AIOps-ийн ирээдүй: Мэдээллийн технологийн идэвхтэй менежментэд хиймэл оюун ухааныг нэгтгэх

Танилцуулга

Технологийн хурдацтай хувьсал нь орчин үеийн мэдээллийн технологийн системийн нарийн төвөгтэй байдлын экспоненциал өсөлтөд хүргэсэн. Үүний үр дүнд мэдээллийн технологийн багууд эдгээр системийг удирдах, засвар үйлчилгээ хийхэд урьд өмнө байгаагүй сорилтуудтай тулгарсан нь сул зогсолт, бүтээмж буурч, үйл ажиллагааны зардал нэмэгдэхэд хүргэдэг. Эдгээр сорилтыг шийдвэрлэхийн тулд мэдээллийн технологийн үйл ажиллагаанд зориулсан хиймэл оюун ухаан (AIOps) нь тоглоомыг өөрчилсөн үзэл баримтлалыг бий болгосон. AIOps нь DevOps-ийн ажлын урсгалыг өөрчлөхийн тулд машин сургалт болон хиймэл оюун ухааныг ашиглан мэдээллийн технологийн идэвхтэй удирдлага, урьдчилан таамаглах аналитик, автоматжуулалтыг идэвхжүүлдэг.

Энэ нийтлэлд бид AIOps-ийн ирээдүй, түүний ашиг тус, хэрэгжүүлэх стратегийг судлах болно. Мөн бид бодит жишээнүүдийн судалгааг судалж, мэдээллийн технологийн менежментэд AIOps-ийн хэрэглээг харуулах цогц кодын блокоор хангах болно.

AIOps гэж юу вэ?

AIOps бол мэдээллийн технологийн үйлчилгээний үр ашиг, үр ашиг, найдвартай байдлыг сайжруулахын тулд хиймэл оюун ухаан (AI) болон машин сургалтын (ML) хүчийг МТ-ийн үйл ажиллагаа (ITOps)-тай хослуулсан хөгжиж буй салбар юм. AIOps платформууд нь мэдээллийн аналитик, урьдчилан таамаглах загварчлал, автоматжуулалтыг ашиглан мэдээллийн технологийн асуудлыг томоохон асуудал болохоос нь өмнө тодорхойлж, шийдвэрлэхэд ашигладаг.

AIOps-ийг мэдээллийн технологийн удирдлагын янз бүрийн салбарт ашиглаж болно, үүнд:

** Урьдчилан таамаглах аналитик**: AIOps платформууд нь түүхэн өгөгдөлд дүн шинжилгээ хийх, мэдээллийн технологийн болзошгүй асуудлуудыг урьдчилан таамаглахын тулд машин сургалтын алгоритмуудыг ашигладаг бөгөөд ингэснээр идэвхтэй засвар үйлчилгээ хийх, сул зогсолтыг багасгах боломжийг олгодог.
Ойл явдлын менежмент: AIOps нь мэдээллийн технологийн ослыг автоматаар илрүүлж шийдвэрлэх боломжтой бөгөөд ингэснээр илрүүлэх дундаж хугацаа (MTTD) болон шийдвэрлэх дундаж хугацааг (MTTR) багасгадаг.
Автоматжуулалт: AIOps нь тохиргооны удирдлага, засварын удирдлага, нөөцлөлт, сэргээх зэрэг ердийн ажлуудыг автоматжуулах боломжтой.

AIOps-ийн ашиг тус

AIOps-ийн ашиг тус нь маш олон бөгөөд чухал юм:

Сайжруулсан үр ашиг: AIOps нь ердийн ажлуудыг автоматжуулж, мэдээллийн технологийн ажилтнуудыг стратегийн санаачилгад анхаарлаа хандуулах боломжийг олгодог.
Сайжруулсан найдвартай байдал: AIOps нь мэдээллийн технологийн асуудлуудыг урьдчилан таамаглаж, урьдчилан сэргийлж, зогсолтыг багасгаж, системийн ерөнхий найдвартай байдлыг сайжруулдаг.
Бүтээмж нэмэгдсэн: AIOps нь мэдээллийн технологийн багуудад тохиолдлуудад хурдан хариу өгөх боломжийг олгож, илрүүлэх дундаж хугацаа (MTTD) болон шийдвэрлэх дундаж хугацааг (MTTR) багасгадаг.
Илүү сайн шийдвэр гаргах: AIOps нь мэдээллийн технологийн багийг бодит цагийн ойлголт, урьдчилан таамаглах аналитикаар хангаж, өгөгдөлд тулгуурласан шийдвэр гаргах боломжийг олгодог.

