AIOps இன் எதிர்காலம்: செயல்திறன்மிக்க தகவல் தொழில்நுட்ப மேலாண்மைக்கான AI ஐ ஒருங்கிணைத்தல்

அறிமுகம்

தொழில்நுட்பத்தின் விரைவான பரிணாமம் நவீன தகவல் தொழில்நுட்ப அமைப்புகளின் சிக்கலான ஒரு அதிவேக வளர்ச்சிக்கு வழிவகுத்தது. இதன் விளைவாக, IT குழுக்கள் இந்த அமைப்புகளை நிர்வகித்தல் மற்றும் பராமரிப்பதில் முன்னோடியில்லாத சவால்களை எதிர்கொள்கின்றன, இது வேலையில்லா நேரம் அதிகரிப்பதற்கும், உற்பத்தித்திறன் குறைவதற்கும் மற்றும் அதிக செயல்பாட்டு செலவுகளுக்கும் வழிவகுக்கிறது. இந்த சவால்களை எதிர்கொள்ள, IT செயல்பாடுகளுக்கான செயற்கை நுண்ணறிவு (AIOps) என்ற கருத்து ஒரு கேம்-சேஞ்சராக வெளிப்பட்டுள்ளது. AIOps, DevOps பணிப்பாய்வுகளை மாற்றுவதற்கு இயந்திரக் கற்றல் மற்றும் AIஐப் பயன்படுத்துகிறது, செயலில் உள்ள தகவல் தொழில்நுட்ப மேலாண்மை, முன்கணிப்பு பகுப்பாய்வு மற்றும் ஆட்டோமேஷன் ஆகியவற்றை செயல்படுத்துகிறது.

இந்தக் கட்டுரையில், AIOps இன் எதிர்காலம், அதன் நன்மைகள் மற்றும் செயல்படுத்தும் உத்திகள் பற்றி ஆராய்வோம். நாங்கள் நிஜ-உலக வழக்கு ஆய்வுகளை ஆராய்வோம் மற்றும் IT நிர்வாகத்தில் AIOps பயன்பாட்டை நிரூபிக்க ஒரு சிக்கலான குறியீடு தொகுதியை வழங்குவோம்.

AIOps என்றால் என்ன?

AIOps என்பது IT சேவைகளின் செயல்திறன், செயல்திறன் மற்றும் நம்பகத்தன்மையை மேம்படுத்த, IT செயல்பாடுகளுடன் (ITOPs) செயற்கை நுண்ணறிவு (AI) மற்றும் இயந்திர கற்றல் (ML) ஆகியவற்றின் சக்தியை ஒருங்கிணைக்கும் ஒரு வளர்ந்து வரும் துறையாகும். AIOps இயங்குதளங்கள் தரவு பகுப்பாய்வு, முன்கணிப்பு மாடலிங் மற்றும் ஆட்டோமேஷன் ஆகியவற்றைப் பயன்படுத்தி IT சிக்கல்கள் பெரிய சிக்கல்களாக மாறுவதற்கு முன்பு அவற்றைக் கண்டறிந்து தீர்க்கின்றன.

ஐடி நிர்வாகத்தின் பல்வேறு பகுதிகளுக்கு AIOps பயன்படுத்தப்படலாம், அவற்றுள்:

1. முன்கணிப்பு பகுப்பாய்வு: AIOps இயங்குதளங்கள் வரலாற்றுத் தரவை பகுப்பாய்வு செய்வதற்கும், சாத்தியமான IT சிக்கல்களைக் கணிக்கவும் இயந்திர கற்றல் அல்காரிதம்களைப் பயன்படுத்துகின்றன.
2. சம்பவ மேலாண்மை: ஏஐஓப்கள் தானாகவே ஐடி சம்பவங்களைக் கண்டறிந்து தீர்க்கலாம், கண்டறிவதற்கான சராசரி நேரத்தையும் (எம்டிடிடி) மற்றும் தீர்வுக்கான சராசரி நேரத்தையும் (எம்டிடிஆர்) குறைக்கிறது.
3. ஆட்டோமேஷன்: உள்ளமைவு மேலாண்மை, பேட்ச் மேனேஜ்மென்ட் மற்றும் காப்புப்பிரதி மற்றும் மீட்பு போன்ற வழக்கமான பணிகளை AIOps தானியங்குபடுத்த முடியும்.

AIOps இன் நன்மைகள்

AIOps இன் நன்மைகள் பல மற்றும் குறிப்பிடத்தக்கவை:

1. மேம்படுத்தப்பட்ட செயல்திறன்: AIOps வழக்கமான பணிகளை தானியங்குபடுத்துகிறது, மூலோபாய முயற்சிகளில் கவனம் செலுத்த IT ஊழியர்களை விடுவிக்கிறது.
2. மேம்படுத்தப்பட்ட நம்பகத்தன்மை: AIOps ஐடி சிக்கல்களை முன்னறிவிக்கிறது மற்றும் தடுக்கிறது, வேலையில்லா நேரத்தை குறைக்கிறது மற்றும் ஒட்டுமொத்த கணினி நம்பகத்தன்மையை மேம்படுத்துகிறது.
3. அதிகரித்த உற்பத்தித்திறன்: AIOps ஆனது IT குழுக்களுக்கு சம்பவங்களுக்கு விரைவாக பதிலளிக்க உதவுகிறது, கண்டறியும் சராசரி நேரத்தையும் (MTTD) மற்றும் தீர்வுக்கான சராசரி நேரத்தையும் (MTTR) குறைக்கிறது.
4. சிறந்த முடிவெடுத்தல்: AIOps IT குழுக்களுக்கு நிகழ்நேர நுண்ணறிவு மற்றும் முன்கணிப்பு பகுப்பாய்வுகளை வழங்குகிறது, இது தரவு சார்ந்த முடிவெடுப்பதை செயல்படுத்துகிறது.

