AIOps
Mae AIOps yn cymhwyso dysgu peirianyddol at ddata gweithrediadau i leihau sŵn rhybuddion, canfod anomaleddau, cydberthyn hysbysiadau, ac awgrymu achosion; mae'n talu ar ei ganfed pan gaiff ei brofi yn erbyn digwyddiadau'r gorffennol, ei gadw'n ddealladwy i'r bobl sy'n ymateb, a'i drin fel cynorthwyydd i staff ar alwad, nid yn lle barn.
Pam mae hyn yn bwysig
Mae timau gweithrediadau yn boddi mewn data. Mae gwasanaeth modern yn allyrru miliynau o linellau log, miloedd o fetrigau, a channoedd o rybuddion bob dydd. Ni all pobl ddarllen y cyfan, felly maent yn gosod trothwyon a rheolau i benderfynu beth i edrych arno. Mae'r rheolau'n tyfu, yn rhyngweithio ac yn dirywio. Mae'r rhan fwyaf o rybuddion yn troi allan i fod yn sŵn, ac mae rhai problemau go iawn yn cuddio yn eu plith.
Mae AIOps, term a fathwyd gan y cwmni dadansoddi Gartner yng nghanol y 2010au o "algorithmic IT operations" ac sydd bellach yn cael ei ddarllen yn gyffredinol fel "AI ar gyfer gweithrediadau TG", yn addo helpu. Mae'n defnyddio dysgu peirianyddol i ddysgu beth sy'n normal, i sylwi pan nad yw rhywbeth, i grwpio rhybuddion cysylltiedig yn un digwyddiad, ac i awgrymu ble y gallai'r achos fod. Mae Wikipedia yn disgrifio AIOps fel cymhwyso deallusrwydd artiffisial i wella gweithrediadau TG. Mae gwerthwyr yn ei gyflwyno mewn termau cryf. Mae ymarferwyr yn adrodd enillion go iawn mewn rhai defnyddiau, fel lleihau sŵn, a siom mewn eraill, fel diagnosis cwbl awtomatig.
I reoli gwasanaethau mae'r cwestiwn yn ymarferol: pa rannau o AIOps sy'n rhoi gwerth dibynadwy, sut ydych yn eu gwirio, a sut ydych yn cadw pobl mewn rheolaeth? Mae'r pwnc hwn yn disgrifio'r prif dechnegau, eu dulliau methu nodweddiadol, a llwybr synhwyrol i fabwysiadu. Mae'n adeiladu ar fonitro (Pwnc 3.10 — Monitro a Rheoli Hysbysiadau) ac arsylwadwyedd (Pwnc 7.4 — Arsylwadwyedd a Thelemetreg), ac mae'n gorgyffwrdd â rheoli digwyddiadau (Pwnc 3.2 — Rheoli Digwyddiadau) ac awtomeiddio llawlyfrau gweithredu (Pwnc 6.6 — Awtomeiddio Llawlyfrau Gweithredu ac Awto-adfer).
Cysyniadau craidd
AIOps. Defnyddio technegau AI, yn bennaf dysgu peirianyddol ac ystadegau, ar ddata gweithrediadau i gefnogi tasgau fel canfod anomaleddau, cydberthyn hysbysiadau, awgrymu gwraidd achos, a rhagfynegi. Set o dechnegau ydyw, nid un cynnyrch, ac mae galluoedd yn amrywio'n eang.
Canfod anomaleddau. Dod o hyd i bwyntiau data neu batrymau sy'n wahanol i'r hyn a ddisgwylir. Mae Wikipedia yn disgrifio canfod anomaleddau a'i ddulliau. Mewn gweithrediadau, gallai model ddysgu patrwm dyddiol ac wythnosol normal ceisiadau a nodi gwyriadau. Nid yw normal yn gyson: mae tymhorolrwydd, a ddisgrifir ar Wikipedia, yn golygu bod bore Llun yn edrych yn wahanol i nos Sul. Mae canfodyddion da yn ei ystyried.
