Ilmu Data untuk Rescue

Seiring dengan tingkat data digital di seluruh dunia yang terus meningkat, perusahaan bekerja untuk menemukan nilai bisnis dalam data mereka, dan untuk menyesuaikan strategi sains komputer mereka ke pasar sains data yang berkembang. Alat manajemen dan pemantauan lawas menggunakan pendekatan yang sama dengan yang mereka gunakan untuk lingkungan server fisik – yaitu dengan melihat silo diskrit (jaringan, penyimpanan, infrastruktur, aplikasi). Mereka menggunakan beberapa ambang batas yang ditetapkan secara manual untuk berfokus pada metrik individual – utilisasi CPU, pemanfaatan memori, latensi jaringan, dll., Di dalam setiap silo.

Pendekatan berbasis ambang ini berasal dari lingkungan server fisik yang relatif statis dan dipahami dengan baik yang telah terbukti tidak efektif dalam menangani kompleksitas lingkungan virtual saat ini. Tidak seperti rekan-rekan mereka di lingkungan server fisik, komponen di lingkungan virtual berbagi sumber daya host, menciptakan hubungan yang kompleks dan saling tergantung antara keduanya. Mereka juga sangat dinamis, memungkinkan TI untuk terus menciptakan dan memindahkan beban kerja di VM. IT pro tidak dapat lagi membuat keputusan berdasarkan pendekatan ilmu komputer manual kemarin dan menganalisis peringatan dari silo tunggal pada satu waktu. Inilah sebabnya mengapa perusahaan beralih ke pendekatan "ilmu data" yang memanfaatkan disiplin ilmu AI yang canggih dalam pembelajaran mesin dan belajar secara mendalam untuk mendapatkan solusi otomatis menyeluruh untuk menghilangkan proses manual pemecahan masalah yang problematis dan mengoptimalkan lingkungan virtual.

Mesin Belajar Analytics Tools Memberikan Jawaban

Alih-alih memonitor metrik individu sebagai alat berbasis ambang, solusi berbasis pembelajaran mesin canggih mempelajari perilaku kompleks komponen yang saling terkait saat mereka berubah dari waktu ke waktu. Mereka dapat mempertimbangkan beberapa metrik komponen terkait secara bersamaan. Akibatnya, mereka memberikan informasi yang akurat dan akurat tentang lingkungan virtual daripada alat pembelajaran mesin primitif atau alat berbasis ambang tradisional. Alih-alih menciptakan "badai peringatan", mereka mengidentifikasi insiden bermakna yang terkait dengan perilaku abnormal pada waktu tertentu dalam hari, minggu, bulan dan tahun. Dan karena pembelajaran mesin sangat penting dalam desain, tidak ada konfigurasi manual yang diperlukan. Solusi pembelajaran mesin yang canggih, bisa berjalan dan berjalan dalam hitungan menit dan segera belajar perilaku. Akibatnya, pergeseran ke pendekatan berbasis perilaku data-sentris ini memiliki implikasi besar yang secara signifikan memberdayakan profesional TI. IT pro akan selalu membutuhkan keahlian domain dalam ilmu komputer, tapi kemampuan analisis apa yang dibutuhkan TI agar efektif di dunia berbasis AI yang baru ini?

Alih-alih menghabiskan hari-hari mereka untuk bereaksi dan memperbaiki masalah kinerja aplikasi, TI akan mengalihkan fokus mereka dari mendiagnosis masalah untuk secara proaktif memprediksi dan menghindarinya sejak awal. Membebaskan kebutuhan untuk menyediakan lebih banyak untuk memastikan kinerja dan keandalan, mereka akan dapat mencari cara untuk mengoptimalkan efisiensi dan menghabiskan waktu mereka dengan fokus pada sasaran yang lebih besar. Hal ini memungkinkan TI untuk memberikan nilai bisnis sejati, dan mengerjakan proyek yang mendorong tujuan perusahaan ke depan. Umumnya, nilai seperti itu memberi TI suara penting dalam manajemen senior, membawa mereka ke dalam proses pengambilan keputusan dan menutup kesenjangan antara TI dan operasi. Dan karena TI memahami dan menggunakan alat analisis berbasis pembelajaran mesin, mereka akan berada di garis depan untuk membangun fondasi otomasi dan masa depan pusat data mandiri.

Bio Jim:

Jim Shocrylas adalah Direktur Manajemen Produk di SIOS.  Jim memiliki lebih dari 20 tahun di industri TI, terakhir sebagai Portfolio Manager untuk Divisi Emerging Technologies EMC.