Tiga elemen untuk berjaya membina dan menggunakan AIOps

Hari ini, apabila data besar berkembang pesat dalam setiap aspek perniagaan, pasukan IT berhadapan dengan tugas yang sukar untuk mengendalikan jumlah dan kerumitan operasi yang besar. Akibatnya, permintaan perusahaan untuk AIOps semakin meningkat.

AIOps (operasi IT kecerdasan buatan) menggunakan data besar dan pembelajaran mesin (ML) untuk meramal dan mengenal pasti pada skala dan kelajuan yang tidak dapat dicapai oleh manusia , mendiagnosis dan menyelesaikan masalah IT.

Laporan baru-baru ini daripada firma ekuiti swasta dan modal teroka Insight Partners menganggarkan bahawa saiz pasaran platform AIOps akan meningkat pada kadar pertumbuhan tahunan kompaun sebanyak 32.2% dari 2021 hingga 2028, daripada kira-kira $2.83 bilion pada 2021 Pertumbuhan kepada $199.3 bilion pada 2028. Yang berkata, penyelesaian AIOps yang berkesan tidak berlaku dalam sekelip mata.

Penyelesaian AIOps yang lengkap datang daripada penyelesaian yang telah diperhalusi dalam tempoh yang lama dan mengandungi tiga bahan asas: data, analisis dan kepakaran dalam bidang yang berbeza.

Data

Tanpa data, AIOps yang berjaya tidak wujud. Walaupun data mempunyai bekalan yang mencukupi, cabarannya ialah mendapatkannya dalam bentuk yang boleh digunakan dan boleh dipercayai. AIOps bergantung pada ratusan atau bahkan ribuan titik data daripada sumber yang berbeza seperti prestasi rangkaian, sistem perniagaan dan sokongan pelanggan, semuanya dijana pada asas detik demi saat, dan dalam banyak kes pada kadar subsaat. Cara anda mengendalikan sejumlah besar data boleh membuat atau memecahkan penyelesaian AIOps. Saluran paip yang berasingan untuk pengurusan data dalam peranti dan luar peranti menghasilkan hasil terbaik dari segi kelajuan, keberkesanan kos dan kecekapan maksimum.

Model pemprosesan data dalaman tunggal tradisional tidak lagi mampu mengatasi kerumitan dan volum set data hari ini. Sebaliknya, pertimbangkan untuk membina atau mereka bina semula corong pemprosesan data anda kepada dua bahagian: saluran paip pemprosesan yang ramping dan pantas yang mengendalikan analisis kritikal masa melalui bas data masa nyata di premis dan saluran paip yang lebih mantap yang mengendalikan masa kritikal analisis dalam awan yang tinggal. Kurangkan pengeluaran data di premis kepada tahap minimum dan peruntukkan awan (dilengkapi dengan pengkomputeran elastik dan keupayaan storan yang lebih canggih) untuk memproses data yang tinggal, membolehkan sintesis data yang lebih pantas dan lebih menjimatkan kos.

Model saluran paip yang dipisahkan yang mengurus kedua-dua data dalaman dan luaran boleh meningkatkan keupayaan organisasi untuk memproses berjuta-juta titik data sejam. Algoritma pembelajaran mesin (ML) boleh membantu mengutamakan data masuk daripada setiap saluran paip dan mengubah data mentah dan tidak berstruktur kepada metrik yang boleh digunakan yang kritikal kepada perkhidmatan pelanggan atau pasukan operasi IT. Kecekapan dan kelajuan yang diperoleh daripada sistem serampang dua mata juga membolehkan organisasi menggunakan keupayaan pemantauan yang dipertingkatkan untuk mendapatkan keterlihatan masa nyata dan maklumat arah aliran jangka panjang mengenai prestasi rangkaian.

Analisis

Faktor utama kedua untuk kejayaan AIOps ialah analisis. Analisis dalam AIOps dibahagikan kepada dua peringkat, termasuk analisis penerokaan (menapis arah aliran atau anomali daripada data mentah yang memerlukan pemeriksaan tambahan) dan analisis statistik lanjutan (diterjemahkan kepada cerapan yang boleh diambil tindakan). Walaupun penyelidikan penerokaan memainkan peranan penting, pasukan kejuruteraan sering tidak sabar-sabar untuk melompat ke analisis statistik lanjutan apabila data mengalir melalui saluran paip. Melangkau peringkat awal ini boleh membawa kepada bias data—menyuntik berat sebelah ke dalam proses AIOps dan salah mengenal pasti masalah, menjadikan algoritma AI/ML tidak berguna dan membawa kepada akibat operasi yang tidak diingini.

