एआई की मूल बातें
AIOps क्या है? आईटी संचालन के लिए कृत्रिम बुद्धिमत्ता
Unite.AI को Google पर अपने पसंदीदा स्रोतों में जोड़ें
AIOps मशीन लर्निंग और ऑटोमेशन को आईटी संचालन डेटा पर लागू करता है ताकि टीमें असामान्य व्यवहार का पता लगा सकें, दोहराए गए अलर्ट को कम कर सकें, संबंधित घटनाओं को जोड़ सकें, संभावित कारणों को क्रमबद्ध कर सकें और प्रतिक्रिया कार्यों की सिफ़ारिश या निष्पादन कर सकें।
AIOps संचालन का स्वायत्त प्रतिस्थापन नहीं है। यह ITOps प्रणाली के भीतर एक परत है, और इसका मूल्य टेलीमेट्री की गुणवत्ता, सेवा टोपोलॉजी, परिवर्तन इतिहास, मानव प्रतिक्रिया और सुरक्षित ऑटोमेशन सीमाओं पर निर्भर करता है।
मुख्य बिंदु
- जटिल मॉडलों को लागू करने से पहले घटनाओं को सामान्यीकृत करें और सेवा संदर्भ जोड़ें।
- असामान्यता पहचान विचलनों को पहचानती है, जरूरी नहीं कि वे विफलताएँ या मूल कारण हों।
- संबंध और संभावित कारण रैंकिंग को साक्ष्य और अनिश्चितता को उजागर करना चाहिए।
- स्वचालित सुधार के लिए न्यूनतम अधिकार, अनुमोदन, कैनरी, रोलबैक और परिणाम मॉनिटरिंग आवश्यक हैं।
ऑपरेशनल डेटा लेयर बनाएं
AIOps प्लेटफ़ॉर्म मीट्रिक्स, लॉग, ट्रेसेस, अलर्ट, टिकट, टोपोलॉजी, डिप्लॉयमेंट और कॉन्फ़िगरेशन परिवर्तन को इन्गेस्ट करते हैं। टाइमस्टैम्प, पहचानकर्ता और सेवा स्वामित्व को मिलाना आवश्यक है ताकि सिस्टम समान घटना से संबंधित संकेतों को जोड़ सके।
ग़ैरहाज़िर या असंगत संदर्भ गलत संबंधों का कारण बनते हैं। डेटा प्रतिधारण, पहुँच और गोपनीयता भी महत्वपूर्ण हैं क्योंकि लॉग में क्रेडेंशियल या व्यक्तिगत जानकारी हो सकती है। अन्य प्रोडक्शन डेटा सिस्टमों में अपेक्षित समान शासन लागू करें।
पता लगाना और शोर में कमी
स्थिर थ्रेशोल्ड ज्ञात सीमाओं के लिए काम करते हैं; सांख्यिकीय और मशीन-लर्निंग विधियाँ मौसमी या बहु-परिवर्ती पैटर्न को मॉडल कर सकती हैं। डिडुप्लीकेशन दोहराए गए नोटिफिकेशन को समूहित करता है, जबकि सप्रेशन परिभाषित नियमों के तहत कार्रवाई योग्य न होने वाले अलर्ट को हटाता है।
एक असामान्यता केवल अपेक्षित व्यवहार से विचलन है। नियोजित रिलीज़, ट्रैफ़िक अभियान और व्यावसायिक चक्र असामान्य हो सकते हैं लेकिन स्वस्थ होते हैं। हटाए गए अलर्टों की संख्या का जश्न मनाने के बजाय सटीकता, रिकॉल, पता लगाने में देरी और ऑपरेटर कार्यभार का मूल्यांकन करें।
संबंध और संभावित कारण
इवेंट कोरिलेशन निर्भरत ग्राफ और समय विंडो में लक्षणों को जोड़ता है। संभावित-कारण मॉडल घटकों या हालिया परिवर्तनों को क्रमबद्ध कर सकता है जो घटना को समझा सकते हैं। यह जांच को प्राथमिकता देता है; यह कारण स्थापित नहीं करता।
योगदान देने वाले साक्ष्य, वैकल्पिक परिकल्पनाएँ और विश्वास दिखाएँ। Explainable AI विशेष रूप से महत्वपूर्ण है जब ऑपरेटर को यह तय करना पड़े कि सेवा को अलग किया जाए या डिप्लॉयमेंट को रोल बैक किया जाए।
