯定会发生故障。是否有一种安全的方法来防止当前的IT故障，而又不会在坏的之间做出选择？

一点AI

“问题”是棘手的：它们永远不会在事先通知您。没有人能预料到它们，因此没有人知道应该分配多少资源来防止它们。

银行通常在深夜以批处理模式运行。这样，在工作日开始之前，所有问题都已解决。但是当前的负载使系统在白天出现问题，并且媒体迅速传播了这个信息。

长期以来，拥有可以迅速解决和解决问题的多才多艺的IT团队一直是标准方法。但是自然地，没有专门的“问题团队”，这意味着IT团队必须停止研究某个功能或问题，并专注于解决问题。

仪表板和分析工具可为IT运营提供支持，这些仪表板和分析工具可报告系统的运行状况并在超过特定阈值时向用户发出警报。这样的系统有两个问题：由于警报不一定是问题，它们不能发出准确的警告，并且它们建立在发现和解决问题时就可以解决。但是，人工智能提供了另一条路径。

人工智能程序是自编程的软件。与传统软件不同，开发人员不对它们进行编码，而是通过向程序提供大量数据并在该数据上运行算法来“训练”它们，以检测人眼看不见的细微模式。这就是使AI看似智能的原因，并使其在许多情况下都能胜过人类。

这种模式识别功能使AI成为解决IT故障的理想解决方案，因为它可以检测到可能导致故障的模式。

简而言之，由于AI依赖大数据，因此可以形成动态基准。换句话说，代替手动选择阈值，它可以选择阈值并在考虑其他几个参数的同时不断对其进行修改。例如，当有许多在线用户时，高CPU使用率可能是正常现象。同时，如果系统上没有用户，那么较小的负载可能会非常罕见。

动态基线模型具有多个优点。一方面，它可以查明确切的故障系统和组件，并告诉我们问题的根本原因在哪里。另一方面，它可以在问题变成问题之前对其进行警告和预防。

使用诊断工具，由于仅指出当前状态，因此无法判断警报是否实际上指示问题。但是，AI可以获取案件的全部历史数据，建立轨迹，并在问题悬而未决时提前告知我们。

预防问题更容易发生，因为消防意味着损坏已经发生，并且必须花费大量资源来补救这些损坏以及重建客户信任。而且，由于我们正在尚未损坏的阶段解决该问题，因此我们甚至可以为系统配备自动脚本，以提前解决问题。该系统可以“ 自我修复”。

在这种情况下使用AI具有多个优点，尤其是在复杂的网络上。很多时候，IT故障归咎于硬件资源不足，但是无论我们添加多少RAM或CPU内核，问题都会不断出现。在检测到实际问题之前，会给企业带来很多不必要的成本。

由于AI跟踪所有组件的历史记录，因此与人工操作相比，它可以更有效地找到图案偏差并指出确切的故障。例如，在一个案例中，我们检测到添加额外的CPU内核并垂直扩展系统不如水平扩展系统有效，因为系统还必须处理许多TCP / IP请求。如果没有检测到根本原因，则IT失败将迫在眉睫，而管理人员将蒙受错误的印象，即多余的CPU内核已解决了该问题。

我们在金融业确实存在旧问题。但是也许新的解决方案可以解决它们。