AIOps ควบคุมพลังของการเรียนรู้ของเครื่องเพื่อวิเคราะห์ข้อมูลและสร้างข้อมูลเชิงลึก ด้วยแนวทางการวิเคราะห์ที่แตกต่างกันและแยกส่วนกันในปัจจุบัน เมื่อมีข้อมูลมากขึ้น ความซับซ้อนก็เพิ่มขึ้น แนวทางการเรียนรู้ของเครื่องเป็นสิ่งที่ตรงกันข้าม เมื่อมีข้อมูลมากขึ้น ข้อมูลเชิงลึกก็จะดีขึ้น และสร้างตัวชี้ที่ชัดเจนถึงสาเหตุที่เป็นไปได้
90% ของการแก้ไขเหตุการณ์ถูกใช้ไปในการวิเคราะห์ข้อมูลและระบุแหล่งที่มาของความผิดปกติ ผู้นำของ AIOps ช่วยลดเวลาในการแก้ไขเหตุการณ์นี้ด้วยการจัดการกับความท้าทายในการปฏิบัติงานที่สำคัญสี่ประการ
ความท้าทายที่สำคัญ
การระบุความผิดปกติที่สำคัญได้อย่างรวดเร็ว ทีมปฏิบัติการเต็มไปด้วยความเร็ว ความหลากหลาย และปริมาณของข้อมูล ทีมไม่สามารถปรับขนาดเพื่อดูตัวชี้วัดทั้งหมด หรือจัดการเกณฑ์ทั้งหมดได้อย่างมีประสิทธิภาพ ความผิดปกติที่มีความหมายไม่ได้แยกออกจากสัญญาณรบกวน ทีมปฏิบัติการต้องเปลี่ยนจากการแสดงภาพที่ตั้งโปรแกรมไว้แบบคงที่หนึ่งไปยังอีกอันหนึ่ง เพื่อพยายามหาว่าจุดใดที่ควรมุ่งเน้นความพยายามในการวินิจฉัย เมื่อมีการเพิ่มข้อมูลมากขึ้น ปัญหาก็จะแย่ลงและความซับซ้อนก็เพิ่มขึ้น
การวิเคราะห์ที่ใช้ประโยชน์จากข้อมูลที่มีอยู่ทั้งหมด โซลูชันของวันนี้ทำการวิเคราะห์แบบไซโล ผู้จำหน่ายที่แตกต่างกัน ประเภทข้อมูลที่แตกต่างกัน (การตรวจวัดระยะไกล บันทึก การเปลี่ยนแปลงการกำหนดค่า…) และเลเยอร์ที่แตกต่างกัน (แอปพลิเคชัน โอเวอร์เลย์เครือข่าย และโครงสร้างพื้นฐานเครือข่าย)
การวิเคราะห์แบบแยกส่วนไม่ได้สร้างบริบทที่สมบูรณ์ซึ่งจำเป็นในการเชื่อมโยงจุดต่างๆ ระบุสาเหตุของปัญหา และทำให้ทีมปฏิบัติการมุ่งความสนใจไปที่พื้นที่ที่ได้รับผลกระทบมากที่สุดได้อย่างรวดเร็ว
การใช้ประโยชน์จากสภาพแวดล้อมการทำงานร่วมกัน สถานที่ทำงานในปัจจุบันได้รับการเปลี่ยนแปลงอย่างมากด้วยเครื่องมือการทำงานร่วมกัน เช่น Slack และ Microsoft Teams อย่างไรก็ตาม เครื่องมือการดำเนินงานจำนวนมากเพียงแค่ส่งการแจ้งเตือนหรือถ่ายโอนข้อมูลตัววัดดิบไปยังเครื่องมือเหล่านี้ ซึ่งส่งผลให้ทีมปฏิบัติการล้นหลาม การแจ้งเตือนไม่เพียงแต่ประสบปัญหาที่อธิบายไว้ก่อนหน้านี้เท่านั้น แต่เครื่องมือการทำงานร่วมกันยังไม่ได้รับการใช้ประโยชน์อีกด้วย ไม่ว่าจะทำงานจากที่บ้าน ในสำนักงาน หรือระหว่างเดินทาง ทักษะต่างๆ อาจถูกเรียกใช้ข้ามขอบเขตขององค์กรและจากหน้าจอประเภทต่างๆ มากมาย เพื่อขจัดปัญหาที่ทำให้เกิดความผิดปกติ เครื่องมือในการทำงานร่วมกันได้กลายเป็นศูนย์กลางที่สำคัญสำหรับรูปแบบการทำงานในปัจจุบัน ทีมปฏิบัติการต้องการเครื่องมือที่บูรณาการเข้ากับสภาพแวดล้อมเหล่านี้ได้ดี ดังนั้นเครื่องมือเหล่านั้นจึงกลายเป็นสมาชิกอีกคนหนึ่งในทีม
ข้อมูลเชิงลึกที่ปรับขนาดได้ ไมโครเซอร์วิส โอเวอร์เลย์เครือข่าย การจำลองเสมือน และมัลติคลาวด์ ล้วนขับเคลื่อนจำนวนอุปกรณ์ปลายทางที่ต้องมั่นใจ ลักษณะชั่วคราวของอุปกรณ์ปลายทาง และที่ที่เครื่องมือดำเนินการ เช่น คลาวด์สาธารณะ คลาวด์ส่วนตัว ไฮบริดคลาวด์ เครื่องมือรุ่นปัจจุบันกำลังดิ้นรนเพื่อให้ทันกับการเปลี่ยนแปลงนี้ ทีมปฏิบัติการต้องการโซลูชันบนคลาวด์ที่สร้างขึ้นโดยเฉพาะเพื่อรับมือกับการเปลี่ยนแปลงเหล่านี้
บทสรุป
ทีมปฏิบัติการจำเป็นต้องมองเห็นความผิดปกติที่มีความหมายเหนือเสียงรบกวน พวกเขาต้องการบริบทที่สมบูรณ์ รวมถึงความสัมพันธ์ระหว่างความผิดปกติที่แตกต่างกัน เพื่อให้พวกเขาสามารถกำหนดเป้าหมายสาเหตุที่เป็นไปได้ได้อย่างรวดเร็ว และพวกเขาต้องการความสามารถในการทำงานร่วมกันอย่างรวดเร็วข้ามขอบเขตและสถานที่ตั้งขององค์กร เพื่อกำหนดการดำเนินการที่จำเป็น ทีมยังต้องการโซลูชันแบบคลาวด์เนทีฟที่ปรับขนาดให้สอดคล้องกับสภาพแวดล้อมการดำเนินงานที่มีข้อมูลมากมายในปัจจุบัน สิ่งเหล่านี้คือความท้าทายหลักที่ต้องเผชิญเพื่อลดและขจัดเวลา 90% ที่ใช้ในการแก้ไขเหตุการณ์ลงอย่างมาก และท้ายที่สุด เห็น เข้าใจ ร่วมมือ ลงมือทำ
ในบล็อกที่ตามมา เราจะอธิบายรายละเอียดเกี่ยวกับความท้าทายเหล่านี้ และอธิบายว่า Selector AI จัดการกับความท้าทายเหล่านี้ได้อย่างไร
