AIOps چیست؟

این مقاله عوامل اصلی و فعلی بازار AIOps و مولفه‌ها و مزایای آن را شامل می‌شود. همچنین با جدیدترین نسخه راهنمای بازار Gartner  برای AIOps به روز شده است.

تحول دیجیتال: راهی به AIOps

درک اینکه چگونه تحول دیجیتال باعث ایجاد بستر AIOps گارتنر شده بسیار مهم است. تحول دیجیتال شامل DevOps و استفاده از فناوری های ابری و جدید مانند ظروف است. این نشان دهنده تغییر از IT متمرکز به برنامه‌ها و توسعه‌دهندگان، افزایش سرعت نوآوری و استقرار، و جذب کاربران جدید دیجیتال، عوامل ماشین، دستگاه‌های اینترنت اشیا (IoT)، رابط‌های برنامه کاربردی (API) و غیره است که سازمان‌ها قبلاً نیازی به خدمات رسانی نداشتند.

همه این فناوری های جدید و کاربران در حال فشار آوردن به استراتژی ها و ابزارهای مدیریت عملکرد و خدمات سنتی به نقطه عطف هستند. AIOps تغییر الگوی ITOps است که برای رسیدگی به این مسائل  و تحول دیجیتال لازم است.

AIOps چیست؟

 AIOps  (artificial intelligence for IT operations) مخفف هوش مصنوعی برای عملیات IT است و به سیستم عامل‌های چند لایه فناوری اشاره دارد که از طریق تجزیه و تحلیل و یادگیری ماشین (ML) عملیات IT را خودکار و تقویت می‌کنند. سیستم عامل‌های AIOps با استفاده از داده‌های بزرگ‌، داده‌های مختلفی را از ابزارها و دستگاه‌های مختلف عملیات فناوری اطلاعات جمع آوری می‌کنند تا به صورت خودکار مسائل را در زمان واقعی شناسایی کنند و در عین حال تجزیه و تحلیل‌های سنتی تاریخی را نشان دهند.

گارتنر با استفاده از نمودار موجود در شکل زیر نحوه عملکرد یک سیستم عامل AIOps را توضیح می‌دهد. AIOps دارای دو جز اصلی است: 

• داده های بزرگ
• یادگیری ماشین

برای جمع آوری داده‌های مشاهده ای (مانند داده‌هایی که در سیستم‌های نظارتی و سیاهه‌های مربوط به مشاغل موجود است) در کنار داده‌های مربوط به مشارکت (که معمولاً در ضبط بلیط ، حادثه و رویداد وجود دارد)، در یک بستر داده بزرگ نیاز به دور شدن از داده های IT siled است.

سپس AIOps یک تحلیل جامع و استراتژی یادگیری ماشین را در برابر داده های ترکیبی IT پیاده سازی می کند. نتیجه مطلوب بینش های اتوماسیون محور است که باعث بهبود و رفع مستمر می شود. AIOps را می توان به عنوان یکپارچه سازی و استقرار مداوم (CI / CD) برای توابع اصلی IT در نظر گرفت.

برای تحقق هدف بینش و پیشرفت مستمر، AIOps سه رشته مختلف IT را به هم متصل می کند:

• مدیریت خدمات ("تعامل")
• مدیریت عملکرد ("مشاهده")
• اتوماسیون ("قانون")
   

AIOps یک برنامه بازی ایجاد می کند که تشخیص می دهد، در محیط جدید فناوری اطلاعات شتاب دهنده ما، باید رویکرد جدیدی وجود داشته باشد که با پیشرفت در داده های بزرگ و یادگیری ماشین مورد استفاده قرار گیرد.

هدایت AIOps چیست؟

AIOps تکامل تجزیه و تحلیل عملیاتی فناوری اطلاعات (ITOA) است. این از چندین گرایش و نیاز موثر بر ITOps رشد می کند، از جمله:

محیط های IT بیش از مقیاس انسانی است.

 رویکردهای سنتی برای مدیریت پیچیدگی IT - تلاش های دستی و آفلاین که نیاز به مداخله انسان دارند - در محیط های پویا و کشسان عمل نمی کنند. پیگیری و مدیریت این پیچیدگی از طریق نظارت دستی و انسانی دیگر امکان پذیر نیست. ITOps سالهاست که از مقیاس انسانی فراتر رفته و همچنان بدتر می شود.
مقدار داده هایی که ITOps برای نگهداری نیاز دارد به طور تصاعدی در حال افزایش است.

 نظارت بر عملکرد در حال تولید تعداد زیاد رویدادها و هشدارها است. حجم بلیط خدمات با معرفی دستگاه های اینترنت اشیا ، API ها ، برنامه های تلفن همراه و کاربران دیجیتال یا دستگاه ، گام به گام افزایش می یابد. باز هم ، این بسیار ساده است که برای گزارش دستی و تجزیه و تحلیل بسیار پیچیده است.
مشکلات زیرساختی باید با سرعت فزاینده ای مرتفع شوند. 

