AIOps چیست؟
AIOps عبارتی است برگرفته شده Algorithmic IT Operations یا AI for IT operations که به عنوان نسل بعدی DevOps شناخته می شود و طبق تعریف گارتنر، پلتفرمی است برای استفاده از فناوری های یادگیری ماشین (Machine Learning) و ابَرداده ها (Big Data) در بهبود عملیات IT . هدف اصلی این رویکرد، به کار بردن هوشمندی در جهت افزایش سرعت، چالاکی و دقت در تشخیص آنومالی، پیش بینی ضعف کارآیی سیستم، طرح پیشنهاداتی جهت بهینه سازی عملکرد، رفع اشکال از طریق ایجاد همبستگی میان پلتفرم های مختلف، تحلیل و یافتن ریشه اصلی وقوع مشکل و در صورت امکان، حل آن به صورت خودکار است.
DevOps چیست؟
DevOps با هدف ایجاد چالاکی و در عین حال همبستگی میان فازهای تولید نرم افزار از طراح تا تولید و پیاده سازی مطرح گردیده و بر اساس آن متخصصان DevOps افرادی هستند که با دید فرابخشی، در فرآیند توسعه محصول دست داشته و ضمن تولید سریع محصول، به تشخیص و رفع سریع خطاهای سیستم می پردازند. برای این کار، متخصص DevOps بایستی هزاران خط کد و لاگ را خوانده و با افراد از بخش های مختلف سازمان در ارتباط باشد تا بتواند دلیل اصلی وقوع خطا را تشخیص داده و راه حلی برای رفع آن ارائه دهد.
AIOps به کدام نیاز پاسخ می دهد؟
با ظهور فناوری ها و ترندهای جدید در دنیای دیجیتال مانند رایانش ابری، اینترنت اشیا، تحول دیجیتال، و رایانش مرزی (Edge Computing)، ابعاد و پیچیدگی سیستم های کامپیوتری به شکل تصاعدی افزایش یافته و مشکلاتی را در کار توسعه نرم افزار و عیب یابی آن به صورت سنتی، به همراه داشته است. این نیازمندی سبب پیدایش پلتفرم های AIOps شده تا بدین وسیله بتوان عملکرد تیم DevOps را تقویت کرده و فرآیند تولید نرم افزار را به طرز چشم گیری بهبود داد. این رویکرد به تیم DevOps کمک میکند تا منشا اصلی خطا و یا ضعف عملکرد پروژه را شناسایی کرده و انرژی، منابع و وقت خود را برای تقویت همان بخش از سیستم صرف نمایند.
شکل فوق که توسط گارتنر ارائه شده، عملکرد پلتفرم AIOps را به صورت چرخه ای از فعالیت های مختلف شامل پایش سیستم، مدیریت سیستم، و نیز خودکارسازی عملیات، نشان می دهد که با محوریت ابرداده ها و یادگیری ماشین انجام می گیرد.
شکلی که در ادامه آمده نیز نشان دهنده فناوری های موردنیاز برای پیاده سازی AIOps است که عبارتند از:
مرجع: bmc.com
منابع دادهای که به طور مشخص پایه و اساس این پلتفرم را تشکیل داده و شامل انواع داده با ساختارهای متفاوت است. داده لاگ های سیستم، خطاها، تیکت کاربران و بسیاری موارد دیگر که نیازمند پردازش و مدیریت هستند.
تحلیل ابَردادهها که بایستی با پردازش بلادرنگِ جریان داده ها، اطلاعات لازم را از منابع دادهای مختلف استخراج و استنتاج نماید.
شناسایی الگوها و قوانین به منظور تطابق آنچه در سیستم رخ داده (اطلاعات استخراج شده) با آنچه مورد انتظار است. این کار نیازمند تعریف الگوریتمهای خاص-منظوره است.
الگوریتم های مبتنی بر حوزه که برای هر حوزه و صنعت بایستی به صورت خاص-منظوره تعریف شود تا بر اساس الگوها و قوانین تعریف شده، نتایج تحلیل، مورد بررسی قرار گرفته و تفاوتها، آنومالی ها، و خطاهای احتمالی را کشف نماید.
یادگیری ماشین و هوش مصنوعی که به صورت خودکار و بر اساس شرایط سیستم به تعریف الگوریتم های جدید پرداخته و الگوریتمهای موجود را به روزرسانی می کند.
خودکارسازی به عنوان بالاترین لایه این پلتفرم که بر اساس تحلیلهای صورت گرفته و خروجی الگوریتمها، پاسخ یا واکنش صحیح را برگردانده و در صورت نیاز تغییراتی در سیستمِ تحتنظر، اعمال مینماید.
اگرچه ممکن است به کار گیری پلتفرم AIOps در هوشمندسازی عملیات IT سازمان ها امری غیرضروری و حتی رویاپردازانه بنظر برسد اما با توجه به فناوری های به کار گرفته شده در این پلتفرم، سازمان ها بایستی موقعیت خود را در این مسیر ارزیابی نمایند. در واقع، هدف این نگاشته، آن نیست که AIOps به عنوان یک التزام حتمی برای سازمانهای IT محور معرفی شود؛ بلکه منظور، شفاف کردن نیازمندی ها و راهکارهای آتی سازمانهای IT در قبال تحولات دیجیتالی است که دیر یا زود تمامی کسب وکارها را درگیر خواهد نمود. مدیران ارشد سازمانهای IT باید بدانند هوشمندی، پردازش داده های کلان، و خودکارسازی، جزو جدایی ناپذیر پروژه های آینده خواهد بود و بهتر است تا فرصت کافی وجود دارد خود را برای این تحولات و چالش های پیش رو آماده نمایند.
