이것은 어떻게 AIOps 변화 그것은 성능 최적화를 강조 하는 2 부분 시리즈에서 두 번째 게시물입니다. 제 1 부 AIOps의 기본 원칙을 설명 했다. 이 시리즈의 원래 텍스트 정보 관리에 대 한 기사에 등장. 여기 우리 AIOps에 추세를 운전 하는 비즈니스 요구 사항을 보면.
기업 AIOps를 왜 필요 합니까?
IT 전문가 가상화 된 환경으로 더 그들의 비즈니스 중요 한 응용 프로그램을 이동합니다. 그 결과, 응용 프로그램 성능 문제의 근본 원인을 찾는 그 어느 때 보다 더 복잡 하다. IT 관리자는 VM 응용 프로그램, 저장 장치, 네트워크 장치 및 서비스의 복잡 한 웹에서 문제를 찾을 수 있다. 그것은 항상 이해할 수 없는 방식으로 연결 된 이러한 구성 요소.
종종, 구성 요소는 VMware 또는 다른 가상 환경 상호 의존적 이며 좌우. IT 관리자 작업을 이동 하거나 하나의 구성 요소를 변경 하면, 그들은 그들의 지식 없이도 여러 가지 다른 구성 요소에 문제가 발생할. 구성 요소에에서 있는 경우 다른 소위 사일로 (네트워크, 인프라, 애플리케이션, 스토리지, 등), IT 전문가 문제의 실제 원인을 알아내는 더 많은 문제가 있다.
너무 많은 도구 성능 문제의 근본 원인을 찾는 데 필요한
IT 성능 문제는 근본 원인 연관의 과정이 어려운, 불가능 한 IT 지도자입니다. 최근 SIOS 보고서에 따르면 IT 전문가의 78% 사용 하는 여러 도구 vm 웨어의 응용 프로그램 성능 문제의 원인을 식별. 예를 들어 응용 프로그램 모니터링, 보고 및 인프라 분석 도구를 사용 하는 그들은.
종종, 문제에 직면, 그것 조립 대표 팀 각 IT 사일로 또는 전문 분야에서. 각 팀 구성원이 사용 하 여 그의 또는 그녀의 자신의 진단 도구 및 문제에 그들의 자신의 격납고 특정 관점을 보인다. 팀 구성원이 자신의 개인의 결과 비교 하는 다음, 일반적인 요소를 식별 하는 분석. 자주,이 과정은 매우 수동. 그들은 같은 시간 프레임에 여러 가지 분석에 표시 하는 인프라에 변화를 보세요. 결과적으로, IT 부서에서는 수동 작업 및 부정확 한 재판 및 오류 비효율성에 점점 더 그들의 예산 낭비 하고있다.
이 문제를 해결 하 고 시간 낭비를 줄이기 위해, 그들은 AIOPs 접근을 사용 하는. AIOps 인공 지능 (즉, 기계 학습, 깊은 학습) 문제 해결을 자동화 하기 위해 적용 됩니다. AIOPs 트렌드 보다 전체적인 데이터 기반 접근을 개별 자질 (CPU 사용률, 대기 시간, 등)를 측정 하는 전통적인 임계값 기반 접근 방식에서 중요 한 변화입니다. 따라서 IT 관리자 실시간 인프라 사일로 걸쳐 데이터를 분석 하려면 분석 도구를 사용 하는. 그들은 고급 깊은 학습 및 분석 도구를 배울 시간이 지남에 상호 의존적인 구성 요소 사이의 행동의 패턴을 학습 하는 기계를 사용 하는. 결과적으로, 그들은 자동으로 문제를 나타낼 수 있습니다 구성 요소 간의 동작을 확인할 수 있습니다. 더 중요 한 것은, 그들은 자동으로 문제를 해결 하려면 특정 단계를 추천.
AIOps에 대 한 다음은?
가상 IT 환경 데이터의 거 대 한 볼륨 및 복잡성의 전례 없는 수준을 만들 수 있습니다. 결과적으로, IT 관리자가 관리할 수 없습니다 이러한 환경 효과적으로 전통적인, 수동 방법. 다음 몇 년 동안, IT 직업 급속 하 게 이동 합니다 전통적인 컴퓨터 과학 접근에서 "데이터 과학" 현대 AIOPs 접근. 그것은 팀, 대 한 기계 학습 기반 분석 솔루션을 포용 하 고 효율적이 고 효과적으로 문제를 해결 하기 위해 사용 하는 방법을 이해 하는 것이 즉. 마지막으로, 경영진은 그들의 비즈니스에 대 한 오른쪽 AIOps 플랫폼을 식별 하기 위해 IT 부서와 함께 작동 해야 합니다.
읽기 파트 1
