[ad_1]
Sercompe Business Technology خدمات اساسی ابری را به تقریباً 60 مشتری سازمانی ارائه می دهد که در مجموع از حدود 50000 کاربر پشتیبانی می کند. به همین دلیل است که برای Joinville، برزیل، شرکت زیربنایی زیرساخت فناوری اطلاعات، ارائه خدمات قابل اعتماد با عملکرد بالا قابل پیش بینی بسیار مهم است. با این حال، با یک محیط پیچیده فناوری اطلاعات با بیش از 2000 ماشین مجازی و 1 پتابایت (معادل یک میلیون گیگابایت) داده مدیریت شده، برای مدیران شبکه بسیار دشوار بود که همه داده‌ها و هشدارها را مرتب کنند تا بفهمند چه اتفاقی در حال وقوع است. چالش ها و مسائل. بریده شده همچنین اطمینان از اینکه ظرفیت شبکه و ذخیره سازی در جایی است که باید باشد یا زمانی که قرار است به روز رسانی بعدی باشد، دشوار بود.
برای حل پیچیدگی و افزایش بهره‌وری مهندسین پشتیبانی، Sercompe روی یک پلتفرم عملیات هوش مصنوعی (AIOps) سرمایه‌گذاری کرده است که از هوش مصنوعی برای رسیدن به ریشه‌ای مشکلات استفاده می‌کند و قبل از اینکه مشکلات کوچک به مشکلات بزرگ تبدیل شوند، به مدیران فناوری اطلاعات هشدار می‌دهد. اکنون، طبق گفته رافائل کاردوسو، مدیر محصول ابری، سیستم AIOps بیشتر کار مدیریت زیرساخت فناوری اطلاعات را انجام می‌دهد – که یک امتیاز بزرگ نسبت به روش‌های دستی قدیمی است.
کاردوسو می‌گوید: “درک اینکه چه زمانی به فضا یا ظرفیت بیشتری نیاز داشتم – قبلاً یک آشفتگی بود. هنگام برنامه ریزی نیاز به دریافت اطلاعات از نقاط مختلف داشتیم. ما هرگز عدد درستی دریافت نکردیم.” من این دیدگاه را دارم. کل محیط
قبل از پیاده‌سازی این فناوری، کاردوسو جایی بود که سازمان‌های بی‌شماری دیگر خود را پیدا کردند: در شبکه‌ای پیچیده از سیستم‌های فناوری اطلاعات با وابستگی متقابل بین سخت‌افزار، مجازی‌سازی، میان‌افزار و در نهایت لایه‌های برنامه مورد ضرب و شتم قرار گرفتند. هرگونه خرابی یا خرابی می تواند منجر به عیب یابی دستی خسته کننده و در نهایت تأثیر منفی بر کسب و کار شود: برای مثال، وب سایتی که کار نمی کند و مشتریان را عصبانی می کند.
پلتفرم‌های AIOps به مدیران فناوری اطلاعات کمک می‌کنند تا بر وظیفه خودکارسازی عملیات فناوری اطلاعات با استفاده از هوش مصنوعی تسلط پیدا کنند تا بینش سریعی در مورد نحوه عملکرد زیرساخت ارائه دهند – مناطق پرهیاهو با مکان‌هایی که در معرض خطر وقوع یک رویداد خاموشی هستند. اعتبار استفاده از اصطلاح AIOps در سال 2016 متعلق به گارتنر است: این یک دسته وسیع از ابزارهایی است که برای غلبه بر محدودیت‌های ابزارهای نظارت سنتی طراحی شده‌اند. پلتفرم‌ها از الگوریتم‌های خودآموز برای خودکارسازی کارهای روتین 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 فناوری اطلاعات به دست می آورند.
شرکت تحقیقات بازار BCC Research پیش‌بینی می‌کند 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 رشد خواهد کرد. راهنمای بازار برای افزایش نرخ پذیرش AIOps ناشی از تحول کسب و کار دیجیتال و نیاز به حرکت از پاسخ‌های واکنشی به اقدامات پیشگیرانه در مورد مسائل زیرساختی است.
تحلیلگران گارتنر می نویسند: «با حجم داده هایی که در ده ها یا بیشتر حوزه های مختلف به گیگابایت در دقیقه یا بیشتر از آن می رسد، دیگر امکان تجزیه و تحلیل داده ها به صورت دستی برای انسان وجود ندارد. استفاده از هوش مصنوعی به طور سیستماتیک بینش ها را تسریع می کند و فعالیت های پیشگیرانه را امکان پذیر می کند.