Cyfres amser. Data a gofnodir dros amser, fel amseroedd ymateb neu gyfrifon gwallau. Mae Wikipedia yn disgrifio dadansoddi cyfres amser. Mae'r rhan fwyaf o fetrigau gweithrediadau yn gyfresi amser, ac mae technegau AIOps yn adeiladu ar ddulliau ar gyfer eu modelu a'u rhagweld.
Cydberthyn hysbysiadau a lleihau sŵn. Cyfuno rhybuddion sy'n deillio o un achos yn un digwyddiad, a rhwystro dyblygion a sŵn hysbys. Mae Wikipedia yn disgrifio cydberthyn hysbysiadau. Mae technegau clystyru, a ddisgrifir ar Wikipedia fel dadansoddi clwstwr, yn grwpio eitemau yn ôl tebygrwydd. Mae cydberthyn da yn troi dau gant o rybuddion yn un, gyda'r ffynhonnell debygol wedi'i henwi.
Awgrymu gwraidd achos. Defnyddio topoleg, cofnodion newid, logiau a digwyddiadau'r gorffennol i gynnig ble mae nam yn debygol o fod. Damcaniaethau yw awgrymiadau. Maent yn fwyaf defnyddiol pan fyddant yn pwyntio at newid diweddar neu ddibyniaeth, ac yn lleiaf dibynadwy pan fo'r achos yn newydd.
Gweithrediadau rhagfynegol. Rhagweld problemau cyn iddynt ddigwydd, fel disg a fydd yn llenwi ymhen tridiau neu gydran sy'n debygol o fethu. Mae Wikipedia yn disgrifio cynnal a chadw rhagfynegol a dadansoddeg ragfynegol. Tebygolrwyddau yw rhagfynegiadau, ac mae gan bob un gost am rybuddion ffug ac am rai a gollwyd. Gweler Pwnc 7.5 — Dadansoddeg Ragfynegol a Rhagweld.
Dadansoddi logiau. Defnyddio technegau o brosesu iaith naturiol ac ystadegau i ddod o hyd i batrymau mewn logiau, fel mathau newydd o negeseuon neu newidiadau mewn amlder. Mae Wikipedia yn disgrifio dadansoddi logiau.
AI cynhyrchiol mewn gweithrediadau. Gall modelau iaith mawr grynhoi llinellau amser digwyddiadau, cyfieithu rhybuddion i iaith syml, drafftio camau llawlyfr gweithredu, ac ateb cwestiynau am yr amgylchedd. Maent yn ychwanegu hyblygrwydd a'r risg o gynnwys a ddyfeisiwyd. Gweler Pwnc 5.4 — AI Cynhyrchiol ar gyfer Digwyddiadau, Gwybodaeth a Newidiadau.
Manylder, adalw a chostau gwallau. Gall canfodydd fod yn anghywir mewn dwy ffordd: gall godi rhybudd ffug (positif ffug) neu golli problem go iawn (negatif ffug). Mae Wikipedia yn disgrifio'r ddau fath o wall a'r mesurau manylder ac adalw. Mae tiwnio i leihau un yn cynyddu'r llall. Mae'r cydbwysedd cywir yn dibynnu ar gost pob un, ac mae gwasanaethau gwahanol yn haeddu gosodiadau gwahanol.
Drifft cysyniad. Mae modelau'n dysgu o ddata'r gorffennol, ac mae'r byd yn newid: rhyddhau newydd, patrymau traffig newydd, seilwaith newydd. Mae Wikipedia yn disgrifio drifft cysyniad, lle mae priodweddau ystadegol yr hyn a ragfynegir yn newid dros amser. Gall model a oedd yn gywir ym mis Ionawr fod yn gamarweiniol erbyn mis Mehefin oni chaiff ei fonitro a'i ailhyfforddi.
Eglurhad. Bydd ymatebwyr yn ymddiried mwy mewn awgrym, ac yn ei gywiro'n fwy defnyddiol, os gallant weld pam y'i gwnaed: pa fetrigau a symudodd, pa hysbysiadau a grwpiwyd, pa newid a ragflaenodd y symudiad. Mae Wikipedia yn disgrifio deallusrwydd artiffisial eglurhaol a phroblem blychau duon. Ar gyfer gweithrediadau, ffafriwch ddulliau sy'n dangos eu tystiolaeth.