செயல்படுத்தல் உத்திகள்

AIOps ஐ செயல்படுத்துவதற்கு ஒரு மூலோபாய அணுகுமுறை தேவை:

1. தரவு சேகரிப்பு: பதிவுகள், அளவீடுகள் மற்றும் உள்ளமைவு கோப்புகள் உட்பட பல்வேறு ஆதாரங்களில் இருந்து IT தரவை சேகரிக்கவும்.
2. தரவு ஒருங்கிணைப்பு: பல்வேறு மூலங்களிலிருந்து தரவை ஒரே தளத்தில் ஒருங்கிணைக்கவும்.
3. மெஷின் லேர்னிங்: தரவை பகுப்பாய்வு செய்ய மற்றும் சாத்தியமான தகவல் தொழில்நுட்ப சிக்கல்களைக் கணிக்க இயந்திர கற்றல் அல்காரிதம்களைப் பயன்படுத்தவும்.
4. ஆட்டோமேஷன்: வழக்கமான பணிகள் மற்றும் பணிப்பாய்வுகளை தானியங்குபடுத்துங்கள்.
5. கண்காணிப்பு மற்றும் கருத்து: AIOps செயல்திறனை தொடர்ந்து கண்காணித்து, துல்லியம் மற்றும் செயல்திறனை மேம்படுத்த கருத்துக்களை வழங்கவும்.

நிஜ உலக வழக்கு ஆய்வுகள்

பல நிறுவனங்கள் தங்கள் IT மேலாண்மை பணிப்பாய்வுகளை மாற்றுவதற்கு AIOps ஐ வெற்றிகரமாக செயல்படுத்தியுள்ளன:

1. Verizon: வெரிசோன் நெட்வொர்க் நம்பகத்தன்மையை மேம்படுத்தவும் வேலையில்லா நேரத்தை குறைக்கவும் AIOps ஐ செயல்படுத்தியது. நெட்வொர்க் சிக்கல்களைக் கணிக்கவும் தடுக்கவும் இயங்குதளம் இயந்திரக் கற்றலைப் பயன்படுத்தியது, இதன் விளைவாக வேலையில்லா நேரம் 30% குறைக்கப்பட்டது.
2. AT&T: AT&T ஆனது சம்பவ நிர்வாகத்தை மேம்படுத்தவும், கண்டறிவதற்கான சராசரி நேரத்தைக் குறைக்கவும் (MTTD) மற்றும் தீர்வுக்கான சராசரி நேரத்தை (MTTR) குறைக்க AIOps ஐ செயல்படுத்தியது. IT சம்பவங்களைக் கண்டறிந்து தீர்க்க இயங்குதளம் ஆட்டோமேஷனைப் பயன்படுத்தியது, இதன் விளைவாக MTTD இல் 40% குறைப்பு மற்றும் MTTR இல் 50% குறைப்பு.
3. மைக்ரோசாப்ட்: முன்கணிப்பு பகுப்பாய்வு மற்றும் ஆட்டோமேஷனை மேம்படுத்த மைக்ரோசாப்ட் AIOps ஐ செயல்படுத்தியது. சாத்தியமான தகவல் தொழில்நுட்பச் சிக்கல்களைக் கணிக்க, செயலூக்கமான பராமரிப்பைச் செயல்படுத்தவும், வேலையில்லா நேரத்தைக் குறைக்கவும் இயந்திரக் கற்றலை இயங்குதளம் பயன்படுத்தியது.

குறியீடு தொகுதி: பைத்தானில் AIOps எடுத்துக்காட்டு

ஐடி நிர்வாகத்தில் AIOps பயன்பாட்டை நிரூபிக்கும் பைத்தானில் உள்ள சிக்கலான குறியீடு தொகுதி இங்கே உள்ளது:

pd ஆக பாண்டாக்களை இறக்குமதி செய்
sklearn.ensemble இறக்குமதி RandomForestClassifier இலிருந்து
sklearn.model_selection இறக்குமதி train_test_split இலிருந்து
sklearn.metrics இறக்குமதி accuracy_score இலிருந்து

# தரவை ஏற்றவும்
தரவு = pd.read_csv('it_data.csv')

# முன் செயலாக்க தரவு
X = data.drop(['incident'], axis=1)
y = தரவு['சம்பவம்']

# தரவைப் பயிற்சி மற்றும் சோதனைத் தொகுப்புகளாகப் பிரிக்கவும்
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# ரயில் சீரற்ற காடு வகைப்படுத்தி
rfc = RandomForest Classifier(n_estimators=100, random_state=42)
rfc.fit(X_train, y_train)