به گفته مارک اسپوزیتو، رئیس آموزش در شرکت فناوری اتوماسیون Nexus FrontierTech، اصطلاح “AIOps” از “DevOps”، یک فرهنگ و عمل مهندسی نرم افزار با هدف یکپارچه سازی توسعه و عملیات نرم افزار گرفته شده 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 مسائل 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 Hewlett Packard Enterprise، می‌گوید این کمک می‌تواند توسط مدیران شبکه و فناوری اطلاعات که از افزایش حجم داده‌ها و افزایش پیچیدگی ناامید هستند، استفاده شود. Kulkarni در حال کار بر روی HPE InfoSight، یک پلتفرم AIOps مبتنی بر ابر برای مدیریت فعال سیستم‌های مرکز داده است.
مدیران فناوری اطلاعات می‌توانند زمان‌بندی کار، زمان‌بندی استقرار، افزودن گره‌های جدید، محاسبات، ذخیره‌سازی و غیره را انجام دهند. و هنگامی که مشکلی در زیرساخت پیش می‌آید، اشکال‌زدایی دستی آن مسائل بسیار دشوار است.» کولکارنی می‌گوید. AIOps از الگوریتم‌های یادگیری ماشینی برای جستجوی الگوها، بررسی رفتارهای مکرر و یادگیری از آنها برای ارائه یک توصیه سریع به کاربر استفاده می‌کند. فراتر از گره های ذخیره سازی، هر قسمت از زیرساخت فناوری اطلاعات یک هشدار جداگانه ارسال می کند تا مشکلات به سرعت حل شوند.
سیستم InfoSight داده ها را از تمام دستگاه های موجود در محیط مشتری جمع آوری می کند و سپس آن را با داده های مشتریان HPE با محیط های IT مشابه مرتبط می کند. سیستم می تواند یک مشکل بالقوه را شناسایی کند تا بتوان آن را به سرعت برطرف کرد – در صورت تکرار مشکل، رفع مشکل می تواند به طور خودکار اعمال شود. کولکارنی می افزاید، در عوض، سیستم یک هشدار ارسال می کند تا تیم های فناوری اطلاعات بتوانند به سرعت مشکل را حل کنند. یک کنترل کننده ذخیره سازی را در نظر بگیرید که به دلیل نداشتن برق از کار می افتد. پلتفرم AIOps به جای اینکه فرض کنیم مشکل فقط مربوط به ذخیره سازی است، کل پشته زیرساخت را تا لایه برنامه بررسی می کند تا علت اصلی را مشخص کند.
“سیستم عملکرد را نظارت می کند و می تواند ناهنجاری ها را ببیند. ما الگوریتم‌هایی داریم که دائماً در پس‌زمینه اجرا می‌شوند تا رفتار غیرعادی را شناسایی کرده و قبل از بروز مشکلات به مشتریان هشدار دهیم.» فلسفه پشت InfoSight “حذف زیرساخت” با ادغام سیستم های IT و تمام داده های تله متری در یک پانل واحد است. با مشاهده یک مجموعه داده عظیم، مدیران می توانند به سرعت متوجه شوند که چه مشکلی در زیرساخت رخ داده است.
کولکارنی چالش مدیریت یک محیط بزرگ فناوری اطلاعات را از مشاغل گذشته به یاد می آورد. او می‌گوید: «من مجبور بودم مجموعه داده‌ای بزرگ را مدیریت کنم و ساعت‌ها با فروشنده‌های مختلف تماس بگیرم و مشکلات را حل کنم. گاهی اوقات روزها طول می‌کشید تا بفهمیم واقعاً چه خبر است.»
با خودکارسازی جمع‌آوری داده‌ها و بهره‌برداری از مقادیر زیادی از داده‌ها برای درک علل ریشه‌ای، AIOps به شرکت‌ها اجازه می‌دهد تا پرسنل کلیدی از جمله مدیران فناوری اطلاعات، مدیران ذخیره‌سازی و مدیران شبکه را مجدداً تخصیص دهند، نقش‌ها را به عنوان زیرساخت ساده‌سازی کنند و زمان بیشتری را برای اطمینان از عملکرد برنامه صرف کنند. «پیش از این، شرکت‌ها نقش‌های متعدد و بخش‌های مختلفی داشتند که امور مختلف را مدیریت می‌کردند. بنابراین حتی برای استقرار یک فضای ذخیره سازی جدید، هر یک از پنج مدیر مختلف باید کار خود را انجام می دادند. اما با AIOps، هوش مصنوعی بیشتر کارها را به صورت خودکار انجام می‌دهد، بنابراین کارکنان فناوری اطلاعات و پشتیبانی می‌توانند زمان خود را به ابتکارات استراتژیک‌تر، افزایش کارایی و بهبود حاشیه سود اختصاص دهند. به عنوان مثال، Cardoso Sercompe میانگین زمانی را که مهندسان پشتیبانی برای تماس‌های مشتریان صرف می‌کنند کاهش داده است، که نشان‌دهنده تجربه بهتر مشتری و افزایش بهره‌وری است.
دانلود گزارش کامل.
این محتوا توسط Insights، بازوی محتوای انحصاری MIT Technology Review تولید شده است. این توسط تحریریه MIT Technology Review نوشته نشده است.
[ad_2]
