من الاستقرار إلى التجربة: التحول المدفوع بالذكاء الاصطناعي في المراقبة الحديثة

في عام 2001، كتبت IBM بيانًا لتقنية المعلومات الذاتية. رؤية الحوسبة الذاتية قسمت الإدارة الذاتية إلى أربعة أعمدة: التحسين الذاتي، الشفاء الذاتي، التكوين الذاتي، والحماية الذاتية. كنت أعمل في Microsoft عندما طرحت IBM هذه الرؤية لتقنية المعلومات. ردّنا باقتراح أفكار تقنية مثل مركز البيانات الذاتي، لكن في النهاية كان ذلك حلمًا متقدمًا على وقته. لم يكن هناك طريقة عملية لتحقيق تلك الرؤية.

في أيام عملي في Microsoft، كنت جزءًا من الفريق الذي طور Clippy. رغم أن المساعد المتحرك على شكل مشبك الورق كان معروفًا بتطفله، إلا أن الفكرة وراءه كانت صحيحة: يجب على الحواسيب أن تساعد البشر بنشاط في أداء أعمالهم. لم نكن نمتلك القوة الحاسوبية والذكاء الاصطناعي اللازمين لجعل ذلك ممكنًا. بعد 25 عامًا، أصبح ذلك ممكنًا أخيرًا.

من مستوى الخدمة إلى مستوى التجربة

لم ينشأ مفهوم القابلية للملاحظة في تقنية المعلومات. في عام 1960، صاغ المهندس والرياضياتي المجري-الأمريكي رودولف إي. كالمان صاغ مصطلح \”القابلية للملاحظة\” لوصف مدى قدرة النظام على القياس من خلال مخرجاته. ثم، في عام 2013، تبنى Twitter المصطلح في سلسلة من المدونات، مما يعني أن المراقبة التقليدية، عبر جميع الأدوات التجارية المتاحة، صُممت لعصر تكنولوجي مختلف ولا تعمل في بنى الخدمات المصغرة.

فكر في الأمر كطبيب يفحص مريضًا. يمكنه فحص نبضه، قياس ضغط دمه، وملاحظة ميزات خارجية أخرى لتقييم صحة المريض الداخلية بشكل غير مباشر. في تقنية المعلومات، نحتاج إلى القيام بالمثل. عندما يطرأ تذبذب في نبض المريض، نحتاج إلى معرفة ما إذا كان ذلك يعني وجود مشاكل في الكلى أو الكبد. على نطاق وتعقيد العمليات التي كانت تتعامل معها Twitter قبل 20 عامًا (كانت الشركة تخدم فقط 100 مليون مستخدم بتغريدات وتغذيات لحظية)، كانت القابلية للملاحظة تتطلب أدوات ومقاربة مراقبة مختلفة.

أصبحت أنظمة اليوم أكبر وأكثر تعقيدًا، مع اعتمادها على شبكات توصيل المحتوى، التخزين المؤقت وتوزيع الصور النقطية، الخطوط، ملفات JavaScript، وغيرها حول العالم. إن فهم أداء التطبيقات الواقعية بدقة ليس بالأمر السهل.

عندما يتم استدعاء فريق تقنية المعلومات في الساعة الرابعة صباحًا، يجب على أحدهم النهوض من السرير وتحديد ما إذا كانت المشكلة ناتجة عن قطاع تالف في القرص الصلب أو عن فاعل ضار يحاول اختراق البنية التحتية وإحداث الفوضى. لا يهم أيهما: في النهاية، مهمتهم هي الحفاظ على تشغيل جميع الأنظمة. لحسن الحظ، لتقييم صحة التطبيقات اليوم، يمكننا جمع جميع بيانات القياس المتاحة: كل جهاز شبكة، كل تطبيق، آلاف التكاملات الجاهزة، تدفق التذاكر عبر JIRA أو Atlassian، والعديد من الإشارات الأخرى.

هنا يأتي دور أهداف مستوى التجربة (XLOs). ربما سمعت عن اتفاقيات مستوى الخدمة (SLAs) وأهداف مستوى الخدمة (SLOs)، لكن XLOs تأخذ الخطوة التالية عبر قياس ما إذا كان عملاؤك وموظفوك يحصلون على مستوى التجربة الذي يرغبون فيه. الأمر يتعلق بالجودة، وليس فقط بالوقت التشغيلي. من منظور تقني، الطريقة الوحيدة لتحقيق XLOs هي الحصول على رؤية من بطاقة الشبكة (NIC) إلى جهاز المستخدم النهائي.

