أساسيات الذكاء الاصطناعي
ما هو AIOps؟ الذكاء الاصطناعي لعمليات تكنولوجيا المعلومات
أضف Unite.AI إلى مصادرك المفضلة على Google
AIOps يطبق التعلم الآلي والأتمتة على بيانات عمليات تكنولوجيا المعلومات بحيث يمكن للفرق اكتشاف السلوك غير العادي، وتقليل التنبيهات المكررة، وربط الأحداث ذات الصلة، وتصنيف الأسباب المحتملة، وتوصية أو تنفيذ إجراءات الاستجابة.
AIOps ليس بديلاً مستقلاً للعمليات. إنه طبقة داخل نظام ITOps، وتعتمد قيمته على جودة القياسات، وطوبولوجيا الخدمة، وسجل التغييرات، وملاحظات البشر، وحدود الأتمتة الآمنة.
النقاط الرئيسية
- قم بتطبيع الأحداث وإضافة سياق الخدمة قبل تطبيق النماذج المتقدمة.
- تحديد الشذوذ يكتشف الانحرافات، وليس بالضرورة فشلًا أو السبب الجذري.
- يجب أن تكشف الترابط وترتيب الأسباب المحتملة الأدلة والشكوك.
- تحتاج المعالجة الآلية إلى أقل الصلاحيات، والموافقات، واختبارات القنابل، والعودة إلى الحالة السابقة، ومراقبة النتائج.
إنشاء طبقة بيانات تشغيلية
تستقبل منصات AIOps المقاييس والسجلات والتتبع والتنبيهات والتذاكر والطوبولوجيا والنشر وتغييرات التكوين. يجب توحيد الطوابع الزمنية والمعرفات وملكية الخدمة حتى يتمكن النظام من ربط الإشارات التي تشير إلى نفس الحادث.
يسبب نقص السياق أو عدم اتساقه ارتباطات خاطئة. كما أن احتفاظ البيانات والوصول والخصوصية مهمان لأن السجلات قد تحتوي على بيانات اعتماد أو معلومات شخصية. طبق نفس الحوكمة المتوقعة من أنظمة البيانات الإنتاجية الأخرى.
الكشف وتقليل الضوضاء
تعمل الحدود الثابتة للحدود المعروفة؛ ويمكن للطرق الإحصائية والتعلم الآلي نمذجة الموسمية أو الأنماط المتعددة المتغيرات. يجمع إزالة التكرار الإشعارات المتكررة، بينما يزيل الكبت التنبيهات التي لا يمكن اتخاذ إجراء بشأنها وفقًا للقواعد المحددة.
الشذوذ هو مجرد انحراف عن السلوك المتوقع. قد تكون الإصدارات المخططة، وحملات المرور، ودورات الأعمال غير عادية لكنها صحية. قيّم الدقة، والاسترجاع، وتأخير الكشف، وحمل عمل المشغل بدلاً من الاحتفال بعدد التنبيهات التي أزيلت.
الترابط والسبب المحتمل
يربط ترابط الأحداث الأعراض عبر رسم بياني للاعتمادية وإطار زمني. يمكن لنموذج السبب المحتمل تصنيف المكونات أو التغييرات الأخيرة التي قد تفسر الحادث. هذا يعطي أولوية للتحقيق؛ لكنه لا يثبت السبب.
اعرض الأدلة المساهمة، والفرضيات البديلة، ومستوى الثقة. الذكاء الاصطناعي القابل للتفسير مهم بشكل خاص عندما يجب على المشغل أن يقرر ما إذا كان سيعزل خدمة أو يعيد نشرًا إلى الحالة السابقة.
من التوصية إلى الأتمتة
يمكن لدليل التشغيل جمع التشخيصات، وإعادة تشغيل عامل غير متحفظ أو توسيع السعة. يمكن للمساعدين تلخيص الحوادث واسترجاع الإجراءات. قد يخطط الوكلاء لاستدعاءات الأدوات، لكن صلاحيات الإنتاج يجب أن تكون محدودة ويجب التحقق من صحة الإجراءات مقابل الحالة الحالية.
ابدأ بالتوصيات للقراءة فقط. رَقِّ إجراءات ناضجة عبر المحاكاة، وموافقة بشرية، واختبارات القنابل، والعودة التلقائية. سجِّل المدخلات، وإصدار النموذج، والتفويض، والنتيجة لكل إجراء.
