နိဒါန်း

နည်းပညာ၏ လျင်မြန်သော ဆင့်ကဲပြောင်းလဲမှုသည် ခေတ်မီ IT စနစ်များ၏ ရှုပ်ထွေးမှုများတွင် အဆမတန် ကြီးထွားလာစေသည်။ ရလဒ်အနေဖြင့် အိုင်တီအဖွဲ့များသည် အဆိုပါစနစ်များကို စီမံခန့်ခွဲထိန်းသိမ်းရာတွင် မကြုံစဖူးစိန်ခေါ်မှုများနှင့် ရင်ဆိုင်နေကြရပြီး စက်ရပ်ချိန်တိုးလာခြင်း၊ ကုန်ထုတ်စွမ်းအားကျဆင်းခြင်းနှင့် လုပ်ငန်းလည်ပတ်မှုကုန်ကျစရိတ်များ မြင့်မားလာစေသည်။ အဆိုပါစိန်ခေါ်မှုများကိုဖြေရှင်းရန်၊ အိုင်တီလုပ်ငန်းဆောင်ရွက်မှုများအတွက် Artificial Intelligence (AIOps) သည် ဂိမ်းပြောင်းလဲမှုတစ်ခုအဖြစ် ပေါ်ထွက်လာခဲ့သည်။ AIOps သည် DevOps အလုပ်အသွားအလာများကို အသွင်ပြောင်းရန် စက်သင်ယူမှုနှင့် AI ကို အသုံးချပြီး တက်ကြွသော အိုင်တီစီမံခန့်ခွဲမှု၊ ကြိုတင်ခန့်မှန်းမှုဆိုင်ရာ ခွဲခြမ်းစိတ်ဖြာမှုနှင့် အလိုအလျောက်စနစ်တို့ကို လုပ်ဆောင်ပေးသည်။

ဤဆောင်းပါးတွင်၊ AIOps ၏အနာဂတ်၊ ၎င်း၏အကျိုးခံစားခွင့်များနှင့် အကောင်အထည်ဖော်မှုဗျူဟာများကို လေ့လာပါမည်။ ကျွန်ုပ်တို့သည် အိုင်တီစီမံခန့်ခွဲမှုတွင် AIOps ၏အသုံးချမှုကို သရုပ်ပြရန် လက်တွေ့ကမ္ဘာဖြစ်ရပ်လေ့လာမှုများကို စူးစမ်းလေ့လာပြီး ရှုပ်ထွေးသောကုဒ်ပိတ်ဆို့ခြင်းကို ပံ့ပိုးပေးပါမည်။

AIOps ဆိုတာဘာလဲ။

AIOps သည် IT ဝန်ဆောင်မှုများ၏ စွမ်းဆောင်ရည်၊ ထိရောက်မှုနှင့် ယုံကြည်စိတ်ချရမှုတို့ကို မြှင့်တင်ရန် အိုင်တီလုပ်ငန်းဆောင်ရွက်မှုများ (ITOPs) နှင့် ဉာဏ်ရည်တု (AI) နှင့် စက်သင်ယူခြင်း (ML) တို့၏ စွမ်းအားကို ပေါင်းစပ်ထားသည့် ပေါ်ထွက်လာသောနယ်ပယ်တစ်ခုဖြစ်သည်။ AIOps ပလပ်ဖောင်းများသည် အဓိကပြဿနာများမဖြစ်မီ အိုင်တီပြဿနာများကို ဖော်ထုတ်ဖြေရှင်းရန် ဒေတာခွဲခြမ်းစိတ်ဖြာမှု၊ ကြိုတင်ခန့်မှန်းမှုပုံစံနှင့် အလိုအလျောက်စနစ်တို့ကို အသုံးပြုသည်။