# கணிப்புகளைச் செய்யுங்கள்
y_pred = rfc.predict(X_test)

# மாதிரியை மதிப்பிடுங்கள்
துல்லியம் = accuracy_score(y_test, y_pred)
அச்சு(f'துல்லியம்: {துல்லியம்:.2f}')

# சாத்தியமான IT சிக்கல்களைக் கணிக்க மாதிரியைப் பயன்படுத்தவும்
new_data = pd.DataFrame({'cpu_usage': [80], 'memory_usage': [90]})
கணிப்பு = rfc.predict(new_data)
கணிப்பு என்றால்[0] == 1:
    அச்சு ('சாத்தியமான தகவல் தொழில்நுட்ப சிக்கல் கண்டறியப்பட்டது!')

CPU மற்றும் நினைவக பயன்பாட்டுத் தரவின் அடிப்படையில் சாத்தியமான IT சிக்கல்களைக் கணிக்க, இந்த குறியீடு தொகுதி சீரற்ற வன வகைப்படுத்தியைப் பயன்படுத்துகிறது. மாதிரியானது வரலாற்றுத் தரவுகளில் பயிற்சியளிக்கப்பட்டு புதிய தரவுகளில் கணிப்புகளைச் செய்யப் பயன்படுகிறது.

காட்சிப்படுத்தல்: AIOps பிளாட்ஃபார்ம் கட்டிடக்கலை

Chart.js ஐப் பயன்படுத்தி AIOps இயங்குதளக் கட்டமைப்பின் காட்சிப்படுத்தல் இங்கே:

{
  "வகை": "பைசார்ட்",
  "தரவு": {
    "லேபிள்கள்": ["தரவு சேகரிப்பு", "தரவு ஒருங்கிணைப்பு", "இயந்திர கற்றல்", "ஆட்டோமேஷன்", "கண்காணிப்பு மற்றும் கருத்து"],
    "தரவுத்தொகுப்புகள்": [
      {
        "label": "AIOps பிளாட்ஃபார்ம் ஆர்கிடெக்சர்",
        "தரவு": [30, 20, 20, 15, 15],
        "backgroundColor": ["#FF6384", "#36A2EB", "#FFCE56", "#4BC0C0", "#FF99CC"],
        "hoverBackgroundColor": ["#FF99CC", "#36A2EB", "#FFCE56", "#4BC0C0", "#FF99CC"]
      }
    ]
  },
  "விருப்பங்கள்": {
    "தலைப்பு": {
      "காட்சி": உண்மை,
      "உரை": "AIOps பிளாட்ஃபார்ம் கட்டிடக்கலை"
    },
    "புராணக்கதை": {
      "காட்சி": உண்மை
    }
  }
}

இந்த காட்சிப்படுத்தல், தரவு சேகரிப்பு, தரவு ஒருங்கிணைப்பு, இயந்திர கற்றல், ஆட்டோமேஷன் மற்றும் கண்காணிப்பு மற்றும் கருத்து உள்ளிட்ட AIOps இயங்குதள கட்டமைப்பின் பல்வேறு கூறுகளைக் காட்டுகிறது.

முடிவு

AIOps என்பது விளையாட்டை மாற்றும் தொழில்நுட்பமாகும், இது IT குழுக்கள் சிக்கலான IT அமைப்புகளை நிர்வகிக்கும் மற்றும் பராமரிக்கும் முறையை மாற்றுகிறது. இயந்திர கற்றல் மற்றும் AI ஐ மேம்படுத்துவதன் மூலம், AIOps செயல்திறன் மிக்க தகவல் தொழில்நுட்ப மேலாண்மை, முன்கணிப்பு பகுப்பாய்வு மற்றும் ஆட்டோமேஷன் ஆகியவற்றை செயல்படுத்துகிறது, இது மேம்பட்ட செயல்திறன், மேம்பட்ட நம்பகத்தன்மை மற்றும் அதிகரித்த உற்பத்தித்திறனுக்கு வழிவகுக்கிறது. AIOps ஐ செயல்படுத்துவதன் மூலம், நிறுவனங்கள் வேலையில்லா நேரத்தை குறைக்கலாம், முடிவெடுப்பதை மேம்படுத்தலாம் மற்றும் சந்தையில் போட்டித்தன்மையை பெறலாம்.

தொழில்நுட்பம் தொடர்ந்து வளர்ச்சியடைந்து வருவதால், IT நிர்வாகத்தில் AIOps இன் இன்னும் புதுமையான பயன்பாடுகளை நாம் எதிர்பார்க்கலாம். தகவல் தொழில்நுட்ப அமைப்புகளை நாங்கள் நிர்வகிக்கும் விதத்தில் புரட்சியை ஏற்படுத்தும் அதன் ஆற்றலுடன், AIOps ஒரு அற்புதமான மற்றும் வேகமாக வளர்ந்து வரும் துறையாகும், இது ஒரு கண் வைத்திருக்க வேண்டும்.