التقييم والتغذية الراجعة التشغيلية
أعد تشغيل الحوادث التاريخية دون تسريب تسمياتها النهائية إلى الميزات. اختبر على خدمات وتغييرات جديدة، وقِس الإلغاء الخاطئ، ووقت الكشف، ووقت التخفيف، وقبول المشغل، وتكرار الحادث. قارن مع القواعد الحالية والخطوط الأساسية البسيطة.
يحدث الانحراف عندما تتغير بنية النظام أو حركة المرور أو ممارسات الاستجابة. أغلق الحلقة بالسماح للمشغلين بتصحيح الترابطات والنتائج، ثم راجع ما إذا كان النظام يقلل العبء دون إخفاء المخاطر أو خلق ارتياح غير مبرر للأتمتة.
بيانات AIOps وخط الأنابيب التحليلي
يطبق AIOps الأساليب الإحصائية والتعلم الآلي على بيانات العمليات مثل المقاييس، والسجلات، والتتبع، والأحداث، والطوبولوجيا، والتذاكر، والتغييرات. يجمع خط الأنابيب الإشارات ويطبعها، ويثريها بسياق الخدمة والملكية، ويكتشف الشذوذ، ويربط الأحداث ذات الصلة، ويقدر الأسباب المحتملة، ويوصي أو يطلق الإجراء. تعتمد الجودة على الطوابع الزمنية، والمعرفات، والطوبولوجيا، وسجلات التغيير. لا يمكن لنموذج متقدم ربط التنبيهات التي تشير إلى نفس الخدمة بشكل موثوق إذا كانت الأسماء غير متسقة.
يتعلم اكتشاف الشذوذ القواعد الأساسية حسب الخدمة، والموسم، وحالة التشغيل؛ قد تكون الحدود الثابتة أفضل للحدود المعروفة للسلامة. يجمع ترابط الأحداث الأعراض في حادث باستخدام الوقت، والطوبولوجيا، والنص، والأنماط التاريخية. يقترح تصنيف السبب الجذري فرضيات لكنه قد يخلط الفشل الأول الملاحظ مع السبب الحقيقي أو يفوت اعتمادًا مشتركًا غير موجود في الطوبولوجيا. يمكن للملخصات باللغة الطبيعية مساعدة المستجيبين ولكن يجب أن ترتبط بالأدلة الخام وتوضح مستوى الشك.
الأتمتة، التقييم، والتغذية الراجعة
ابدأ بدعم اتخاذ القرار ومعالجة عكسية منخفضة المخاطر. كل إجراء آلي يحتاج إلى تفويض، وشروط مسبقة، ونطاق محدود، ومهلة زمنية، والتحقق من الحالة اللاحقة، والعودة إلى الحالة السابقة، وسجل تدقيق. يجب ألا يمنح النموذج نفسه بيانات اعتماد أو يعامل نص السجل كتعليمات موثوقة. يجب أن يقبل المستجيبون البشريون أو يرفضوا أو يصححوا التوصيات، ويجب أن تُحدَّث تلك النتائج القواعد أو بيانات التدريب عبر المراجعة بدلاً من التعلم الذاتي غير المنضبط.
قَيِّم تقليل التنبيهات دون فقدان الحوادث، ووقت الكشف المسبق، ودقة الترابط، وتصنيف السبب الجذري، ونجاح المعالجة، ووقت الاستعادة، وتكرار الحادث، وحمل عمل المستجيب. استخدم إعادة تشغيل تاريخية وإدخال أخطاء، لكن احسب تسميات الحوادث غير المكتملة. قس حسب الخدمة ونوع الحادث؛ قد يخفي المتوسط فشلًا خطيرًا في الأنظمة الحرجة النادرة. قارن مع القواعد الحتمية والرصد المحسن قبل إضافة تعقيد الذكاء الاصطناعي.
الحوكمة وأنماط الفشل
يمكن لـ AIOps تضخيم فجوات القياسات، أو أتمتة تشخيص خاطئ، أو إنشاء إجراءات مترابطة على مستوى الأسطول. عزل البيئات، وتحديد التزامن، والحفاظ على مفتاح إيقاف خارج النموذج، وتدريب فشل منصة AIOps نفسها. احمِ السجلات والتذاكر التي تحتوي على أسرار أو بيانات شخصية. راقب انحراف النموذج، وتحديث الطوبولوجيا، والإجراءات الخاطئة، وتجاوزات الصلاحيات. يدعم AIOps عمليات موثوقة عندما يجعل الأدلة والإجراءات المحدودة أسرع؛ لكنه ليس بديلاً مستقلاً لملكية الخدمة، أو قيادة الحادث، أو الحكم الهندسي.