Ansawdd data a chwmpas. Mae AIOps angen data da: cyflawn, cyson, wedi'i stampio ag amser yn gywir, ac wedi'i labelu â gwasanaethau a pherchnogion. Mae data coll neu anghyson yn cynhyrchu signalau a gollwyd a chysylltiadau ffug. Gweler Pwnc 4.4 — Rheoli Cyfluniad a Phwnc 7.2 — Sylfeini a Llywodraethu Data.
Syniadau awtonomig a hunan-iachâd. Y nod hirsefydlog o systemau sy'n canfod ac yn trwsio eu namau eu hunain, a ddisgrifir ar Wikipedia fel cyfrifiadura awtonomig. Mae rhannau'n ymarferol heddiw, fel ailgychwyn proses a fethodd. Mae hunan-iachâd eang yn llawer anoddach. Gweler Pwnc 6.6 — Awtomeiddio Llawlyfrau Gweithredu ac Awto-adfer.
Goruchwyliaeth ddynol. Mae'r ymatebydd yn parhau'n atebol. Mae allbynnau AIOps yn fewnbynnau i benderfyniad dynol, oni bai bod gweithred wedi'i diffinio'n gul wedi'i phrofi a'i chymeradwyo i redeg yn awtomatig. Gweler Pwnc 5.5 — AI Asiantaidd a Goruchwyliaeth Ddynol.
Sut mae'r lensys yn ffitio. Mae AIOps yn cyfuno AI a dadansoddeg ar gyfer y rhan gweithrediadau o reoli gwasanaethau. Mae arfer ystwyth yn awgrymu treialon bach ar un gwasanaeth, gydag adborth gan staff ar alwad. Mae awtomeiddio yn defnyddio allbwn AIOps, er enghraifft i agor tocyn neu redeg gwiriad diogel.
Arferion gorau
- Dechreuwch â phoen clir. Dewiswch un broblem, fel gormod o rybuddion ar un gwasanaeth, a mesur, fel nifer y tudalennau fesul sifft. Treialwch AIOps yno.
- Rhowch y data mewn trefn yn gyntaf. Gwiriwch fod logiau a metrigau'n gyflawn, stampiau amser yn gyson, a gwasanaethau a pherchnogion wedi'u labelu. Trwsiwch fylchau cyn beio'r model.
- Profwch yn erbyn digwyddiadau'r gorffennol. Ailchwaraewch ddata hanesyddol drwy'r offeryn, a gofynnwch beth y byddai wedi'i nodi, ei grwpio neu ei awgrymu. Cyfrwch rybuddion ffug a rhai a gollwyd.
- Cymharwch â dulliau syml. Cymharwch â throthwyon sefydlog a rheolau sylfaenol. Os yw dull syml yn gwneud cystal, defnyddiwch ef. Peidiwch â thalu am gymhlethdod nad yw'n ychwanegu dim.
- Ffafriwch allbynnau eglurhaol. Dewiswch offer sy'n dangos y dystiolaeth y tu ôl i rybudd neu achos a awgrymir. Mynnwch y gall ymatebwyr ei weld a'i herio.
- Dechreuwch yn y modd cynghorol. Gadewch i'r offeryn awgrymu, a gadewch i bobl benderfynu. Adolygwch yr awgrymiadau yn erbyn yr hyn a ddigwyddodd mewn gwirionedd am ychydig wythnosau cyn rhoi unrhyw weithred awtomatig iddo.
- Cyfyngwch ar gamau awtomatig. Caniatewch gamau cul, a ddeellir yn dda, gwrthdroadwy yn unig, gyda therfynau cyfradd, logiau a stop â llaw. Adolygwch bob dosbarth o weithred cyn ei alluogi.
- Monitrwch y modelau. Tracwch rybuddion ffug, rhai a gollwyd, a chyfran yr awgrymiadau a oedd yn ddefnyddiol. Gwyliwch am ddrifft ar ôl rhyddhau mawr ac ailhyfforddwch neu ailgyflunwch pan fo angen.
