Drei Elemente für den erfolgreichen Aufbau und Einsatz von AIOps

​Heutzutage, da sich Big-Data-Anwendungen in allen Geschäftsbereichen immer weiter ausbreiten, stehen IT-Teams vor der gewaltigen Aufgabe, das schiere Volumen und die Komplexität der Abläufe zu bewältigen. Infolgedessen wächst die Nachfrage der Unternehmen nach AIOps.

AIOps (Artificial Intelligence IT Operations) nutzt Big Data und maschinelles Lernen (ML), um IT-Probleme in einem Ausmaß und einer Geschwindigkeit vorherzusagen, zu identifizieren, zu diagnostizieren und zu lösen, die Menschen nicht erreichen können.

Ein aktueller Bericht des Private-Equity- und Risikokapitalunternehmens Insight Partners schätzt, dass die Marktgröße der AIOps-Plattform von 2021 bis 2028 mit einer durchschnittlichen jährlichen Wachstumsrate von 32,2 % zunehmen wird, von etwa 2,83 Milliarden US-Dollar im Jahr 2021 auf 199,3 Milliarden US-Dollar im Jahr 2028 Milliarde. Allerdings entstehen effektive AIOps-Lösungen nicht über Nacht.

Eine vollständige AIOps-Lösung entsteht aus einer Lösung, die über einen langen Zeitraum hinweg verfeinert wurde und drei Grundzutaten enthält: Daten, Analyse und Fachwissen in verschiedenen Bereichen.

Daten

Ohne Daten gibt es kein erfolgreiches AIOps. Dieser Teil ist entscheidend. Obwohl Daten in Hülle und Fülle vorhanden sind, besteht die Herausforderung darin, sie in eine nutzbare und zuverlässige Form zu bringen. AIOps stützt sich auf Hunderte oder sogar Tausende von Datenpunkten aus unterschiedlichen Quellen wie Netzwerkleistung, Geschäftssystemen und Kundensupport, die alle sekundengenau und in vielen Fällen im Sekundentakt generiert werden. Der Umgang mit großen Datenmengen kann über Erfolg oder Misserfolg einer AIOps-Lösung entscheiden. Separate Pipelines für die Datenverwaltung auf dem Gerät und außerhalb des Geräts liefern die besten Ergebnisse in Bezug auf Geschwindigkeit, Kosteneffizienz und maximale Effizienz.

Das traditionelle einzelne interne Datenverarbeitungsmodell ist nicht mehr in der Lage, sich an die Komplexität und Menge der heutigen Datensätze anzupassen. Erwägen Sie stattdessen den Aufbau oder die Umstrukturierung Ihres Datenverarbeitungstrichters in zwei Teile: eine schlanke, schnelle Verarbeitungspipeline, die zeitkritische Analysen über einen Echtzeit-Datenbus vor Ort abwickelt, und eine robustere Pipeline, die Analysen vor Ort abwickelt Cloud die restlichen Daten. Reduzieren Sie die Datenproduktion vor Ort auf ein Minimum und nutzen Sie die Cloud (ausgestattet mit Elastic Computing und ausgefeilteren Speicherfunktionen) für die Verarbeitung der verbleibenden Daten, um eine schnellere und kostengünstigere Datensynthese zu ermöglichen.

Ein getrenntes Pipeline-Modell, das sowohl interne als auch externe Daten verwaltet, kann die Fähigkeit eines Unternehmens verbessern, Millionen von Datenpunkten pro Stunde zu verarbeiten. Algorithmen für maschinelles Lernen (ML) können dabei helfen, eingehende Daten aus jeder Pipeline zu priorisieren und unstrukturierte Rohdaten in nutzbare Kennzahlen umzuwandeln, die für Kundenservice- oder IT-Betriebsteams von entscheidender Bedeutung sind. Die durch das zweigleisige System gewonnene Effizienz und Geschwindigkeit ermöglicht es Unternehmen außerdem, erweiterte Überwachungsfunktionen bereitzustellen, um Echtzeittransparenz und langfristige Trendinformationen zur Netzwerkleistung zu erhalten.

Analyse

Der zweite Schlüsselfaktor für den AIOps-Erfolg ist die Analyse. Die Analyse in AIOps ist in zwei Phasen unterteilt, darunter eine explorative Analyse (Aussortierung von Trends oder Anomalien aus Rohdaten, die eine zusätzliche Prüfung erfordern) und eine erweiterte statistische Analyse (übersetzt in umsetzbare Erkenntnisse). Während explorative Forschung eine wesentliche Rolle spielt, sind Ingenieurteams häufig bestrebt, mit der fortgeschrittenen statistischen Analyse fortzufahren, während die Daten durch die Pipeline fließen. Das Umgehen dieser Anfangsphase kann zu einer Datenverzerrung führen – eine Verzerrung des AIOps-Prozesses und eine falsche Identifizierung von Problemen, was den KI/ML-Algorithmus unbrauchbar macht und zu unerwünschten betrieblichen Konsequenzen führt.