Хэрэгжүүлэх стратеги

AIOps-ийг хэрэгжүүлэх нь дараах стратегийн хандлагыг шаарддаг.

Өгөгдлийн цуглуулга: Бүртгэл, хэмжүүр, тохиргооны файл зэрэг янз бүрийн эх сурвалжаас мэдээллийн технологийн өгөгдлийг цуглуулах.
Өгөгдлийн интеграцчлал: Төрөл бүрийн эх сурвалжаас авсан өгөгдлийг нэг платформд нэгтгэх.
Machine Learning: Мэдээлэлд дүн шинжилгээ хийх, мэдээллийн технологийн болзошгүй асуудлуудыг урьдчилан таамаглахад машин сургалтын алгоритмуудыг ашиглах.
Автоматжуулалт: Ердийн ажил, ажлын урсгалыг автоматжуулах.
Хяналт ба санал хүсэлт: AIOps-ийн гүйцэтгэлийг тасралтгүй хянаж, үнэн зөв, үр дүнтэй байдлыг сайжруулахын тулд санал хүсэлтээ өгнө.

Бодит ертөнцийн жишээ судалгаа

Хэд хэдэн байгууллага мэдээллийн технологийн удирдлагын ажлын урсгалыг өөрчлөхийн тулд AIOps-ийг амжилттай хэрэгжүүлсэн:

Verizon: Verizon сүлжээний найдвартай байдлыг сайжруулж, сул зогсолтыг багасгах зорилгоор AIOps-ийг хэрэгжүүлсэн. Энэхүү платформ нь сүлжээний асуудлуудыг урьдчилан таамаглах, урьдчилан сэргийлэхийн тулд машин сургалтыг ашигласан тул сул зогсолтыг 30% бууруулсан.
AT&T: AT&T нь ослын удирдлагыг сайжруулах, илрүүлэх дундаж хугацаа (MTTD) болон шийдвэрлэх дундаж хугацааг (MTTR) багасгах зорилгоор AIOps-ийг хэрэгжүүлсэн. Энэхүү платформ нь мэдээллийн технологийн зөрчлийг илрүүлэх, шийдвэрлэхийн тулд автоматжуулалтыг ашигласан бөгөөд үүний үр дүнд MTTD 40%, MTTR 50% буурсан байна.
Microsoft: Майкрософт урьдчилан таамаглах аналитик болон автоматжуулалтыг сайжруулахын тулд AIOps-ийг хэрэгжүүлсэн. Энэхүү платформ нь мэдээллийн технологийн болзошгүй асуудлуудыг урьдчилан таамаглахын тулд машин сургалтыг ашиглаж, идэвхтэй засвар үйлчилгээ хийх, сул зогсолтыг багасгах боломжийг олгодог.

Кодын блок: Python дээрх AIOps жишээ

Мэдээллийн технологийн менежментэд AIOps-ийн хэрэглээг харуулсан Python хэл дээрх нарийн төвөгтэй кодын блок энд байна.