Analitis penerokaan bergantung pada ML dan saintis data untuk mengenal pasti dan menentukan metrik khusus yang penting. Dalam proses itu, pasukan IT mungkin tertarik kepada ML—sebuah teknologi yang menarik dan cekap. Tetapi ML tulen bukanlah kaedah analisis yang paling berkesan. ML cuba menyelesaikan masalah tertentu berdasarkan set parameter tertentu. Jurutera menulis algoritma ML berdasarkan metrik yang mereka percaya diperlukan untuk mencapai kesimpulan A, B atau C—dengan itu menolak kemungkinan penyelesaian atau statistik lain.

Sebaliknya, ahli perangkaan dan saintis data memeriksa data mentah bukan dengan mengambil kira keputusan khusus, sebaliknya dengan memeriksa data untuk corak atau anomali. Semakan data manual memang membosankan, tetapi pakar boleh mengenal pasti penyelesaian IT segera tanpa memerlukan analisis statistik lanjutan.

Apabila pasukan yakin bahawa aliran atau anomali yang dikenal pasti semasa fasa penerokaan adalah betul, mereka boleh beralih kepada analisis statistik lanjutan dan melatih algoritma AI/ML. Malah AI/ML memerlukan ujian percubaan dan ralat dan tidak menghasilkan keputusan serta-merta. Di sebalik setiap penyelesaian AIOps ialah sekumpulan pakar domain yang menala dan menguji model AI/ML secara meluas untuk memastikan kejayaan AIOps.

Bidang kepakaran yang berbeza

Elemen ketiga untuk pelaksanaan AIOps yang berjaya ialah kepakaran domain. Dalam penciptaan AIOps, tidak ada banyak pengalaman untuk diambil. Kejayaan penggunaan AI dalam mana-mana perusahaan memerlukan penglibatan pakar dalam bidang yang berbeza. Sebagai contoh, dalam bidang operasi rangkaian, jurutera rangkaian memahami nuansa sistem ML dan algoritma AI yang diperlukan untuk menyelesaikan masalah tertentu dengan tepat. Pada masa yang sama, pakar bukan teknikal membawa pengetahuan khusus industri seperti asal dan ketersediaan set data, strategi perniagaan dan operasi. Sebilangan besar pakar domain memastikan bahawa algoritma AI/ML mencerminkan operasi dunia sebenar, memberikan pengesahan keputusan kritikal dan berfungsi sebagai alat penting untuk menyemak kaedah yang salah atau akibat yang tidak diingini. Sebagai contoh, sistem komunikasi yang menjalani penyelenggaraan terancang mungkin menunjukkan tingkah laku yang biasanya menunjukkan keadaan masalah (seperti trafik rangkaian yang sangat rendah). Menambah lapisan logik perniagaan pada ramalan model yang berkomunikasi dengan sistem tiket penyelenggaraan boleh menghapuskan penggera palsu ini.

Pakar domain memainkan peranan penting dalam menerangkan kepada khalayak eksekutif yang haus akan penyelesaian AIOps. ML cenderung untuk beroperasi dalam kotak hitam, menyebabkan pasukan tidak dapat menggambarkan dengan jelas cara model membuat keputusan tertentu. Ini boleh membawa kepada keraguan dan keraguan dalam kalangan eksekutif perniagaan tentang cerapan dan tindakan dipacu AI. Sebaliknya, kecerdasan buatan yang boleh dijelaskan boleh mendapat pengiktirafan dan kepercayaan yang lebih kukuh daripada pemimpin perniagaan yang tidak biasa dengan AIOps.

AIOps memerlukan tiga bahan teras, tetapi, seperti mana-mana resipi, kualiti bahan tersebut dan tangan siapa bahan itu diletakkan, akan menentukan hasil akhir. Percubaan dan kesilapan adalah sebahagian daripada proses inovasi, terutamanya dalam seni kompleks latihan ML. Memastikan data dikendalikan dengan betul, menggunakan jenis analitik yang betul dan pakar domain yang menarik akan membantu perusahaan menyampaikan penyelesaian AIOps yang berjaya dan berskala yang memenuhi permintaan yang semakin meningkat untuk kecekapan operasi.

Atas ialah kandungan terperinci Tiga elemen untuk berjaya membina dan menggunakan AIOps. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!