Explorative Analysen verlassen sich auf ML und Datenwissenschaftler, um die spezifischen Kennzahlen zu identifizieren und zu bestimmen, die wichtig sind. Auf dem Weg dahin könnten sich IT-Teams zu ML hingezogen fühlen – einer spannenden und effizienten Technologie. Aber reines ML ist nicht immer die effektivste Analysemethode. ML versucht, ein bestimmtes Problem basierend auf einem bestimmten Satz von Parametern zu lösen. Ingenieure schreiben ML-Algorithmen auf der Grundlage der Metriken, die ihrer Meinung nach erforderlich sind, um zu den Schlussfolgerungen A, B oder C zu gelangen – und schließen so andere mögliche Lösungen oder Statistiken aus.

Im Gegensatz dazu untersuchen Statistiker und Datenwissenschaftler Rohdaten nicht mit Blick auf konkrete Ergebnisse, sondern vielmehr mit der Untersuchung der Daten auf Muster oder Anomalien. Die manuelle Datenüberprüfung ist mühsam, aber Experten können sofort IT-Lösungen identifizieren, ohne dass eine erweiterte statistische Analyse erforderlich ist.

Wenn das Team sicher ist, dass die während der Explorationsphase identifizierten Trends oder Anomalien richtig sind, kann es mit der erweiterten statistischen Analyse und dem Training von KI/ML-Algorithmen fortfahren. Sogar KI/ML erfordert Versuch-und-Irrtum-Tests und liefert keine sofortigen Ergebnisse. Hinter jeder AIOps-Lösung steht ein Team von Fachexperten, die KI/ML-Modelle umfassend optimieren und testen, um den Erfolg von AIOps sicherzustellen.

Verschiedene Fachgebiete

Das dritte Element für eine erfolgreiche AIOps-Implementierung ist Domänenkompetenz. Bei der Erstellung von AIOps gibt es nicht viel Erfahrung, auf die man zurückgreifen kann. Der erfolgreiche Einsatz von KI in jedem Unternehmen erfordert die Einbindung von Experten aus verschiedenen Bereichen. Im Bereich Netzwerkbetrieb verstehen Netzwerkingenieure beispielsweise die Nuancen von ML-Systemen und die notwendigen KI-Algorithmen, um spezifische Probleme genau zu lösen. Gleichzeitig bringen nicht-technische Experten branchenspezifisches Wissen wie die Herkunft und Verfügbarkeit von Datensätzen, Geschäftsstrategien und Abläufe mit. Eine große Anzahl von Fachexperten sorgt dafür, dass KI/ML-Algorithmen reale Abläufe widerspiegeln, eine kritische Überprüfung der Ergebnisse ermöglichen und als wichtiges Werkzeug zur Überprüfung auf fehlerhafte Methoden oder unbeabsichtigte Folgen dienen. Beispielsweise kann ein Kommunikationssystem, das einer geplanten Wartung unterzogen wird, ein Verhalten aufweisen, das typischerweise auf einen Problemzustand hinweist (z. B. extrem geringer Netzwerkverkehr). Durch das Hinzufügen einer Geschäftslogikschicht zu den Modellvorhersagen, die mit dem Wartungsticketsystem kommuniziert, können diese Fehlalarme vermieden werden.

Domänenexperten spielen eine wichtige Rolle bei der Aufklärung eines Publikums von Führungskräften, die nach AIOps-Lösungen hungern. ML tendiert dazu, in einer Blackbox zu agieren, sodass Teams nicht in der Lage sind, klar darzustellen, wie das Modell eine bestimmte Entscheidung getroffen hat. Dies kann bei Führungskräften zu Skepsis und Zurückhaltung gegenüber KI-gestützten Erkenntnissen und Maßnahmen führen. Andererseits kann erklärbare künstliche Intelligenz bei Unternehmensführern, die mit AIOps nicht vertraut sind, stärkere Anerkennung und Vertrauen gewinnen.

AIOps erfordert drei Hauptzutaten, aber wie bei jedem Rezept entscheidet die Qualität dieser Zutaten und darüber, in welche Hände sie gegeben werden, über das Endergebnis. Versuch und Irrtum sind Teil des Innovationsprozesses, insbesondere in der komplexen Kunst des ML-Trainings. Die Sicherstellung, dass Daten korrekt verarbeitet werden, die Verwendung der richtigen Analysetypen und die Einbeziehung von Fachexperten werden Unternehmen dabei helfen, erfolgreiche, skalierbare AIOps-Lösungen bereitzustellen, die den wachsenden Anforderungen an die betriebliche Effizienz gerecht werden.

Das obige ist der detaillierte Inhalt vonDrei Elemente für den erfolgreichen Aufbau und Einsatz von AIOps. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!