пандаг pd хэлбэрээр импортлох
sklearn.ensemble-аас RandomForestClassifier импортлох
sklearn.model_selection импортын галт тэрэгний_test_split-ээс
sklearn.metrics-аас импортын нарийвчлал_оноо

# Өгөгдөл ачаалах
өгөгдөл = pd.read_csv('it_data.csv')

# Өгөгдлийг урьдчилан боловсруулах
X = data.drop(['тохиолдол'], тэнхлэг=1)
y = өгөгдөл['тохиолдол']

# Өгөгдлийг сургалт, туршилтын багц болгон хуваах
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, санамсаргүй_төлөв=42)

# Санамсаргүй ой ангилагчийг сургах
rfc = RandomForestClassifier(n_estimators=100, санамсаргүй_төлөв=42)
rfc.fit(X_train, y_train)

# Урьдчилан таамаглах
y_pred = rfc.predict(X_test)

# Загварыг үнэлэх
нарийвчлал = нарийвчлалын_оноо(y_test, y_pred)
хэвлэх(f' Нарийвчлал: {нарийвчлал:.2f}')

# Мэдээллийн технологийн болзошгүй асуудлуудыг урьдчилан таамаглахад загварыг ашигла
new_data = pd.DataFrame({'cpu_usage': [80], 'санах ойн_хэрэглээ': [90]})
таамаглал = rfc.predict(шинэ_өгөгдөл)
хэрэв таамаглал[0] == 1:
    print('Мэдээллийн технологийн боломжит асуудал илэрсэн!')

Энэхүү кодын блок нь CPU болон санах ойн ашиглалтын өгөгдөл дээр үндэслэн мэдээллийн технологийн болзошгүй асуудлуудыг урьдчилан таамаглахад санамсаргүй ойн ангилагчийг ашигладаг. Загварыг түүхэн өгөгдөл дээр сургаж, шинэ өгөгдөл дээр таамаглал гаргахад ашигладаг.

Дүрслэл: AIOps платформ архитектур

Chart.js ашиглан AIOps платформын архитектурын дүрслэл энд байна:

{
  "төрөл": "дүрээ диаграм",
  "өгөгдөл": {
    "шошго": ["Өгөгдөл цуглуулах", "Өгөгдлийн интеграци", "Машин сурах", "Автоматжуулалт", "Хяналт ба санал хүсэлт"],
    "өгөгдлийн багц": [
      {
        "label": "AIOps платформ архитектур",
        "өгөгдөл": [30, 20, 20, 15, 15],
        "backgroundColor": ["#FF6384", "#36A2EB", "#FFCE56", "#4BC0C0", "#FF99CC"],
        "hoverBackgroundColor": ["#FF99CC", "#36A2EB", "#FFCE56", "#4BC0C0", "#FF99CC"]
      }
    ]
  },
  "сонголт": {
    "гарчиг": {
      "дэлгэц": үнэн,
      "текст": "AIOps платформ архитектур"
    },
    "домог": {
      "дэлгэц": үнэн
    }
  }
}

Энэхүү дүрслэл нь өгөгдөл цуглуулах, өгөгдөл нэгтгэх, машин сургалт, автоматжуулалт, хяналт, санал хүсэлт зэрэг AIOps платформын архитектурын өөр өөр бүрэлдэхүүн хэсгүүдийг харуулдаг.

Дүгнэлт

AIOps бол мэдээллийн технологийн багуудын нарийн төвөгтэй мэдээллийн технологийн системийг удирдах, засварлах арга замыг өөрчилдөг тоглоомыг өөрчилдөг технологи юм. Машины сургалт болон хиймэл оюун ухааныг ашигласнаар AIOps нь мэдээллийн технологийн идэвхтэй удирдлага, урьдчилан таамагласан аналитик, автоматжуулалтыг идэвхжүүлж, үр ашгийг дээшлүүлж, найдвартай байдлыг дээшлүүлж, бүтээмжийг нэмэгдүүлэхэд хүргэдэг. AIOps-ийг хэрэгжүүлснээр байгууллагууд сул зогсолтыг багасгаж, шийдвэр гаргах чадварыг сайжруулж, зах зээлд өрсөлдөх давуу талыг олж авах боломжтой.

Технологи тасралтгүй хөгжсөөр бид мэдээллийн технологийн менежментэд AIOps-ийн илүү шинэлэг хэрэглээг харах болно гэж найдаж байна. Мэдээллийн технологийн системийг удирдах арга барилаа өөрчлөх чадвартай AIOps нь анхаарал татахуйц сонирхолтой бөгөөд хурдацтай хөгжиж буй салбар юм.