सिफ़ारिश से ऑटोमेशन तक
एक रनबुक डायग्नोस्टिक्स एकत्र कर सकता है, स्टेटलेस वर्कर को पुनः प्रारंभ कर सकता है या क्षमता को स्केल कर सकता है। कोपायलट घटनाओं का सारांश बना सकते हैं और प्रक्रियाएँ प्राप्त कर सकते हैं। एजेंट टूल कॉल की योजना बना सकते हैं, लेकिन प्रोडक्शन अनुमतियाँ सीमित होनी चाहिए और कार्यों को वर्तमान स्थिति के विरुद्ध सत्यापित किया जाना चाहिए।
पहले केवल पढ़ने योग्य सिफ़ारिशों से शुरू करें। सिमुलेशन, मानव अनुमोदन, कैनरी और स्वचालित रोलबैक के माध्यम से परिपक्व कार्यों को बढ़ावा दें। प्रत्येक कार्य के लिए इनपुट, मॉडल संस्करण, प्राधिकरण और परिणाम को रिकॉर्ड करें।
मूल्यांकन और ऑपरेशनल फीडबैक
ऐतिहासिक घटनाओं को पुनः चलाएँ बिना उनके अंतिम लेबल को फीचर्स में लीक किए। नई सेवाओं और परिवर्तनों पर परीक्षण करें, गलत सप्रेशन, पता लगाने का समय, शमन का समय, ऑपरेटर स्वीकृति और पुनरावृत्ति को मापें। मौजूदा नियमों और सरल बेसलाइन के साथ तुलना करें।
ड्रिफ्ट तब होता है जब आर्किटेक्चर, ट्रैफ़िक या प्रतिक्रिया प्रथाएँ बदलती हैं। ऑपरेटरों को संबंधों और परिणामों को सुधारने दें, फिर समीक्षा करें कि क्या सिस्टम जोखिम को छिपाए बिना या ऑटोमेशन में आत्मसंतुष्टि पैदा किए बिना श्रम को कम करता है।
AIOps डेटा और विश्लेषणात्मक पाइपलाइन
AIOps सांख्यिकीय और मशीन-लर्निंग विधियों को संचालन डेटा जैसे मीट्रिक्स, लॉग, ट्रेसेस, इवेंट्स, टोपोलॉजी, टिकट और परिवर्तनों पर लागू करता है। पाइपलाइन संकेतों को एकत्र और सामान्यीकृत करती है, उन्हें सेवा और स्वामित्व संदर्भ के साथ समृद्ध करती है, असामान्यताओं का पता लगाती है, संबंधित घटनाओं को कोरिलेट करती है, संभावित कारणों का अनुमान लगाती है, और कार्रवाई की सिफ़ारिश या ट्रिगर करती है। गुणवत्ता टाइमस्टैम्प, पहचानकर्ता, टोपोलॉजी और परिवर्तन रिकॉर्ड पर निर्भर करती है। एक परिष्कृत मॉडल असंगत नामों के तहत समान सेवा से संबंधित अलर्ट को विश्वसनीय रूप से कोरिलेट नहीं कर सकता।
असामान्यता पहचान सेवा, मौसम और संचालन स्थिति के आधार पर बेसलाइन सीखती है; ज्ञात सुरक्षा सीमाओं के लिए स्थिर थ्रेशोल्ड बेहतर हो सकते हैं। इवेंट कोरिलेशन समय, टोपोलॉजी, टेक्स्ट और ऐतिहासिक पैटर्न का उपयोग करके लक्षणों को एक घटना में समूहित करता है। रूट-कॉज़ रैंकिंग परिकल्पनाएँ प्रस्तुत करती है लेकिन पहली देखी गई विफलता को वास्तविक कारण के साथ भ्रमित कर सकती है या टोपोलॉजी में अनुपस्थित साझा निर्भरता को मिस कर सकती है। प्राकृतिक भाषा सारांश उत्तरदाताओं की मदद कर सकते हैं लेकिन उन्हें कच्चे साक्ष्य से लिंक करना चाहिए और अनिश्चितता को दर्शाना चाहिए।
ऑटोमेशन, मूल्यांकन, और फीडबैक