AIOps အပါအဝင် အိုင်တီစီမံခန့်ခွဲမှုနယ်ပယ်အသီးသီးတွင် အသုံးချနိုင်သည်-

1. Predictive Analytics- AIOps ပလပ်ဖောင်းများသည် သမိုင်းအချက်အလက်များကို ခွဲခြမ်းစိတ်ဖြာပြီး ဖြစ်နိုင်ချေရှိသော အိုင်တီပြဿနာများကို ကြိုတင်ခန့်မှန်းရန်၊ တက်ကြွသောထိန်းသိမ်းမှုနှင့် အချိန်ကိုလျှော့ချရန် စက်သင်ယူမှုဆိုင်ရာ အယ်လဂိုရီသမ်များကို အသုံးပြုပါသည်။
2. Incident Management- AIOps သည် IT ဖြစ်ရပ်များကို အလိုအလျောက် ရှာဖွေပြီး ဖြေရှင်းနိုင်ပြီး (MTTD) နှင့် ဖြေရှင်းရန် (MTTR) ပျမ်းမျှအချိန်ကို လျှော့ချနိုင်သည်။
3. အလိုအလျောက်စနစ်- AIOps သည် ဖွဲ့စည်းမှုစီမံခန့်ခွဲမှု၊ ဖာထေးခြင်းစီမံခန့်ခွဲမှု၊ မိတ္တူကူးခြင်းနှင့် ပြန်လည်ရယူခြင်းကဲ့သို့သော ပုံမှန်လုပ်ငန်းဆောင်တာများကို အလိုအလျောက်လုပ်ဆောင်နိုင်သည်။

AIOps ၏အကျိုးကျေးဇူးများ

AIOps ၏ အကျိုးကျေးဇူးများမှာ များပြားပြီး သိသာထင်ရှားပါသည်။

1. ** ပိုမိုကောင်းမွန်သော စွမ်းဆောင်ရည်**- AIOps သည် ဗျူဟာမြောက် လုပ်ဆောင်ချက်များကို အာရုံစိုက်ရန် IT ဝန်ထမ်းများကို လွတ်ငြိမ်းခွင့်ပေးကာ ပုံမှန်အလုပ်များကို အလိုအလျောက်လုပ်ဆောင်ပေးပါသည်။
2. ** ပိုမိုကောင်းမွန်သော ယုံကြည်စိတ်ချရမှု**- AIOps သည် အိုင်တီပြဿနာများကို ကြိုတင်ခန့်မှန်းကာ တားဆီးပေးကာ စက်ရပ်ချိန်ကို လျှော့ချကာ စနစ်တစ်ခုလုံး၏ ယုံကြည်စိတ်ချရမှုကို ပိုမိုကောင်းမွန်စေပါသည်။
3. ** တိုးမြှင့်ကုန်ထုတ်စွမ်းအား**- AIOps သည် အိုင်တီအဖွဲ့များအား အဖြစ်အပျက်များကို လျင်မြန်စွာတုံ့ပြန်ရန်၊ ပျမ်းမျှအချိန် (MTTD) နှင့် ဖြေရှင်းရန်အချိန် (MTTR) ပျမ်းမျှအချိန်ကို လျှော့ချနိုင်စေပါသည်။
4. ပိုမိုကောင်းမွန်သော ဆုံးဖြတ်ချက်ချခြင်း- AIOps သည် အိုင်တီအဖွဲ့များအား အချိန်နှင့်တစ်ပြေးညီ ထိုးထွင်းသိမြင်မှုများနှင့် ခန့်မှန်းတွက်ချက်မှုဆိုင်ရာ ခွဲခြမ်းစိတ်ဖြာမှုများဖြင့် ဒေတာမောင်းနှင်သော ဆုံးဖြတ်ချက်ချခြင်းကို ပံ့ပိုးပေးပါသည်။