- Cadwch bobl ar alwad yn rhan o'r gwaith. Gofynnwch iddynt raddio awgrymiadau yn yr offeryn, ac adolygwch eu hadborth yn wythnosol. Nhw yw'r beirniaid gorau o ddefnyddioldeb.
- Cofnodwch yr hyn a rwystrwyd. Cadwch log o rybuddion a guddiwyd neu a unwyd gan y system, ac adolygwch samplau'n rheolaidd. Rhwystro yw lle mae'r methiannau gwaethaf yn digwydd.
Cwestiynau i'w trafod gyda'ch tîm
Pa rybuddion sy'n gwastraffu'r mwyaf o'n hamser ar alwad, ac a fyddai rheolau gwell yn eu trwsio cyn unrhyw AI? Dechreuwch â'r data. Mae llawer o broblemau sŵn yn ildio i atgyweiriadau syml. Disgwyliwch fod ychydig o reolau yn cyfrif am y rhan fwyaf o sŵn. Dilynwch trwy drwsio'r rheini ac yna ailasesu beth y gallai AI ei ychwanegu.
Pe bai'r offeryn wedi rhedeg yn ystod ein tri digwyddiad diwethaf, beth fyddai wedi'i ddweud wrthym, ac a fyddai hynny wedi helpu? Ailchwaraewch neu efelychwch. Disgwyliwch ganlyniadau cymysg. Gofynnwch beth y byddai wedi'i golli. Dilynwch trwy ddewis y math o ddigwyddiad lle mae'r offeryn yn ymddangos fwyaf addawol.
Sut y byddem yn gwybod bod yr offeryn wedi atal rhybudd go iawn? Mae hyn yn profi goruchwyliaeth. Disgwyliwch "ni fyddem". Dilynwch trwy gytuno ar log o hysbysiadau a rwystrwyd, sampl reolaidd, a rheol ar yr hyn na chaiff ei rwystro byth.
Pwy sy'n atebol pan fydd gweithred awtomatig yn mynd o'i le, a beth yw ei therfynau? Enwch berchennog a rhestrwch gamau a ganiateir. Disgwyliwch atebion amwys. Dilynwch trwy ysgrifennu rhestr fer o gamau a ganiateir heb gymeradwyaeth, pob un gydag ôl-dreiglo.
Sut y byddwn yn canfod bod y model wedi drifftio ar ôl rhyddhad mawr neu newid mewn traffig? Gofynnwch am y cynllun. Disgwyliwch ddim. Dilynwch trwy ddewis dangosyddion, fel cyfradd rhybuddion ffug, a dyddiad adolygu ar ôl pob rhyddhad mawr.
Beth fyddai staff ar alwad eisiau gan yr offeryn hwn, a beth fyddai'n gwneud iddynt roi'r gorau i ymddiried ynddo? Gofynnwch iddynt yn uniongyrchol. Disgwyliwch atebion ymarferol am gyd-destun a rhybuddion ffug. Dilynwch trwy droi'r atebion yn feini prawf derbyn ar gyfer y treial.
Yn ymarferol: enghraifft o reoli gwasanaethau
Mae tîm gweithrediadau gwasanaeth tywydd cenedlaethol yn rhedeg piblinellau rhagolygon ac API cyhoeddus ar stad gymysg o systemau ar y safle a chwmwl. Mae staff ar alwad yn cael tua 300 o rybuddion y dydd, y rhan fwyaf ohonynt o ychydig o ffynonellau swnllyd. Mae gwerthwr yn cynnig llwyfan AIOps gyda chydberthyn awtomatig ac awgrymiadau gwraidd achos.
Mae arweinydd gweithrediadau yn cytuno i dreial gydag amodau. Yn gyntaf, mae'r tîm yn glanhau'r 12 rheol fwyaf swnllyd, sy'n cael gwared ar tua hanner y cyfaint. Yn ail, mae'n ailchwarae chwe mis o ddata, gan gynnwys 14 o ddigwyddiadau, drwy'r llwyfan yn y modd cynghorol. Yn yr ailchwarae, mae'r llwyfan yn grwpio rhybuddion yn dda: mae'r digwyddiad cyfartalog a gynhyrchodd 80 o rybuddion yn ymddangos fel tri grŵp. Mae'n nodi'r arwydd cyntaf yn gywir mewn naw o'r 14 digwyddiad, yn colli tri lle'r oedd y symptom cyntaf mewn log, ac yn codi rhybuddion ffug ar ailbrosesu nosol arferol, sydd â phatrwm nad yw wedi'i ddysgu.
