AIOps를 성공적으로 구축하고 배포하기 위한 세 가지 요소

​오늘날 비즈니스의 모든 측면에서 빅 데이터 애플리케이션이 확산됨에 따라 IT 팀은 운영의 엄청난 양과 복잡성을 처리해야 하는 어려운 작업에 직면해 있습니다. 결과적으로 AIOps에 대한 기업 수요가 증가하고 있습니다.

AIOps(IT 운영을 위한 인공 지능)는 빅데이터와 기계 학습(ML)을 활용하여 인간이 달성할 수 없는 규모와 속도로 IT 문제를 예측, 식별, 진단 및 해결합니다.

사모 펀드 및 벤처 캐피탈 회사인 Insight Partners의 최근 보고서에 따르면 AIOps 플랫폼 시장 규모는 2021년부터 2028년까지 연평균 성장률 32.2%로 증가하여 2021년 약 28억 3천만 달러에서 2028년 199.3달러로 성장할 것으로 예상됩니다. 10억. 즉, 효과적인 AIOps 솔루션은 하루아침에 이루어지지 않습니다.

완전한 AIOps 솔루션은 오랜 기간에 걸쳐 개선된 솔루션에서 나오며 다양한 분야의 데이터, 분석 및 전문성이라는 세 가지 기본 요소를 포함합니다.

Data

데이터가 없으면 성공적인 AIOps는 존재하지 않습니다. 이 부분이 중요합니다. 데이터의 공급은 충분하지만 이를 사용 가능하고 신뢰할 수 있는 형태로 만드는 것이 과제입니다. AIOps는 네트워크 성능, 비즈니스 시스템, 고객 지원과 같은 서로 다른 소스의 수백 또는 수천 개의 데이터 포인트에 의존하며, 모두 1초 단위로, 많은 경우 1초 미만의 속도로 생성됩니다. 대량의 데이터를 처리하는 방법에 따라 AIOps 솔루션이 성사되거나 중단될 수 있습니다. 온디바이스 및 오프디바이스 데이터 관리를 위한 별도의 파이프라인은 속도, 비용 효율성 및 최대 효율성 측면에서 최고의 결과를 제공합니다.

기존의 단일 내부 데이터 처리 모델은 더 이상 오늘날 데이터 세트의 복잡성과 볼륨에 적응할 수 없습니다. 대신 데이터 처리 유입 경로를 두 부분, 즉 실시간 온프레미스 데이터 버스를 통해 시간 결정적 분석을 처리하는 간결하고 빠른 처리 파이프라인과 시간 결정적 처리를 처리하는 보다 강력한 파이프라인으로 구축하거나 재설계하는 것을 고려해보세요. 나머지 데이터는 클라우드에서 분석합니다. 온프레미스 데이터 생성을 최소한으로 줄이고 클라우드(탄력적인 컴퓨팅과 보다 정교한 스토리지 기능을 갖춘)를 할당하여 나머지 데이터를 처리함으로써 보다 빠르고 비용 효율적인 데이터 합성이 가능합니다.

내부 및 외부 데이터를 모두 관리하는 분리된 파이프라인 모델은 시간당 수백만 개의 데이터 포인트를 처리하는 조직의 능력을 향상시킬 수 있습니다. 기계 학습(ML) 알고리즘은 각 파이프라인에서 들어오는 데이터의 우선 순위를 지정하고 구조화되지 않은 원시 데이터를 고객 서비스 또는 IT 운영 팀에 중요한 사용 가능한 측정항목으로 변환하는 데 도움이 될 수 있습니다. 또한 두 가지 시스템을 통해 얻은 효율성과 속도를 통해 조직은 향상된 모니터링 기능을 배포하여 네트워크 성능에 대한 실시간 가시성과 장기적인 추세 정보를 얻을 수 있습니다.

Analytics

AIOps 성공의 두 번째 핵심 요소는 분석입니다. AIOps의 분석은 탐색적 분석(추가 검사가 필요한 원시 데이터에서 추세 또는 이상 징후 선별)과 고급 통계 분석(실행 가능한 통찰력으로 변환)을 포함한 두 단계로 나뉩니다. 탐색적 연구가 필수적인 역할을 하는 동안, 엔지니어링 팀은 데이터가 파이프라인을 통해 흐를 때 고급 통계 분석으로 넘어가고 싶어 하는 경우가 많습니다. 이 초기 단계를 우회하면 데이터 편향이 발생할 수 있습니다. 즉, AIOps 프로세스에 편향을 주입하고 문제를 잘못 식별하여 AI/ML 알고리즘을 쓸모 없게 만들고 바람직하지 않은 운영 결과를 초래할 수 있습니다.