အကောင်အထည်ဖော်ရေးဗျူဟာများ

AIOps ကို အကောင်အထည်ဖော်ရာတွင် ဗျူဟာမြောက်ချဉ်းကပ်မှု လိုအပ်သည်-

1. ဒေတာစုဆောင်းခြင်း- မှတ်တမ်းများ၊ မက်ထရစ်များနှင့် ဖွဲ့စည်းမှုဖိုင်များ အပါအဝင် အရင်းအမြစ်အမျိုးမျိုးမှ အိုင်တီဒေတာကို စုဆောင်းပါ။
2. ဒေတာပေါင်းစည်းခြင်း- အမျိုးမျိုးသောရင်းမြစ်များမှ အချက်အလက်များကို ပလပ်ဖောင်းတစ်ခုထဲသို့ ပေါင်းစည်းပါ။
3. စက်သင်ယူခြင်း- ဒေတာခွဲခြမ်းစိတ်ဖြာရန်နှင့် ဖြစ်နိုင်ချေရှိသော IT ပြဿနာများကို ခန့်မှန်းရန် စက်သင်ယူမှု အယ်လဂိုရီသမ်များကို အသုံးပြုပါ။
4. အလိုအလျောက်စနစ်- လုပ်ရိုးလုပ်စဉ်အလုပ်များနှင့် အလုပ်အသွားအလာများကို အလိုအလျောက်လုပ်ပါ။
5. စောင့်ကြည့်ခြင်းနှင့် တုံ့ပြန်ချက်- AIOps စွမ်းဆောင်ရည်ကို စဉ်ဆက်မပြတ် စောင့်ကြည့်ပြီး တိကျမှုနှင့် ထိရောက်မှု တိုးတက်စေရန် တုံ့ပြန်ချက်ပေးသည်။

Real-World Case Studies

အဖွဲ့အစည်းအများအပြားသည် ၎င်းတို့၏ IT စီမံခန့်ခွဲမှုဆိုင်ရာ အလုပ်အသွားအလာများကို ပြောင်းလဲရန် AIOps ကို အောင်မြင်စွာ အကောင်အထည်ဖော်ခဲ့ကြသည်-

1. Verizon- Verizon သည် ကွန်ရက်ယုံကြည်စိတ်ချရမှုနှင့် စက်ရပ်ချိန်ကို လျှော့ချရန် AIOps ကို အကောင်အထည်ဖော်ခဲ့သည်။ ပလက်ဖောင်းသည် ကွန်ရက်ပြဿနာများကို ကြိုတင်ခန့်မှန်းရန်နှင့် ကာကွယ်ရန် စက်သင်ယူမှုကို အသုံးပြုခဲ့ပြီး စက်ရပ်ချိန် 30% ကို လျှော့ချပေးခဲ့သည်။
2. AT&T- AT&T သည် အဖြစ်အပျက်စီမံခန့်ခွဲမှုကို ပိုမိုကောင်းမွန်စေရန်နှင့် (MTTD) နှင့် ဖြေရှင်းရန် (MTTR) ပျမ်းမျှအချိန်ကို လျှော့ချရန် AIOps ကို အကောင်အထည်ဖော်ခဲ့သည်။ ပလပ်ဖောင်းသည် IT ဖြစ်ရပ်များကို ရှာဖွေပြီး ဖြေရှင်းရန် အလိုအလျောက်စနစ်အား အသုံးပြုကာ MTTD တွင် 40% လျှော့ချကာ MTTR တွင် 50% လျှော့ချပေးခဲ့သည်။
3. Microsoft- Microsoft သည် ကြိုတင်ခန့်မှန်းပိုင်းခြားစိတ်ဖြာမှုနှင့် အလိုအလျောက်လုပ်ဆောင်မှုကို ပိုမိုကောင်းမွန်စေရန်အတွက် AIOps ကို အကောင်အထည်ဖော်ခဲ့သည်။ ပလက်ဖောင်းသည် ဖြစ်နိုင်ချေရှိသော အိုင်တီပြဿနာများကို ကြိုတင်ခန့်မှန်းရန်၊ ကြိုတင်ပြုပြင်ထိန်းသိမ်းမှုနှင့် စက်ရပ်ချိန်ကို လျှော့ချနိုင်စေရန်အတွက် ပလပ်ဖောင်းကို အသုံးပြုထားသည်။