निर्णय समर्थन और कम जोखिम वाली उलटने योग्य सुधार से शुरू करें। प्रत्येक स्वचालित कार्रवाई को प्राधिकरण, पूर्वशर्तें, सीमित दायरा, टाइमआउट, पोस्टकंडीशन सत्यापन, रोलबैक और ऑडिट ट्रेल की आवश्यकता होती है। मॉडल को स्वयं को क्रेडेंशियल नहीं देना चाहिए या लॉग टेक्स्ट को विश्वसनीय निर्देश के रूप में नहीं मानना चाहिए। मानव उत्तरदाताओं को सिफ़ारिशों को स्वीकार, अस्वीकार या सुधारना चाहिए, और उन परिणामों को समीक्षा के माध्यम से नियमों या प्रशिक्षण डेटा को अपडेट करना चाहिए, न कि अनियंत्रित स्व-सीखने से।
घटनाओं को मिस किए बिना अलर्ट कमी का मूल्यांकन करें, पता लगाने की अग्रिम समय, कोरिलेशन सटीकता, रूट-कॉज़ रैंकिंग, सुधार सफलता, पुनर्प्राप्ति समय, पुनरावृत्ति और उत्तरदाता कार्यभार को मापें। ऐतिहासिक पुनः चलाने और इंजेक्टेड फॉल्ट्स का उपयोग करें, लेकिन अधूरे घटना लेबलों को ध्यान में रखें। सेवा और घटना प्रकार के अनुसार मापें; औसत दुर्लभ महत्वपूर्ण सिस्टमों में खतरनाक विफलताओं को छिपा सकता है। AI जटिलता जोड़ने से पहले निर्धारक नियमों और बेहतर ऑब्ज़रवेबिलिटी के साथ तुलना करें।
शासन और विफलता मोड
AIOps टेलीमेट्री अंतराल को बढ़ा सकता है, गलत निदान को स्वचालित कर सकता है, या फ़्लीट-व्यापी कोरिलेटेड कार्य बना सकता है। वातावरण को अलग करें, समकालिकता को सीमित करें, मॉडल के बाहर एक किल स्विच बनाए रखें, और स्वयं AIOps प्लेटफ़ॉर्म की विफलता का अभ्यास करें। लॉग और टिकटों की सुरक्षा करें जिनमें रहस्य या व्यक्तिगत डेटा हो। मॉडल ड्रिफ्ट, टोपोलॉजी की ताज़ा स्थिति, गलत कार्यों और ओवरराइड्स की निगरानी करें। AIOps साक्ष्य और सीमित कार्रवाई को तेज़ बनाते हुए विश्वसनीय संचालन का समर्थन करता है; यह सेवा स्वामित्व, घटना कमांड या इंजीनियरिंग निर्णय का स्वायत्त प्रतिस्थापन नहीं है।
व्यावहारिक उदाहरण: भुगतान घटना के लिए AIOps
AIOps API त्रुटियों की बढ़ोतरी, डेटाबेस संतृप्ति और क्षेत्रीय अलर्ट को एक घटना में समूहित करता है और इसे हालिया डिप्लॉयमेंट, टोपोलॉजी और मालिक के साथ समृद्ध करता है। यह डिप्लॉयमेंट को संभावित योगदानकर्ता के रूप में रैंक करता है लेकिन कच्ची टेलीमेट्री और विकल्पों को उजागर करता है। एक निर्धारक नीति आगे की रोलआउट को रोकती है; एक मानव घटना कमांडर क्षमता और डेटा संगति सुरक्षित होने की जाँच के बाद ट्रैफ़िक शिफ्ट को मंजूरी देता है।
सिस्टम समूहबद्धता सटीकता, पता लगाने की अग्रिम समय, रैंकिंग शुद्धता, उत्तरदाता स्वीकृति, पुनर्प्राप्ति और ऐतिहासिक पुनः चलाने तथा गेम डेज़ में गलत सुधार को मापता है। सभी स्वचालित कार्यों की सीमाएँ, इडेम्पोटेन्सी, पोस्टकंडीशन जांच और रोलबैक होते हैं। लॉग को साफ़ किया जाता है और दुर्भावनापूर्ण टेक्स्ट कमांड नहीं बन सकता। घटना के बाद, पुष्टि किए गए कारण और कार्रवाई परिणाम समीक्षा किए गए नियमों और मूल्यांकन डेटा को अपडेट करते हैं। AIOps प्लेटफ़ॉर्म साक्ष्य और समन्वय में मदद करता है; यह कभी भी घटना कमांड या बाहरी प्राधिकरण को प्रतिस्थापित नहीं करता।