همانطور که سازمان ها تجارت خود را دیجیتالی می کنند ، IT به تجارت تبدیل می شود. "مصرف" فناوری انتظارات کاربران را برای همه صنایع تغییر داده است. واکنشها به رویدادهای IT - چه واقعی و چه درک شده - باید بلافاصله اتفاق بیفتند ، مخصوصاً وقتی مسئله ای روی تجربه کاربر تأثیر بگذارد.
قدرت محاسباتی بیشتری به لبه های شبکه منتقل می شود.

 سهولت استفاده از زیرساخت های ابری و خدمات شخص ثالث ، توابع خط مشاغل (LOB) را برای ایجاد راه حل ها و برنامه های کاربردی IT خود توانمند کرده است. کنترل و بودجه از هسته IT به لبه منتقل شده است. و قدرت محاسباتی بیشتری (که می تواند از آن استفاده شود) از هسته اصلی IT اضافه می شود.
توسعه دهندگان قدرت و نفوذ بیشتری دارند ، اما پاسخگویی هنوز با IT اصلی است.

 همانطور که در پست خود در مورد زیرساخت برنامه محور صحبت کردم ، DevOps و Agile برنامه نویسان را مجبور می کنند مسئولیت نظارت بیشتری را در سطح برنامه به عهده بگیرند ، اما پاسخگویی برای سلامت کلی اکوسیستم IT و تعامل بین برنامه ها ، خدمات و زیرساخت ها هنوز استان اصلی IT است. همانطور که شبکه هایشان پیچیده تر هستند ، ITOps مسئولیت بیشتری را به عهده می گیرد.

انسان جایگزین نمی شود

لازم به ذکر است که تصدیق اینکه مدیریت ITOps بیش از مقیاس انسانی است ، به معنای جایگزینی ماشین آلات به انسان نیست. این بدان معناست که برای مقابله با واقعیت جدید به داده های بزرگ ، AI / ML و اتوماسیون نیاز داریم. انسان جایگزین نمی شود ، بپرسنل ITOps نیاز به توسعه مهارت های جدید دارند. نقش های جدید ظاهر می شوند.

عناصر AIOps

من می خواهم لحظه ای اینجا را مرور کنم و عناصر AIOps را که در نمودار گارتنر نشان داده شده است مرور کنم. در حالی که من همه را به خواندن راهنمای بازار تشویق می کنم ، آنچه در زیر می آید باید به عنوان زمینه کافی در قسمت های اصلی پازل AIOps و نحوه کمک آنها باشد.

داده های گسترده و متنوع IT. AIOps 

که در شورونهای سیاه و آبی برشمرده شده است ، گردآوری داده های متنوع از هر دو مدیریت عملیات فناوری اطلاعات (ITOM) (معیارها ، رویدادها و غیره) و مدیریت خدمات فناوری اطلاعات (ITSM) (حوادث ، تغییرات و غیره) را پیش بینی کرده است. این اغلب به عنوان "شکستن سیلوهای داده" شناخته می شود - ایجاد داده ها با هم از ابزارهای متفاوت ، بنابراین آنها می توانند با یکدیگر "صحبت" کنند و شناسایی علت اصلی را تسریع کنند یا اتوماسیون را فعال کنند.
پلت فرم داده های بزرگ جمع شده. 

در قلب این سیستم عامل ، مرکز گرافیک فوق ، داده های بزرگ است. از آنجا که داده ها از ابزار siled آزاد می شوند ، باید برای پشتیبانی از تجزیه و تحلیل سطح بعدی گردآوری شوند. این امر نه تنها در حالت آفلاین - مانند تحقیقات پزشکی قانونی با استفاده از داده های تاریخی - بلکه در زمان بلعیدن داده ها در زمان واقعی نیز باید رخ دهد. برای اطلاعات بیشتر در مورد AIOps و داده های بزرگ ، به پست دیگر من مراجعه کنید.
فراگیری ماشین. 

داده های بزرگ استفاده از ML را برای تجزیه و تحلیل مقادیر گسترده ای از داده های متنوع امکان پذیر می کند. این کار نه قبل از گردآوری داده ها و نه با تلاش دستی انسان امکان پذیر نیست. ML تجزیه و تحلیل دستی دستی را خودکار کرده و تجزیه و تحلیل جدید را روی داده های جدید امکان پذیر می کند - همه در مقیاس و سرعت بدون AIOps در دسترس نیستند.
مشاهده کنید.

