[ad_1]
فناوری کسب و کار Sercompe خدمات ابری ضروری را به تقریباً 60 مشتری شرکتی ارائه می دهد که در مجموع از حدود 50000 کاربر پشتیبانی می کند. بنابراین، بسیار مهم است که Joinville، برزیل، زیرساخت زیربنایی IT شرکت، خدمات قابل اعتماد با عملکرد قابل پیش بینی بالا ارائه دهد. اما با یک محیط پیچیده فناوری اطلاعات که شامل بیش از 2000 ماشین مجازی و 1 پتابایت – معادل یک میلیون گیگابایت – از داده های مدیریت شده است، برای مدیران شبکه سخت بود که همه داده ها و هشدارها را مرتب کنند تا بفهمند در هنگام بروز مشکلات چه اتفاقی می افتد. ناگهان ظاهر شد. و اطمینان از اینکه ظرفیت شبکه و ذخیره سازی در جایی که باید باشد یا اینکه چه زمانی باید ارتقاء بعدی را انجام دهیم دشوار بود.
برای کمک به حل پیچیدگی و افزایش کارایی مهندسین پشتیبانی خود، Sercompe روی یک پلتفرم عملیات هوش مصنوعی (AIOps) سرمایه گذاری کرد که از هوش مصنوعی برای یافتن علت اصلی مشکلات و هشدار دادن به مدیران فناوری اطلاعات قبل از تبدیل شدن مسائل کوچک به مسائل بزرگ استفاده می کند. اکنون، به گفته مدیر محصول ابری رافائل کاردوسو، سیستم AIOps بیشتر کار مدیریت زیرساخت فناوری اطلاعات خود را انجام می‌دهد – که یک موهبت بزرگ نسبت به روش‌های دستی قدیمی است.
فهمیدن اینکه چه زمانی به فضا یا ظرفیت بیشتری نیاز دارم – قبلاً یک آشفتگی بود. زمانی که برنامه‌ریزی می‌کردیم، نیاز به دریافت اطلاعات از نقاط مختلف داشتیم. کاردوسو می‌گوید: ما هرگز عدد را درست نگرفتیم. “اکنون، من دید کاملی از زیرساخت و تجسم از ماشین های مجازی تا دیسک نهایی در رک دارم.” AIOps دید را در کل محیط به ارمغان می آورد.
قبل از استقرار این فناوری، کاردوسو جایی بود که سازمان‌های بی‌شماری دیگر خود را پیدا می‌کردند: در شبکه پیچیده‌ای از سیستم‌های فناوری اطلاعات، با وابستگی متقابل بین لایه‌های سخت‌افزار، مجازی‌سازی، میان‌افزار، و در نهایت، برنامه‌های کاربردی غوغا می‌کردند. هر گونه اختلال یا خرابی می تواند منجر به عیب یابی دستی خسته کننده و در نهایت تأثیر منفی بر تجارت شود: برای مثال، وب سایتی که کار نمی کند و مشتریان را عصبانی می کند.
پلتفرم‌های AIOps به مدیران فناوری اطلاعات کمک می‌کنند تا با استفاده از هوش مصنوعی برای ارائه اطلاعات سریع در مورد نحوه عملکرد زیرساخت – مناطقی که در کنار مکان‌هایی که در معرض خطر ایجاد یک رویداد خرابی هستند، در کار خودکارسازی عملیات فناوری اطلاعات تسلط پیدا کنند. اعتبار ابداع اصطلاح AIOps در سال 2016 به گارتنر تعلق دارد: این یک دسته وسیع از ابزارهایی است که برای غلبه بر محدودیت‌های ابزارهای نظارت سنتی طراحی شده‌اند. پلتفرم‌ها از الگوریتم‌های خودآموز برای خودکارسازی وظایف معمول و درک رفتار سیستم‌هایی که نظارت می‌کنند استفاده می‌کنند. آنها بینش هایی را از داده های عملکرد برای شناسایی و نظارت بر رفتارهای نامنظم در زیرساخت ها و برنامه های IT استخراج می کنند.
شرکت تحقیقات بازار BCC Research تخمین می زند که بازار جهانی AIOps از 3 میلیارد دلار در سال 2021 به 9.4 میلیارد دلار تا سال 2026 با نرخ رشد مرکب سالانه 26 درصد برسد. که نرخ فزاینده پذیرش AIOps ناشی از تحول کسب و کار دیجیتال و نیاز به حرکت از پاسخ‌های واکنشی به مسائل زیرساختی به اقدامات پیشگیرانه است.
تحلیلگران گارتنر می نویسند: «با حجم داده هایی که در ده ها یا بیشتر دامنه های مختلف به گیگابایت در دقیقه می رسد یا از آن فراتر می رود، دیگر امکان تجزیه و تحلیل دستی داده ها برای انسان وجود ندارد. استفاده از هوش مصنوعی به روشی سیستماتیک باعث سرعت بخشیدن به بینش ها و فعال بودن می شود.
به گفته مارک اسپوزیتو، مدیر ارشد یادگیری در شرکت فناوری اتوماسیون Nexus FrontierTech، اصطلاح “AIOps” از “DevOps” – فرهنگ و روش مهندسی نرم‌افزار که هدف آن یکپارچه‌سازی توسعه و عملیات نرم‌افزار است، شکل گرفته است. اسپوزیتو می گوید: «ایده این است که از اتوماسیون و نظارت در تمام مراحل، از ساخت نرم افزار گرفته تا مدیریت زیرساخت، حمایت کنیم. نوآوری‌های اخیر در این زمینه شامل استفاده از تجزیه و تحلیل پیش‌بینی‌کننده برای پیش‌بینی و حل مشکلات قبل از تأثیرگذاری بر عملیات فناوری اطلاعات است.
