Date: 6 6 月, 2017
當最終使用者報告業務關鍵型應用程式性能下降時，它的團隊一切要盡可能快地解決問題。 在虛擬環境中，問題的根源哪裡很少直接了當，他們可能會花天嘗試和測試多個不同的解決方案。 故障排除這種方式上它創建了巨額流失，時間和資源-以及甚至偶爾，士氣。 IT 團隊想要將值添加到他們的業務操作新技術與自動化的手動任務、 提高最終使用者生產力、 精簡成本快速而靈活地回應業務需求的創新者。 不幸的是，沒有見解和自動化，機器的學習分析提供，IT 部門更在浪費時間和資源對低價值問題解決更多。
虛擬基礎設施太過複雜
對於一維方法
什麼導致這個問題解決的泥潭？它在複雜的動態虛擬基礎結構在傳統的診斷和監測工具不能識別應用程式性能問題的根源或提供解決這些問題的具體步驟運行更多的業務關鍵型應用程式。 IT 團隊仍看他們在個人商務資訊庫 — — 計算、 應用程式、 存儲和網路中的虛擬基礎架構的影響。 他們是使用多個工具來收集有關每個筒倉的資訊，然後拼湊結果手動來制定一個關於根本原因和決議的戰略理論。
基於閾值的工具和老式的方法
最近處代理處長進行的調查顯示，78%的受訪者正在使用多個工具來確定 VMware 應用程式性能問題的原因。 只有 20%的受訪者說他們用來解決這些問題的策略是完全準確的第一次。
舊式的監測工具物理伺服器環境中使用最初開發的基於閾值技術。 他們説明你保持內特定的參數，如 CPU 利用率運行存儲延遲的物理元件和網路延遲。 你手動設置參數閾值為每個度量標準，您想要監視每個立筒倉，這些工具會提醒你，每次超過閾值 — — 往往數百次為一個單一的事件。
更多的資料是不的更多資訊
在虛擬環境中，虛擬資源分享物理主機、 存儲和網路資源。 這些元件一起工作在複雜的相互關係，往往掩蓋了性能問題的根本原因。 IT 專業人員負責每個筒倉要破譯數以百計的警報，並查明使用他們的主觀意見和好老的試驗和錯誤的事情。
幸運的是，一些新的機器學習分析解決方案像處代理處長智商使用深學會一些技巧，看跨群組，因數中的虛擬資源的相互關係並確定應用程式性能問題的根本原因。 他們使用預測分析技術來確定將在未來被導致性能問題，這樣就可以避免他們的問題。 他們提供一定程度的自動化、 精度和基於閾值的工具與人類不能近似的精度。
機器學習分析消除了試驗和錯誤
機器學習分析工具告訴你如何解決問題。 你不需要通過數百個警報雜草或比較儀表板填充圖表來診斷問題。 你得到你需要無一名資料科學家的專門知識的資訊。 與機器學習分析，那裡是沒有需要資料的選擇、 建模、 製備，提取或配置是必要的。 處代理處長智商告訴它的基礎設施異常是重要的和哪些是輕微的所以他們可以優先考慮他們寶貴的時間。
隨著新的和先進的機器學習和深層學習工具，IT 團隊可以移動從被動到主動的狀態。 這意味著你可以花更多時間創新和更少的時間嘗試和錯誤。