कार्यान्वयन प्रमाण और ऑपरेशनल तत्परता
एक प्रोडक्शन निर्णय सफल डेमोंस्ट्रेशन से अधिक की आवश्यकता रखता है। इच्छित उपयोगकर्ताओं, संचालन वातावरण, इनपुट, आउटपुट, निर्भरताएँ, मालिक और प्रत्येक महत्वपूर्ण विफलता के परिणाम को परिभाषित करें। ट्यूनिंग से पहले एक पुनरुत्पादनीय बेसलाइन और संस्करणित मूल्यांकन सेट स्थापित करें। सामान्य मामलों, सीमा स्थितियों, विकृत या अनुपलब्ध इनपुट, वितरण परिवर्तन, निर्भरता आउटेज, दुरुपयोग, और उन समूहों या वातावरणों का परीक्षण करें जो सबसे अधिक सेवा रहित हो सकते हैं। कार्य गुणवत्ता को कैलिब्रेशन या अनिश्चितता, लेटेंसी, थ्रूपुट, संसाधन लागत, पहुँचयोग्यता, गोपनीयता और सुरक्षा के साथ मापें। प्रत्येक परिवर्तन और थ्रेशोल्ड को रिकॉर्ड करें ताकि एक स्वतंत्र समीक्षक परिणाम को पुनः उत्पन्न कर सके और साक्ष्य को आकर्षक प्रोटोटाइप से अलग कर सके।
लॉन्च से पहले, रिलीज़, अपवाद, परिवर्तन, रोलबैक और रिटायरमेंट के लिए अधिकार सौंपें। चरणबद्ध रोलआउट का उपयोग करें, एक सुरक्षित फॉलबैक बनाए रखें, और जानबूझकर इंजेक्टेड फेल्योर के साथ मॉनिटरिंग को सत्यापित करें। ऑपरेशनल टेलीमेट्री को इनपुट गुणवत्ता, आउटपुट व्यवहार, मॉडल या नियम संस्करण, निर्भरता स्वास्थ्य, मानव ओवरराइड और पुष्टि किए गए परिणाम दिखाने चाहिए बिना अनावश्यक संवेदनशील डेटा एकत्र किए। अलर्ट थ्रेशोल्ड और प्रतिक्रिया मालिक को परिभाषित करें, फिर डिप्लॉयमेंट के बाद वास्तविक‑विश्व साक्ष्य की समीक्षा करें बजाय यह मानने के कि ऑफ़लाइन प्रदर्शन बना रहेगा। जब भी डेटा स्रोत, उपयोगकर्ता, मॉडल, विक्रेता, नीतियाँ, हार्डवेयर या लक्ष्य बदलें, पुनः मूल्यांकन करें। एक बनाए रखा गया सिस्टम दस्तावेज़ीकृत पुनर्प्राप्ति, घटना सीखना, विलोपन और प्रतिधारण प्रक्रियाओं, और एक स्पष्ट बिंदु की भी आवश्यकता रखता है जहाँ इसे निष्क्रिय या प्रतिस्थापित किया जाना चाहिए।
अक्सर पूछे जाने वाले प्रश्न
क्या AIOps ऑब्ज़रवेबिलिटी के समान है?
नहीं। ऑब्ज़रवेबिलिटी सिस्टम संकेतों को प्रदान और अन्वेषण करती है; AIOps उन संकेतों पर एनालिटिक्स और ऑटोमेशन का उपयोग करता है। प्रत्येक दूसरे के बिना भी मौजूद रह सकता है।
क्या AIOps स्वचालित रूप से मूल कारण निर्धारित कर सकता है?
यह परिकल्पनाओं को क्रमबद्ध कर सकता है और साक्ष्य एकत्र कर सकता है, लेकिन कारणात्मक दावे के लिए टोपोलॉजी, परिवर्तन संदर्भ और वैधता आवश्यक होती है। कई घटनाओं में परस्पर क्रिया करने वाले कारण होते हैं।
प्राथमिक संदर्भ