AIOps به محو شدن زیرساخت ها در پس زمینه کمک می کند
Saurabh Kulkarni، رئیس مهندسی و مدیریت محصول در شرکت Hewlett Packard Enterprise می گوید که مدیران شبکه و IT که از حجم زیاد داده ها و پیچیدگی روزافزون رنج می برند، می توانند از این کمک استفاده کنند. Kulkarni روی HPE InfoSight، یک پلتفرم AIOps مبتنی بر ابر برای مدیریت فعال سیستم‌های مرکز داده کار می‌کند.
«مدیران IT تن‌ها و تن‌ها زمان را صرف برنامه‌ریزی کار خود، برنامه‌ریزی استقرار، اضافه کردن گره‌های جدید، محاسبات، ذخیره‌سازی و همه چیز می‌کنند. و وقتی مشکلی در زیرساخت پیش می‌آید، اشکال‌زدایی دستی آن مسائل بسیار دشوار است.» AIOps از الگوریتم‌های یادگیری ماشینی برای بررسی الگوها، بررسی رفتارهای مکرر و یادگیری از آنها برای ارائه یک توصیه سریع به کاربر استفاده می‌کند. فراتر از گره‌های ذخیره‌سازی، هر بخش از زیرساخت‌های فناوری اطلاعات یک هشدار جداگانه ارسال می‌کند تا مشکلات به سرعت حل شوند.
سیستم InfoSight داده‌ها را از تمام دستگاه‌های موجود در محیط مشتری جمع‌آوری می‌کند و سپس آن را با داده‌های مشتریان HPE با محیط‌های IT مشابه مرتبط می‌کند. سیستم می‌تواند یک مشکل بالقوه را مشخص کند، بنابراین به سرعت حل می‌شود – اگر مشکل دوباره ظاهر شد، می‌توان رفع آن را به‌طور خودکار اعمال کرد. کولکارنی می افزاید، در عوض، سیستم یک هشدار ارسال می کند تا تیم های فناوری اطلاعات بتوانند به سرعت مشکل را برطرف کنند. یک کنترلر ذخیره سازی را در نظر بگیرید که به دلیل نداشتن برق از کار افتاده است. پلتفرم AIOps به جای اینکه فرض کنیم مشکل منحصراً به ذخیره سازی مربوط می شود، کل پشته زیرساخت، تا لایه برنامه را بررسی می کند تا علت اصلی را شناسایی کند.
“سیستم عملکرد را نظارت می کند و می تواند ناهنجاری ها را ببیند. ما الگوریتم‌هایی داریم که دائماً در پس‌زمینه اجرا می‌شوند تا هرگونه رفتار غیرعادی را شناسایی کرده و قبل از بروز مشکل به مشتریان هشدار دهند.» فلسفه پشت InfoSight این است که با آوردن سیستم‌های IT و تمام داده‌های تله‌متری در یک شیشه، «زیرساخت‌ها را ناپدید کنیم». با نگاهی به یک مجموعه غول پیکر از داده ها، مدیران می توانند به سرعت متوجه شوند که چه مشکلی در زیرساخت وجود دارد.
کولکارنی دشواری مدیریت یک محیط بزرگ فناوری اطلاعات را از مشاغل گذشته به یاد می آورد. او می‌گوید: «من مجبور بودم مجموعه‌ای از داده‌های بزرگ را مدیریت کنم، و مجبور شدم با تعداد زیادی از فروشندگان مختلف تماس بگیرم و چندین ساعت در انتظار باشم تا سعی کنم مشکلات را کشف کنم. گاهی اوقات روزها طول می‌کشید تا بفهمیم واقعاً چه خبر است.»
با خودکارسازی جمع‌آوری داده‌ها و بهره‌برداری از انبوهی از داده‌ها برای درک علل ریشه‌ای، AIOps شرکت‌ها را قادر می‌سازد تا پرسنل اصلی، از جمله مدیران فناوری اطلاعات، مدیران ذخیره‌سازی، و مدیران شبکه را مجدداً تخصیص دهند، نقش‌ها را به عنوان ساده‌سازی زیرساخت‌ها ادغام کنند و زمان بیشتری را برای اطمینان از عملکرد برنامه صرف کنند. پیش از این، شرکت‌ها دارای نقش‌های متعدد و بخش‌های مختلف بودند که امور مختلف را مدیریت می‌کردند. بنابراین حتی برای استقرار یک فضای ذخیره‌سازی جدید، پنج ادمین مختلف هر کدام باید تکه‌های جداگانه خود را انجام می‌دادند.» اما با AIOps، هوش مصنوعی بسیاری از کارها را به طور خودکار انجام می دهد، بنابراین کارکنان فناوری اطلاعات و پشتیبانی می توانند زمان خود را به ابتکارات استراتژیک تر، افزایش کارایی و در مورد کسب و کاری که پشتیبانی فنی برای مشتریان خود ارائه می دهد، حاشیه سود را بهبود بخشند. به عنوان مثال، Cardoso از Sercompe توانسته است میانگین زمانی را که مهندسان پشتیبانی او صرف تماس‌های مشتریان می‌کنند، کاهش دهد و در عین حال کارایی را افزایش دهد.
دانلود گزارش کامل.
این محتوا توسط Insights، بازوی محتوای سفارشی MIT Technology Review تولید شده است. این توسط هیات تحریریه MIT Technology Review نوشته نشده است.
[ad_2]