Code Block- Python ရှိ AIOps နမူနာ

ဤသည်မှာ အိုင်တီစီမံခန့်ခွဲမှုတွင် AIOps ၏အသုံးချမှုကို သရုပ်ပြသည့် Python တွင် ရှုပ်ထွေးသောကုဒ်ပိတ်ဆို့ခြင်းဖြစ်သည်- ``စပါးအုံး pd အဖြစ် ပန်ဒါများကို တင်သွင်းပါ။ sklearn.ensemble မှ RandomForestClassifier ကိုတင်သွင်းသည်။ sklearn.model_selection မှ တင်သွင်းသော train_test_split sklearn.metrics မှ accuracy_score ကို တင်သွင်းသည်။

ဒေတာကိုတင်ပါ။

data = pd.read_csv('it_data.csv')

ကြိုတင်လုပ်ဆောင်မှုဒေတာ

X = data.drop(['incident']၊ ဝင်ရိုး=1) y = အချက်အလက်['အဖြစ်အပျက်']

ဒေတာကို လေ့ကျင့်ရေးနှင့် စမ်းသပ်မှုအစုများအဖြစ် ခွဲလိုက်ပါ။

X_train၊ X_test၊ y_train၊ y_test = train_test_split(X၊ y၊ test_size=0.2၊ random_state=42)

ကြုံရာသစ်တော အမျိုးအစားခွဲ၍ လေ့ကျင့်ပါ။

rfc = RandomForestClassifier(n_estimators=100၊ ကျပန်း_state=42) rfc.fit(X_ရထား၊ y_ရထား)

ကြိုတင်ခန့်မှန်းချက်လုပ်ပါ။

y_pred = rfc.predict(X_test)

မော်ဒယ်အကဲဖြတ်ပါ။

တိကျမှု = accuracy_score(y_test၊ y_pred) print(f'တိကျမှု- {accuracy:.2f}')

ဖြစ်နိုင်ချေရှိသော IT ပြဿနာများကို ခန့်မှန်းရန် မော်ဒယ်ကို အသုံးပြုပါ။

new_data = pd.DataFrame({'cpu_usage'- [80]၊ 'memory_usage'- [90]}) ခန့်မှန်းချက် = rfc.predict(new_data) ခန့်မှန်းရရင်[0] == 1: print('ဖြစ်နိုင်ချေရှိသော အိုင်တီပြဿနာကို တွေ့ရှိထားသည်။')

ဤကုဒ်ပိတ်ဆို့ခြင်းသည် CPU နှင့် memory အသုံးပြုမှုဒေတာအပေါ် အခြေခံ၍ ဖြစ်နိုင်ချေရှိသော IT ပြဿနာများကို ခန့်မှန်းရန် ကျပန်းသစ်တောအမျိုးအစားခွဲစက်ကို အသုံးပြုပါသည်။ မော်ဒယ်ကို သမိုင်းအချက်အလက်များအပေါ် လေ့ကျင့်သင်ကြားထားပြီး ဒေတာအသစ်များအတွက် ခန့်မှန်းချက်များကို ပြုလုပ်ရန် အသုံးပြုပါသည်။