Mae'r tîm yn ei ddefnyddio yn y modd cynghorol ar un biblinell am ddau fis, gyda staff ar alwad yn graddio pob awgrym fel defnyddiol, niwtral neu anghywir. Graddir tua 55 y cant fel defnyddiol, a 15 y cant yn anghywir, fel arfer lle mae newid diweddar heb ei gofnodi yw'r achos. Yna caniateir i'r llwyfan agor tocynnau'n awtomatig ar gyfer digwyddiadau wedi'u grwpio, a dim byd arall. Mae'r tîm yn cadw adolygiad wythnosol o rybuddion a rwystrwyd ac, ar ôl rhyddhad mawr, yn canfod bod llinell sylfaen y model ar gyfer traffig bellach yn anghywir a bod yn rhaid ei hailhyfforddi.
Beth sy'n newid: mae staff ar alwad yn cael llawer llai o rybuddion, wedi'u grwpio'n well. Beth sy'n parhau'n anodd: mae awgrymiadau'r llwyfan yn dibynnu ar gofnodion newid cywir, sy'n anghyflawn; mae'n llai defnyddiol ar gyfer methiannau newydd; ac mae prisio'r gwerthwr yn tyfu gyda chyfaint data, felly mae'r tîm yn cyfyngu ar yr hyn y mae'n ei fewnbynnu. Mae'r arweinydd yn bwriadu ehangu'r treial i biblinell arall dim ond ar ôl adolygiad pellach o'r rhai a gollwyd.
Pedwar persbectif
Timau cynnyrch a chyflawni
Allyrrwch delemetreg dda: logiau cyson, metrigau gyda labeli gwasanaeth, a chofnodion o ddefnyddiadau a newidiadau. Rhannwch wybodaeth ddylunio gyda'r tîm gweithrediadau, a helpwch i wirio awgrymiadau'r offeryn am eich gwasanaeth.
Timau gwasanaeth a gweithrediadau
Defnyddiwch yr offeryn fel cynorthwyydd: graddiwch awgrymiadau, adolygwch eitemau a rwystrwyd, ac adroddwch yr hyn a gollwyd. Cadwch reolau'n syml lle maent yn gweithio, a chadwch berchnogaeth penderfyniadau a chamau gweithredu.
Arweinyddiaeth a llywodraethu
Gofynnwch am ganlyniadau o brofion ailchwarae a threial, nid o arddangosiad. Gosodwch derfynau ar gamau awtomatig. Ariennwch ansawdd data a hyfforddiant. Byddwch yn ofalus o honiadau o weithrediadau cwbl ymreolaethol.
Cwsmeriaid a defnyddwyr
Dylech sylwi ar lai o amhariadau, a rhai byrrach, nid ar newidiadau yn y ffordd y cyfathrebir problemau i chi. Dywedwch wrth y darparwr os collwyd digwyddiad cyn i chi sylwi.
Ystwyth, AI, awtomeiddio a dadansoddeg
Ystwyth
Treialwch ar un gwasanaeth, gyda staff ar alwad yn rhoi adborth mynych, yna ehangwch mewn camau. Adolygwch y rhai a gollwyd ar ôl pob digwyddiad ac addaswch. Rhybudd: mae tiwnio model yn gyson heb gofnodi newidiadau yn gwneud ymddygiad yn anrhagweladwy; cadwch gofnod newidiadau.
AI
Mae'r offeryn ei hun yn system AI gyda pherchennog, data prawf ac adolygiad. Trinwch ef fel unrhyw un arall: cofnodwch beth y caiff ei wneud, monitrwch ef, a phrofwch ar ôl diweddariadau. Rhybudd: gall gwerthwyr newid modelau heb rybudd; gofynnwch sut maent yn cyhoeddi newidiadau a phrofwch yn rheolaidd. Gweler Pwnc 5.6 — Llywodraethu, Risg a Chydymffurfio AI.