탐색적 분석은 ML 및 데이터 과학자를 활용하여 중요한 특정 측정항목을 식별하고 결정합니다. 그 과정에서 IT 팀은 흥미롭고 효율적인 기술인 ML에 매력을 느낄 수 있습니다. 그러나 순수 ML이 항상 가장 효과적인 분석 방법은 아닙니다. ML은 특정 매개변수 세트를 기반으로 특정 문제를 해결하려고 시도합니다. 엔지니어는 결론 A, B 또는 C에 도달하는 데 필요하다고 생각하는 측정항목을 기반으로 ML 알고리즘을 작성하므로 다른 가능한 솔루션이나 통계는 배제됩니다.

반대로 통계학자와 데이터 과학자는 특정 결과를 염두에 두지 않고 데이터에서 패턴이나 이상이 있는지 조사하면서 원시 데이터를 조사합니다. 수동 데이터 검토는 지루하지만 전문가는 고급 통계 분석 없이도 즉각적인 IT 솔루션을 식별할 수 있습니다.

탐색 단계에서 식별된 추세나 이상이 정확하다고 팀이 확신하면 고급 통계 분석 및 AI/ML 알고리즘 교육으로 넘어갈 수 있습니다. AI/ML도 시행착오 테스트가 필요하며 즉각적인 결과가 나오지 않습니다. 모든 AIOps 솔루션 뒤에는 AI/ML 모델을 광범위하게 조정하고 테스트하여 AIOps 성공을 보장하는 도메인 전문가 팀이 있습니다.

다양한 전문 분야

성공적인 AIOps 구현을 위한 세 번째 요소는 도메인 전문 지식입니다. AIOps를 만들 때 얻을 수 있는 경험이 많지 않습니다. 모든 기업에서 AI를 성공적으로 배포하려면 다양한 분야의 전문가가 참여해야 합니다. 예를 들어, 네트워크 운영 분야에서 네트워크 엔지니어는 ML 시스템의 미묘한 차이와 특정 문제를 정확하게 해결하는 데 필요한 AI 알고리즘을 이해합니다. 동시에 비기술 전문가는 데이터 세트의 출처 및 가용성, 비즈니스 전략 및 운영과 같은 산업별 지식을 제공합니다. 다수의 분야 전문가가 AI/ML 알고리즘이 실제 작업을 반영하고 결과에 대한 중요한 검증을 제공하며 잘못된 방법이나 의도하지 않은 결과를 확인하는 중요한 도구 역할을 하는지 확인합니다. 예를 들어, 계획된 유지 관리를 진행 중인 통신 시스템은 일반적으로 문제 상태(예: 극도로 낮은 네트워크 트래픽)를 나타내는 동작을 나타낼 수 있습니다. 유지 관리 티켓팅 시스템과 통신하는 모델 예측에 비즈니스 논리 계층을 추가하면 이러한 잘못된 경보를 제거할 수 있습니다.

도메인 전문가는 AIOps 솔루션에 굶주린 경영진 청중에게 설명하는 데 중요한 역할을 합니다. ML은 블랙박스에서 작동하는 경향이 있으므로 팀에서는 모델이 특정 결정을 내린 방법을 명확하게 설명할 수 없습니다. 이는 기업 경영진 사이에서 AI 기반 통찰력과 행동에 대한 회의와 주저함으로 이어질 수 있습니다. 반면, 설명 가능한 인공지능은 AIOps에 익숙하지 않은 비즈니스 리더들로부터 더 강한 인식과 신뢰를 얻을 수 있습니다.

AIOps에는 세 가지 핵심 재료가 필요하지만 다른 레시피와 마찬가지로 해당 재료의 품질과 재료를 누구의 손에 넣었는지에 따라 최종 결과가 결정됩니다. 시행착오는 특히 ML 학습이라는 복잡한 기술에서 혁신 프로세스의 일부입니다. 올바른 유형의 분석과 참여하는 도메인 전문가를 사용하여 데이터가 올바르게 처리되도록 하면 기업이 증가하는 운영 효율성 요구를 충족하는 성공적이고 확장 가능한 AIOps 솔루션을 제공하는 데 도움이 됩니다.

위 내용은 AIOps를 성공적으로 구축하고 배포하기 위한 세 가지 요소의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!