في أكتوبر الماضي، AWS US‑EAST‑1 تعطلت. اكتشف Catchpoint المشكلة قبل 16 دقيقة من إعلان Amazon عنها علنًا. تمكن العملاء الذين لديهم تلك الرؤية من الاستجابة قبل أن يشعر مستخدموهم بعواقب الانقطاع.

وعد القابلية للملاحظة يشبه الدب سمكي: اكتشاف وجود الدخان قبل حدوث الحريق. إذا تم تنفيذها بشكل صحيح، تسمح القابلية للملاحظة بإخماد حريق سهل قبل أن يتحول إلى حريق هائل يدمر باليساد في كاليفورنيا. سمكي هو نظام الإنذار المبكر الذي يمكنه اكتشاف تلك الروائح الخفيفة للدخان بغض النظر عن مصدرها: مشكلة في AWS، أو مشكلة في Oracle، أو مشكلة في GCP، أو مشكلة في Microsoft Azure، أو أي خلل في البنية التحتية الخاصة بك.

الذكاء الاصطناعي يوسع أنظمة الأمن

لا يستطيع أي مشغل بشري متابعة أنظمة البنية التحتية اليوم. الطريقة الوحيدة لمراقبة الأنظمة على نطاق واسع، مع استيعاب بيتابايتات من بيانات السجلات وتريليونات من المقاييس يوميًا، هي استخدام الذكاء الاصطناعي.

على سبيل المثال، إذا أردت تتبع أداء القراءة/الكتابة على قرص أو إدخال/إخراج أو تجاوز مخزن الحزم داخل بيئة الشبكة الخاصة بك. يمكنك استخدام حد ديناميكي لتحديد ما يبدو طبيعيًا، أو طريقة حتمية لاستعراض بيانات السلاسل الزمنية خلال الأسبوع أو الشهر أو السنة الماضية، أو أي إطار زمني تريده، وتحديد حدود الأداء الطبيعية. بمجرد حصولك على هذا التحليل الإحصائي، يمكنك ضبط مستويات انحرافين معياريين عن المتوسط، بحيث عندما يحدث شيء خارج هذا النطاق، تتلقى تنبيهًا بأن الأداء قد يكون غير طبيعي.

مع ذلك، يمكن للأنظمة ذات التعقيد العالي أن تتلقى آلاف التنبيهات يوميًا. تبدأ لوحات التحكم في الوميض، ويبدأ الأشخاص في استدعائهم. تصفية كل هذه التنبيهات ليست استخدامًا جيدًا لوقت البشر. في الواقع، يقدّر Vectra يقدّر أن المنظمات تتلقى متوسط 2,992 تنبيه أمان يوميًا، 63٪ منها لا يتم معالجتها.

يمكن لأدوات الذكاء الاصطناعي تقليل هذه الآلاف من التنبيهات اليومية إلى مجرد بضعة عشرات. أتذكر حالة واحدة حيث تسبب مشكلة واحدة في بطاقة شبكة واحدة على جهاز واحد في توليد 2,000 تنبيه لاحق. بفضل الذكاء الاصطناعي، تمكن العميل من إجراء ربط للتنبيهات والوصول إلى تحليل أسرع للسبب الجذري، والذي خلص إلى أن مشكلة واحدة في تلك اللحظة كانت تتسبب في تحول لوحة التحكم بالكامل للشركة إلى اللون الأحمر.

الذكاء الاصطناعي يجعل تكنولوجيا المعلومات مثيرة مرة أخرى

أخذتُ إجازة بعد أن استحوذت سيسكو على Splunk في عام 2023. خلال العامين التاليين، شاهدت أصدقائي وزملائي السابقين يؤسسون شركات لاستخدام الذكاء الاصطناعي بطرق لم تكن ممكنة حتى قبل خمس سنوات. (تذكر أنه إذا كان ChatGPT طفلاً بشريًا، لكان في عمر الثلاث سنوات).

تحتاج فرق تكنولوجيا المعلومات إلى مساعدة في اكتشاف الدخان قبل انطلاق الإنذار، وليس إلى مزيد من لوحات التحكم للتحديق فيها. هم. بطريقة ما، هذه هي نفس المشكلة التي تحاول كل من IBM وTwitter وحتى Microsoft مع Clippy معالجتها.

هذا هو السبب الذي جعلني أقرر العودة مرة أخرى. لقد وصلت التقنية أخيرًا إلى مرحلة يمكننا فيها الوفاء بالوعد الأصلي للملاحظة وتكنولوجيا المعلومات الذاتية.