Awtomeiddio
Cysylltwch allbwn AIOps â chamau awtomataidd cul, wedi'u profi, fel creu tocynnau, casglu diagnosteg, ac ailgychwyn proses sy'n methu'n hysbys, gyda therfynau a logiau. Rhybudd: gall camau awtomatig a ddewiswyd o ragfynegiadau ansicr waethygu digwyddiad; mynnwch hyder uchel ac ôl-dreiglo. Gweler Pwnc 6.6 — Awtomeiddio Llawlyfrau Gweithredu ac Awto-adfer.
Dadansoddeg
Mesurwch gyfaint rhybuddion, cyfran ddefnyddiol, rhybuddion ffug, rhai a gollwyd a ganfuwyd mewn adolygiadau digwyddiadau, amser i ganfod, ac amser i wneud diagnosis. Rhybudd: gellir lleihau cyfaint rhybuddion trwy guddio rhybuddion go iawn; cymharwch bob amser yn erbyn digwyddiadau a'r rhai a gollwyd. Gweler Pwnc 7.4 — Arsylwadwyedd a Thelemetreg a'r llyfr Service Management Metrics.
Dulliau methu cyffredin
- Prynu addewid. Cymerir arddangosiad y gwerthwr fel tystiolaeth. Profwch ar eich data eich hun gydag ailchwarae a threial.
- Data gwael. Mae'r model yn dysgu o logiau a labeli anghyson. Trwsiwch ddata yn gyntaf.
- Rhwystro heb adolygiad. Cuddir rhybuddion go iawn. Logiwch a samplwch yr hyn a rwystrir.
- Awgrymiadau anhryloyw. Ni all ymatebwyr eu barnu. Ffafriwch offer sy'n dangos tystiolaeth.
- Awtomeiddio cynamserol. Mae camau anghywir yn digwydd ar gyflymder. Dechreuwch yn gynghorol a chyfyngwch gamau.
- Anwybyddu drifft model. Mae cywirdeb yn dirywio'n dawel. Monitrwch ac ailhyfforddwch ar ôl newidiadau.
- Cymhlethdod heb fudd. Byddai rheol syml yn ddigon. Cymharwch â dulliau syml.
Model aeddfedrwydd
| Dimensiwn | Cychwyn | Datblygu | Safoni | Rheoli | Cydlynu |
|---|---|---|---|---|---|
| Sylfaen data | Anghyson | Prif ffynonellau wedi'u casglu | Telemetreg gyson, wedi'i labelu ac yn eiddo | Ansawdd data yn cael ei fesur a'i wella | Data'n cael ei rannu ar draws timau a chyflenwyr gyda llywodraethu |
| Defnydd o AI | Honiadau gwerthwr | Treial ar un gwasanaeth | Defnydd cynghorol gydag ailchwarae ac adborth | Canlyniadau'n cael eu mesur a gweithredu arnynt | AI wedi'i integreiddio ar draws gweithrediadau gyda goruchwyliaeth |
| Awtomeiddio | Dim | Creu tocynnau | Camau cul, cymeradwy gyda therfynau | Camau'n cael eu hadolygu a'u gwella | Awtomeiddio ehangach yn ôl risg gyda rheolaeth ddynol |
| Gofal model | Dim | Tiwnio ad hoc | Monitro drifft a gwallau | Ailhyfforddi wedi'i glymu wrth newid | Gwerthuso parhaus ar draws offer |
Rhestr wirio
- Rydym wedi dewis problem benodol a mesur ar gyfer treial.
- Rydym wedi trwsio'r gwaethaf o'n sŵn rhybuddion gyda rheolau syml yn gyntaf.
- Rydym wedi profi'r offeryn ar ddigwyddiadau hanesyddol a chyfrif y rhai a gollwyd a rhybuddion ffug.
- Rydym wedi ei gymharu â dulliau syml.
- Mae allbynnau'n ddealladwy i ymatebwyr.
- Rydym yn rhedeg yn y modd cynghorol cyn caniatáu unrhyw weithred.