مثال عملي: AIOps لحادث دفع
يقوم AIOps بتجميع تدفق أخطاء API، وإشباع قاعدة البيانات، والتنبيهات الإقليمية في حادث واحد ويثريه بنشر حديث، وطوبولوجيا، ومالك. يصنف النشر كمساهم محتمل لكنه يكشف القياسات الخام والبدائل. سياسة حتمية توقف المزيد من النشر؛ ويوافق قائد الحادث البشري على تحويل حركة المرور بعد التحقق من أن السعة وتناسق البيانات آمان.
يقيس النظام دقة التجميع، ووقت الكشف المسبق، ودقة التصنيف، وقبول المستجيب، والاستعادة، والمعالجة الخاطئة في إعادة تشغيل تاريخية وأيام الاختبار. جميع الإجراءات الآلية لها حدود، وتتمتع بالتماثل، وتتحقق من الشروط اللاحقة، وتعود إلى الحالة السابقة. تُنظَّف السجلات ولا يمكن للنص الخبيث أن يتحول إلى أمر. بعد الحادث، يتم تحديث السبب المؤكد ونتائج الإجراءات القواعد التي تمت مراجعتها وبيانات التقييم. تساعد منصة AIOps في تقديم الأدلة والتنسيق؛ ولا تحل أبدًا محل قيادة الحادث أو التفويض الخارجي.
دليل التنفيذ والاستعداد التشغيلي
يتطلب اتخاذ قرار إنتاجي أكثر من عرض ناجح. حدد المستخدمين المستهدفين، وبيئة التشغيل، والمدخلات، والمخرجات، والاعتمادات، والمالك، وعواقب كل فشل مهم. أنشئ خط أساس قابل لإعادة الإنتاج ومجموعة تقييم مُصدَّرة قبل الضبط. اختبر الحالات العادية، وظروف الحدود، ومدخلات غير صالحة أو مفقودة، وتحول التوزيع، وانقطاع الاعتماد، وسوء الاستخدام، والمجموعات أو البيئات التي قد تكون غير مخدومة بشكل كافٍ. قس جودة المهمة مع المعايرة أو عدم اليقين، والكمون، ومعدل النقل، وتكلفة الموارد، وإمكانية الوصول، والخصوصية، والأمان. سجِّل كل تحويل وكل عتبة حتى يتمكن مراجع مستقل من إعادة إنتاج النتيجة وتمييز الأدلة عن نموذج أولي جذاب.
قبل الإطلاق، عيّن سلطة للإصدار، والاستثناءات، والتغييرات، والعودة إلى الحالة السابقة، والتقاعد. استخدم نشرًا مرحليًا، واحفظ خيارًا احتياطيًا آمنًا، وتحقق من المراقبة عبر إدخال أخطاء مقصودة. يجب أن تكشف القياسات التشغيلية عن جودة المدخلات، وسلوك المخرجات، وإصدار النموذج أو القاعدة، وصحة الاعتماد، وتجاوزات البشر، والنتائج المؤكدة دون جمع بيانات حساسة غير ضرورية. عرّف عتبات التنبيه ومسؤول الاستجابة، ثم راجع الأدلة الواقعية بعد النشر بدلاً من افتراض استمرارية الأداء غير المتصل. أعد التقييم كلما تغيرت مصادر البيانات أو المستخدمون أو النماذج أو البائعون أو السياسات أو الأجهزة أو الأهداف. يحتاج النظام المُحافظ عليه أيضًا إلى وثائق استعادة، وتعلم من الحوادث، وإجراءات حذف واحتفاظ، ونقطة واضحة يجب فيها تعطيله أو استبداله.
الأسئلة المتكررة
هل AIOps هو نفسه القابلية للملاحظة؟
لا. القابلية للملاحظة تزود وتستكشف إشارات النظام؛ بينما يستخدم AIOps التحليلات والأتمتة على تلك الإشارات. يمكن لكل منهما أن يوجد دون الآخر.
هل يمكن لـ AIOps تحديد السبب الجذري تلقائيًا؟
يمكنه تصنيف الفرضيات وجمع الأدلة، لكن الادعاءات السببية تتطلب طوبولوجيا، وسياق التغيير، والتحقق. العديد من الحوادث لها أسباب متفاعلة.
المراجع الأساسية
