Artificiell intelligens för IT-drift

Artificiell intelligens för IT-drift ( AIops ) är en term som myntades av Gartner 2016 som en branschkategori för analysteknik för maskininlärning som förbättrar IT-driftsanalys . AIOps är förkortningen för " Artificial Intelligence Operations ". Sådana driftsuppgifter inkluderar bland annat automatisering, prestandaövervakning och händelsekorrelationer.

Det finns två huvudaspekter av en AIOps-plattform: maskininlärning och big data . För att samla in observationsdata och engagemangsdata som kan hittas i en big data-plattform och som kräver en övergång från sektionssegregerade IT-data, implementeras en holistisk maskininlärnings- och analysstrategi mot den kombinerade IT-datan.

Målet är att möjliggöra IT-transformation, få kontinuerliga insikter som ger kontinuerliga korrigeringar och förbättringar via automatisering. Det är därför AIOps kan ses som CI/CD för IT-kärnfunktioner.

Med tanke på IT-driftens inneboende natur, som är nära knuten till molndistribution och hantering av distribuerade applikationer, har AIOps alltmer lett till sammansmältningen av maskininlärning och molnforskning .

Bearbeta

Den normaliserade datan är lämplig att bearbetas genom maskininlärningsalgoritmer för att automatiskt reducera brus och identifiera den troliga grundorsaken till incidenter. Huvudutgången för ett sådant steg är upptäckten av onormalt beteende från användare, enheter eller applikationer.

Bullerreducering kan göras med olika metoder, men det mesta av forskningen på området pekar på följande åtgärder:

  1. Analys av alla inkommande varningar;
  2. Ta bort dubbletter;
  3. Identifiera de falska positiva;
  4. Tidig anomali, fel och fel (AFF) upptäckt och analys.

Anomalidetektering - ett annat steg i alla AIOps-processer är baserat på analys av tidigare beteenden hos användare, utrustning och applikationer. Allt som avviker från det beteendebaslinjen anses ovanligt och flaggas som onormalt.

Grundorsaksbestämning görs vanligtvis genom att skicka inkommande varningar genom algoritmer som tar hänsyn till korrelerade händelser såväl som topologiberoenden. Algoritmerna som AI bygger sin funktion på kan påverkas direkt, huvudsakligen genom att "träna" dem.

Använda sig av

En mycket viktig användning av AIOps-plattformar är relaterad till analysen av stora och oanslutna datamängder, såsom Johns Hopkins Covid-19:s data publicerad via GitHub. Data i detta exempel hämtas från ett stort antal onormaliserade databaser - aggregerade data (10 källor), regionala amerikanska data (113 källor) och icke-amerikanska data (37 källor), som är oanvändbara med tanke på den nödvändiga nödsvarstiden genom de traditionella analysmodellerna.

I allmänhet är de huvudsakliga användningsområdena för AIOps-plattformar och principer

Hämtad från " https://en.wikipedia.org/w/index.php?title=Artificial_Intelligence_for_IT_Operations&oldid=1140967502 "