Ifihan
Itankalẹ iyara ti imọ-ẹrọ ti yori si idagbasoke ti o pọju ni idiju ti awọn eto IT ode oni. Bi abajade, awọn ẹgbẹ IT n dojukọ awọn italaya airotẹlẹ ni ṣiṣakoso ati mimu awọn ọna ṣiṣe wọnyi, ti o yori si idinku idinku, iṣẹ-ṣiṣe ti o dinku, ati awọn idiyele iṣẹ ṣiṣe ti o ga julọ. Lati koju awọn italaya wọnyi, imọran Artificial Intelligence for IT Operations (AIOps) ti farahan bi oluyipada ere. AIOps n ṣe ikẹkọ ẹrọ ati AI lati yi awọn iṣan-iṣẹ DevOps pada, ṣiṣe iṣakoso IT ti nṣiṣe lọwọ, awọn atupale asọtẹlẹ, ati adaṣe.
Ninu nkan yii, a yoo ṣawari ọjọ iwaju ti AIOps, awọn anfani rẹ, ati awọn ilana imuse. A yoo tun lọ sinu awọn iwadii ọran gidi-aye ati pese idina koodu idiju lati ṣafihan ohun elo AIOps ni iṣakoso IT.
Kini AIOps?
AIOps jẹ aaye ti o nwaye ti o ṣajọpọ agbara ti oye atọwọda (AI) ati ẹkọ ẹrọ (ML) pẹlu awọn iṣẹ IT (ITOps) lati mu ilọsiwaju ṣiṣẹ, ṣiṣe, ati igbẹkẹle awọn iṣẹ IT. Awọn iru ẹrọ AIOps lo awọn atupale data, awoṣe asọtẹlẹ, ati adaṣe lati ṣe idanimọ ati yanju awọn ọran IT ṣaaju ki wọn di awọn iṣoro pataki.
AIOps le ṣee lo si ọpọlọpọ awọn agbegbe ti iṣakoso IT, pẹlu:
- ** Awọn atupale Asọtẹlẹ ***: Awọn iru ẹrọ AIOps lo awọn algoridimu ikẹkọ ẹrọ lati ṣe itupalẹ data itan ati asọtẹlẹ awọn ọran IT ti o ni agbara, ṣiṣe itọju imuduro ati idinku akoko idinku.
- ** Isakoso Iṣẹlẹ ***: AIOps le rii laifọwọyi ati yanju awọn iṣẹlẹ IT, idinku akoko akoko lati ṣawari (MTTD) ati tumọ akoko lati yanju (MTTR).
- ** Automation ***: AIOps le ṣe adaṣe awọn iṣẹ ṣiṣe deede, gẹgẹbi iṣakoso iṣeto ni, iṣakoso patch, ati afẹyinti ati imularada.
Awọn anfani ti AIOps
Awọn anfani ti AIOps jẹ lọpọlọpọ ati pataki:
- ** Imudara Imudara ***: AIOps ṣe adaṣe awọn iṣẹ ṣiṣe deede, ni ominira awọn oṣiṣẹ IT lati dojukọ awọn ipilẹṣẹ ilana.
- ** Imudara Igbẹkẹle ***: AIOps ṣe asọtẹlẹ ati idilọwọ awọn ọran IT, idinku akoko idinku ati imudarasi igbẹkẹle eto gbogbogbo.
- ** Alekun Iṣẹ-ṣiṣe ***: AIOps jẹ ki awọn ẹgbẹ IT lati dahun ni kiakia si awọn iṣẹlẹ, idinku akoko akoko lati ṣawari (MTTD) ati tumọ si akoko lati yanju (MTTR).
- ** Ṣiṣe Ipinnu to dara julọ ***: AIOps pese awọn ẹgbẹ IT pẹlu awọn oye akoko gidi ati awọn atupale asọtẹlẹ, ṣiṣe ṣiṣe ipinnu data-ìṣó.
Awọn ilana imuse
Ṣiṣe AIOps nilo ọna ilana kan:
- ** Gbigba data ***: Gba data IT lati awọn orisun oriṣiriṣi, pẹlu awọn akọọlẹ, awọn metiriki, ati awọn faili iṣeto.
- ** Data Integration ***: Ṣepọ data lati orisirisi awọn orisun sinu kan nikan Syeed.
- ** Ẹkọ ẹrọ ***: Waye awọn algorithms ẹkọ ẹrọ lati ṣe itupalẹ data ati asọtẹlẹ awọn ọran IT ti o pọju.
- ** Automation ***: Ṣe adaṣe awọn iṣẹ ṣiṣe deede ati ṣiṣan iṣẹ.
- ** Abojuto ati Esi ***: Ṣe atẹle iṣẹ ṣiṣe AIOps nigbagbogbo ati pese awọn esi lati mu ilọsiwaju ati imunadoko ṣiṣẹ.
Awọn Iwadi Ọran-Agbaye gidi
Ọpọlọpọ awọn ile-iṣẹ ti ṣe aṣeyọri AIOps lati yi awọn iṣan-iṣẹ iṣakoso IT wọn pada:
- ** Verizon ***: Verizon ṣe imuse AIOps lati mu igbẹkẹle nẹtiwọọki pọ si ati dinku akoko idinku. Syeed ti lo ikẹkọ ẹrọ lati ṣe asọtẹlẹ ati dena awọn ọran nẹtiwọọki, ti o mu abajade 30% idinku ninu akoko idinku.
