AIOps و کاربردهای آن می تواند استفاده از هوش مصنوعی در عملیات های IT ، مرتبط با کسب و کار باشد.AIOps(زنجیره پایداری سیستم ها) یا خودکارسازی پلتفرم داده، یک عملیات هوشمند است.
این امر برای نظارت و مدیریت در محیطهای مدرن فناوری اطلاعاتی شامل:
- محیط های ترکیبی(hybrid)
- پویا(dynamic)
- توزیع شده(distributed)
- ترکیب شده(componentized)
ضروری شده است.
AIOps و کاربردهای آن:
AIOps از طریق الگوریتم های هوش مصنوعی، به عملیاتهای مرتبط به سرویس های IT و DevOps کمک می کند.
AIOps سریعتر و هوشمندانه تر، مشکلات و چالش های خدمات دیجیتال را شناسایی و حل نمایند.
AIOps، با استفاده از تیم های عملیاتی در قسمت های مختلف، پیچیدگی و حجم بسیار زیاد داده های تولید شده در اکوسیستم کسب و کار را تعدیل میکنند.این مهم از بروز فاجعه ها و یا بحران های عملیاتی جلوگیری می نماید.
AIOps با خودکارسازی پلتفرم داده، میتوان مشکلات سیستمی را پیش بینی و هشدار دهی نمایند.همچنین، مدیریت زمان و اطمینان از ارائه مداوم خدمات را در هنگام Scale شدن خدمات و محصولات در کسب و کار، مدیریت نمایند.
شاید بتوان AIOps را بعنوان یکی از عوامل تاثیر گذار در تحول دیجیتال سازمانها و کسب و کارها، معرفی نمود.
اینگونه پلتفرم ها، بعنوان یک AI-powered recommendation system به سازمانها اجازه می دهد با سرعتی که در تجارت مدرن به آن نیاز دارند، مسائل ناشناخته در عملیات ها را درک و مدیریت کنند.
AIOps و کاربردهای آن را می توان در:
- قابلیت مشاهده و یا پیش بینی شرایط بحرانی(Critical Situation)
- فاجعه بار(Disaster)
- «کنترل کاهش بهره وری عملیاتی»
- شناسایی همبستگی در رویدادهای مشابه
جهت کاهش هشدار(Alarm)های سیستمی در یک محیط یکپارچه، تعریف نمود. زیربنای سیستم های AIOps را می توان علم داده، یادگیری ماشین و یادگیری عمیق دانست که خدمات هوشمندسازی را در حوزه های:
- انتخاب داده(Data Selection)
- کشف الگو(Pattern discovery)
- استنباط(Inference)
- همکاری(Collaboration)
- اتوماسیون(Automation)
پشتیبانی می کنند.
AIOps و کاربردهای آن در داشبوردهای مدیریتی:
بسیاری از سازمانها و کسب و کارها، در اولین اقدام برای پیاده سازی سیستم های AIOps، اقدام به طراحی داشبوردهایی برای واحدهای مختلف عملیاتی خود می کنند.
بدین وسیله کارشناسان با مشاهده داشبوردها، موارد بحرانی يا چالش ها را شناسایی و اقدامات متناظر را انجام می دهند.
در گامهای تکمیلی در اینگونه سناریوها، با استفاده از الگوریتم های داده کاوی، سعی در پیش بینی:
- موارد بحرانی (Disaster Prediction)
- تخصیص منابع
- عملیات های خاص
برای رخدادهای آتی، می کنند. اینگونه رهیافتها برای سطح بلوغ میانی سازمان ها توصیه می شود.
در صورت Scale شدن خدمات و محصولات در کسب و کارها، نیاز به نگهداری و بروز رسانی فرآیندها می باشد که می تواند کیفیت خدمات را تحت الشعاع قرار دهد. برای سطوح بالاتر بلوغ داده محوری، استفاده از پلتفرم های AIOps پیشنهاد می شود که در ادامه به آن اشاره کوتاهی می شود.
AIOps در نگاه جامع:
در یک دیدگاه جامع، یک پلتفرم AIOps، در گام اول، داده های ناهمگن را از منابع مختلف ذخیره سازی می کند. این داده ها در مورد تمام اجزای محیط عملیات IT شامل (شبکه ها، برنامه ها، زیرساخت ها، نمونه های ابری، و …) می باشد.
سپس با استفاده از الگوریتم های آنتروپی، نویز و تکثیر را از بین می برد و فقط داده های کاملاً مرتبط را انتخاب می کند. این فیلتر الگوریتمی، به طور گسترده تعداد هشدارهایی را که تیم های عملیات باید با آن روبرو شوند کاهش می دهد و تکرار کارها، را از بین می برد.
در عین حال، پلتفرم AIOps، با استفاده از الگوریتم های یادگیری ماشین و یادگیری عمیق، اقدام به گروه بندی و ارتباط دهی رخداده ها و مسائل می کند. در مرحله بعدی، الگوهای موجود در داده ها و رخدادها را کشف و نتایج تجزیه و تحلیل را به یک محیط همکاری قابل اشتراک می کند.
نتیجه اینگونه پلتفرم ها، دستیابی به گردش کار با کمترین دخالت انسان و در نهایت بهینه سازی اتوماسیون ها خواهد شد. در انتها، پلتفرم AIOps دلایل و راه حل های مربوط به هر حادثه را ذخیره می کند.
همچنین از این دانش برای کمک به تیم های عملیاتی، در تشخیص علل و تجویز راه حل های آتی استفاده خواهد شد. بعنوان نمونه ای از پلتفرم های مطرح در حوزه AIOps می توان به Dynatrace ، LogicMonitor و Moogsoft اشاره نمود.