## Visualization- AIOps Platform Architecture

ဤသည်မှာ Chart.js ကိုအသုံးပြုထားသော AIOps ပလပ်ဖောင်းဗိသုကာတစ်ခု၏ ပုံရိပ်ယောင်တစ်ခုဖြစ်သည်။
``ဇယား
{
  "type": "pieChart",
  "ဒေတာ"- {
    "labels": ["ဒေတာစုဆောင်းခြင်း", "ဒေတာပေါင်းစည်းခြင်း", "စက်သင်ယူခြင်း", "အလိုအလျောက်လုပ်ခြင်း", "စောင့်ကြည့်လေ့လာခြင်းနှင့် တုံ့ပြန်ချက်"]၊
    "ဒေတာအတွဲများ": [
      {
        "label": "AIOps ပလပ်ဖောင်းဗိသုကာ",
        "ဒေတာ": [30၊ 20၊ 20၊ 15၊ 15]၊
        "နောက်ခံအရောင်"- ["#FF6384", "#36A2EB", "#FFCE56", "#4BC0C0", "#FF99CC"]၊
        "hoverBackgroundColor"- ["#FF99CC", "#36A2EB", "#FFCE56", "#4BC0C0", "#FF99CC"]
      }
    ]
  }၊
  "ရွေးချယ်စရာများ"- {
    "ခေါင်းစဉ်"- {
      "display": မှန်သည်၊
      "text": "AIOps ပလပ်ဖောင်းဗိသုကာ"
    }၊
    "ဒဏ္ဍာရီ": {
      "display": မှန်သည်။
    }
  }
}

ဤအမြင်အာရုံသည် ဒေတာစုဆောင်းမှု၊ ဒေတာပေါင်းစည်းမှု၊ စက်သင်ယူမှု၊ အလိုအလျောက်စနစ်နှင့် စောင့်ကြည့်ခြင်းနှင့် တုံ့ပြန်မှုအပါအဝင် AIOps ပလပ်ဖောင်းဗိသုကာတစ်ခု၏ မတူညီသောအစိတ်အပိုင်းများကို ပြသသည်။

နိဂုံး

AIOps သည် အိုင်တီအဖွဲ့များသည် ရှုပ်ထွေးသော အိုင်တီစနစ်များကို စီမံခန့်ခွဲခြင်းနှင့် ထိန်းသိမ်းပုံတို့ကို ပြောင်းလဲပေးသည့် ဂိမ်းပြောင်းလဲမှုနည်းပညာတစ်ခုဖြစ်သည်။ စက်သင်ယူမှုနှင့် AI ကို အသုံးချခြင်းဖြင့် AIOps သည် တက်ကြွသော အိုင်တီစီမံခန့်ခွဲမှု၊ ကြိုတင်ခန့်မှန်းမှုဆိုင်ရာ ခွဲခြမ်းစိတ်ဖြာမှုနှင့် အလိုအလျောက်လုပ်ဆောင်မှုကို မြှင့်တင်ပေးကာ စွမ်းဆောင်ရည် မြှင့်တင်ပေးခြင်း၊ ယုံကြည်စိတ်ချရမှု မြှင့်တင်ပေးခြင်းနှင့် ကုန်ထုတ်စွမ်းအားကို တိုးမြှင့်စေသည်။ AIOps ကို အကောင်အထည်ဖော်ခြင်းဖြင့်၊ အဖွဲ့အစည်းများသည် စက်ရပ်ချိန်ကို လျှော့ချနိုင်ပြီး ဆုံးဖြတ်ချက်ချခြင်းကို ပိုမိုကောင်းမွန်စေကာ စျေးကွက်တွင် ယှဉ်ပြိုင်နိုင်စွမ်းကို ရရှိနိုင်သည်။

နည်းပညာများ တိုးတက်ပြောင်းလဲလာသည်နှင့်အမျှ၊ အိုင်တီစီမံခန့်ခွဲမှုတွင် AIOps ၏ ဆန်းသစ်သောအသုံးချပလီကေးရှင်းများကိုပင် မြင်တွေ့နိုင်မည်ဖြစ်သည်။ ကျွန်ုပ်တို့သည် အိုင်တီစနစ်များကို စီမံခန့်ခွဲသည့်နည်းလမ်းကို တော်လှန်ရန် အလားအလာရှိသောကြောင့် AIOps သည် စောင့်ကြည့်ရကျိုးနပ်မည့် စိတ်လှုပ်ရှားဖွယ်နှင့် လျင်မြန်စွာ ကြီးထွားလာနေသော နယ်ပယ်တစ်ခုဖြစ်သည်။