 این تکامل دامنه سنتی ITOM است که توسعه (ردیابی ها) و سایر داده های غیر ITOM (توپولوژی ، معیارهای تجاری) را یکپارچه می کند تا روش های جدیدی برای همبستگی و زمینه سازی فراهم شود. در ترکیب با پردازش در زمان واقعی ، شناسایی علت احتمالی همزمان با تولید مسئله می شود.
مشغول کردن. 

تکامل دامنه ITSM سنتی شامل ارتباط دو طرفه با داده های ITOM برای پشتیبانی از تجزیه و تحلیل فوق و ایجاد مستندات خودکار برای ممیزی و انطباق / الزامات نظارتی است. AI / ML در اینجا در طبقه بندی شناختی به علاوه مسیریابی و هوش در نقطه تماس کاربر ، به عنوان مثال ، بات ربات ها بیان می شود.
عمل کن

 این "آخرین مایل" از زنجیره ارزش AIOps است. اگر مسئولیت عمل به عهده بشر قرار گیرد ، خودکار کردن تجزیه و تحلیل ، گردش کار و مستندات هیچ کاری ندارد. قانون شامل کدگذاری دانش حوزه انسانی در اتوماسیون و تنظیم مجدد اصلاح و پاسخ است.
آینده AIOps
درک اینکه چه چیزی AIOps را تحریک می کند و چگونه پاسخ می دهد ما را به وضعیت فعلی بازار می رساند. همانطور که فناوری اطلاعات فراتر از مقیاس انسانی می رود ، ابزار فناوری اطلاعات نیاز به انطباق دارد. اما صرفاً واکنش دفاعی کافی نیست. سازمانهایی که AIOps را در آغوش می گیرند ، چالشی را که هدف آن است مقابله کنند ، فرصتی برای رشد ، تکامل ، نوآوری و ایجاد اختلال می دانند.

در اینجا چند روش وجود دارد که سازمان های دارای AIOps در پنج سال آینده تجارت خود را تغییر می دهند.

فناوری انسانی تر می شود: تجزیه و تحلیل و ارکستراسیون تجربه های بدون اصطکاک را امکان پذیر می کند و امکان سرویس دهی شخصی به همه جا را فراهم می کند.
اتوماسیون فناوری و از این رو فرآیندهای تجاری: هزینه های پایین تر ، سرعت افزایش می یابد و خطاها کاهش می یابد در حالی که سرمایه انسانی برای دستیابی به سطح بالاتر آزاد می شود.
ITOps سازمانی به چابکی DevOps دست می یابد: تحویل مداوم به عملیات و تجارت نیز گسترش می یابد.
داده ها تبدیل به ارز می شوند: ثروت عظیم داده های کسب و کار دست نخورده با استفاده از حروف بزرگ استفاده می شود ، موارد استفاده با ارزش بالا و فرصت های کسب درآمد را آزاد می کند.
در BMC ، ما این چشم انداز از آینده مجهز به AIOps را Autonomous Digital Enterprise می نامیم. ماموریت ما این است که مشتریان خود را قادر به نوآوری و تفاوت سریع و مداوم برای ارائه ارزش مشتری محور کنیم. سازمانهای موفق فردا آنهایی هستند که سیستمهای هوشمند و مجهز به فناوری را در آغوش دارند که به آنها امکان می دهد پیشرفت کنند در حالی که دیگران در زمان تغییرات گسترده دچار تزلزل می شوند.

AIOps: تغییر لرزه ای ، اما بنیادی نیست
اگرچه AIOps یک تغییر لرزه ای برای عملیات IT است ، اما این یک کاربرد بنیادی تحلیل و یادگیری ماشین نیست. هنگام انتقال کارگزاران سهام از معاملات دستی به معاملات ماشینی ، رویکرد ML مشابهی اجرا شد. Analytics و ML در شبکه های اجتماعی و در برنامه هایی مانند Google Maps ، Waze و Yelp و همچنین در بازارهای آنلاین مانند Amazon و eBay استفاده می شود. این روش ها به طور قابل اعتماد و گسترده ای در محیط هایی که نیاز به پاسخ در زمان واقعی به شرایط پویا در حال تغییر و سفارشی سازی کاربر است مورد استفاده قرار می گیرند.

AIOps استفاده از فناوری و فرآیندهای آزمایش شده و واقعی برای ITOps است. پرسنل ITOps معمولاً در استفاده از فن آوری های جدید کند عمل می کنند ، زیرا به دلیل ضرورت ، مشاغل ما همیشه محافظه کارانه تر بوده است. این وظیفه ITOps است که از روشن بودن چراغ ها و ایجاد ثبات برای زیرساخت های پشتیبانی کننده از برنامه های سازمانی اطمینان حاصل کند.

با این وجود ما از نقطه اوج عبور کرده ایم و پذیرش AIOps شاخص اصلی برای مسیر شرکت دیجیتال است