- ** AT & T ***: AT & T ti ṣe imuse AIOps lati mu ilọsiwaju iṣakoso iṣẹlẹ ati dinku akoko akoko lati ṣawari (MTTD) ati tumọ si akoko lati yanju (MTTR). Syeed lo adaṣiṣẹ lati ṣawari ati yanju awọn iṣẹlẹ IT, ti o mu abajade idinku 40% ni MTTD ati idinku 50% ni MTTR.
- **Microsoft ***: Microsoft ṣe imuse AIOps lati mu ilọsiwaju awọn atupale asọtẹlẹ ati adaṣe. Syeed ti lo ikẹkọ ẹrọ lati ṣe asọtẹlẹ awọn ọran IT ti o ni agbara, ṣiṣe itọju imuṣiṣẹ ati idinku akoko idinku.
Idina koodu: AIOps Apeere ni Python
Eyi ni idina koodu idiju ni Python ti o ṣe afihan ohun elo AIOps ni iṣakoso IT: `` Python gbe pandas wọle bi pd lati sklearn.ensemble gbe wọle RandomForestClassifier lati sklearn.model_selection gbe wọle train_test_split lati sklearn.metrics gbe awọn išedede_score
data fifuye
data = pd.read_csv ('it_data.csv')
Awọn data ilana iṣaaju
X = data.drop (['iṣẹlẹ'], axis=1) y = data['iṣẹlẹ']
Pin data sinu ikẹkọ ati awọn eto idanwo
X_train, X_test, y_train, y_test = train_test_split (X, y, test_size=0.2, random_state=42)
Reluwe ID igbo classifier
rfc = RandomForestClassifier (n_estimators=100, random_state=42) rfc.fit (X_train, y_train)
Ṣe awọn asọtẹlẹ
y_pred = rfc.predict(X_test)
Ṣe iṣiro awoṣe
išedede = išedede_score (y_test, y_pred) titẹ (f'Ipeye: {ipeye:.2f}')
Lo awoṣe lati ṣe asọtẹlẹ awọn ọran IT ti o pọju
new_data = pd.DataFrame ({'cpu_usage': [80], 'memory_usage': [90]}) asọtẹlẹ = rfc.predict(data_tuntun) ti o ba jẹ asọtẹlẹ[0] == 1: tẹjade ('Awari IT ti o pọju!')
Bulọọki koodu yii nlo iyasọtọ igbo laileto lati ṣe asọtẹlẹ awọn ọran IT ti o pọju ti o da lori Sipiyu ati data lilo iranti. Awoṣe naa jẹ ikẹkọ lori data itan ati lo lati ṣe awọn asọtẹlẹ lori data tuntun.
## Wiwo: AIOps Platform Architecture
Eyi ni iwoye ti faaji Syeed AIOps nipa lilo Chart.js:
`` aworan apẹrẹ
{
"type": "pieChart",
"data": {
"labels": ["Ikojọpọ Data", "Idapọ Data", "Ẹrọ Ẹkọ", "Adaaṣe", "Abojuto ati Esi"],
"awọn ipilẹ data": [
{
"label": "AIOps Platform Architecture",
"data": [30, 20, 20, 15, 15],
"backgroundColor": ["#FF6384", "#36A2EB", "#FFCE56", "#4BC0C0", "#FF99CC"],
"hoverBackgroundColor": ["#FF99CC", "#36A2EB", "#FFCE56", "#4BC0C0", "#FF99CC"]
}
]
},
"awọn aṣayan": {
"akọle": {
"ifihan": otitọ,
"text": "AIOps Platform Architecture"
},
"Àlàyé": {
"ifihan": otitọ
}
}
}
Iwoye yii ṣe afihan awọn oriṣiriṣi awọn paati ti ile-iṣẹ ipilẹ Syeed AIOps, pẹlu gbigba data, iṣọpọ data, ẹkọ ẹrọ, adaṣe, ati ibojuwo ati esi.
Ipari
AIOps jẹ imọ-ẹrọ iyipada ere ti o n yipada ọna ti awọn ẹgbẹ IT n ṣakoso ati ṣetọju awọn eto IT eka. Nipa gbigbe ikẹkọ ẹrọ ati AI, AIOps n jẹ ki iṣakoso IT ṣiṣẹ, awọn atupale asọtẹlẹ, ati adaṣe, ti o yori si imudara ilọsiwaju, igbẹkẹle imudara, ati iṣelọpọ pọ si. Nipa imuse AIOps, awọn ajo le dinku akoko idinku, mu ilọsiwaju ṣiṣe ipinnu, ati gba eti ifigagbaga ni ọja naa.
Bi imọ-ẹrọ ti n tẹsiwaju lati dagbasoke, a le nireti lati rii paapaa awọn ohun elo imotuntun diẹ sii ti AIOps ni iṣakoso IT. Pẹlu agbara rẹ lati ṣe iyipada ọna ti a ṣakoso awọn eto IT, AIOps jẹ aaye moriwu ati idagbasoke ni iyara ti o tọ lati tọju oju.