- Mae camau awtomatig yn gul, wedi'u logio, â therfyn cyfradd, ac yn wrthdroadwy.
- Rydym yn monitro am ddrifft ac yn adolygu rhybuddion a rwystrwyd.
Anogwyr AI
Gwirio canlyniadau ailchwarae.
Dyma ganlyniadau ailchwarae [nifer] o ddigwyddiadau yn y gorffennol trwy ein hofferyn AIOps: ar gyfer pob un, y symptom go iawn cyntaf, beth a nododd yr offeryn a phryd, a beth a awgrymodd: [gludwch].
Cyfrifwch ar gyfer pob digwyddiad a nododd yr offeryn y broblem cyn y dudalen gyntaf, a rhestrwch rybuddion ffug a rhai a gollwyd. Crynhowch gyfrifon a nodwch ddigwyddiadau lle mae'r data'n aneglur. Peidiwch â graddio'r offeryn yn gyffredinol.
Rhestrwch y pethau rydych yn ansicr ohonynt.
Adolygu rhybuddion a rwystrwyd.
Dyma sampl o rybuddion a rwystrodd neu a unodd y system yr wythnos diwethaf, gyda manylion: [gludwch sampl].
Ar gyfer pob un, dywedwch a yw'r manylion yn awgrymu ei fod yn sŵn, yn ddyblyg o rybudd arall, neu o bosibl yn broblem go iawn, a rhowch eich rheswm. Nodwch y rhai na allwch eu barnu.
Rhestrwch y pethau rydych yn ansicr ohonynt.
Drafftio meini prawf derbyn ar gyfer treial.
Ein gwasanaeth: [disgrifiwch]. Ein poen gyfredol: [disgrifiwch, gyda rhifau os yn hysbys]. Ein cyfyngiadau: [rhestrwch].
Drafftiwch feini prawf derbyn ar gyfer treial dau fis o offeryn AIOps: mesurau, trothwyon y dylem gytuno arnynt ymlaen llaw, beth fyddai'n gwneud i ni stopio, a pha gamau awtomatig na chaniateir. Peidiwch â datgan honiadau gwerthwyr fel ffeithiau.
Rhestrwch y pethau rydych yn ansicr ohonynt.
Sgiliau AI
- anomaly-analysis: defnyddiwch i archwilio patrymau anarferol mewn data gweithrediadau.
- trend-analysis: defnyddiwch i weld sut mae metrigau'n newid dros amser.
- data-quality: defnyddiwch i wirio'r mewnbynnau y mae AIOps yn dibynnu arnynt.
- mlops: defnyddiwch i fonitro a chynnal modelau sydd ar waith.
- root-cause-analysis: defnyddiwch i brofi achosion a awgrymir yn erbyn tystiolaeth.
Prif ffynonellau
- Betsy Beyer and others (eds.), Site Reliability Engineering (2016), pennod ar fonitro systemau dosbarthedig, am ddim yn sre.google: sylfeini y mae AIOps yn adeiladu arnynt.
- PeopleCert, ITIL certification pages: disgrifiad y perchennog o'r arfer monitro a rheoli hysbysiadau.
- Wikipedia, "AIOps" a "Anomaly detection": trosolygon o'r term a'r technegau.
- Wikipedia, "Concept drift": y prif reswm pam mae modelau'n dirywio dros amser.
Cyfeiriadau
- AIOps — Wikipedia — https://en.wikipedia.org/wiki/AIOps
- Anomaly detection — Wikipedia — https://en.wikipedia.org/wiki/Anomaly_detection
- Event correlation — Wikipedia — https://en.wikipedia.org/wiki/Event_correlation
- Time series — Wikipedia — https://en.wikipedia.org/wiki/Time_series
- Seasonality — Wikipedia — https://en.wikipedia.org/wiki/Seasonality
- Cluster analysis — Wikipedia — https://en.wikipedia.org/wiki/Cluster_analysis
- Precision and recall — Wikipedia — https://en.wikipedia.org/wiki/Precision_and_recall
- Type I and type II errors — Wikipedia — https://en.wikipedia.org/wiki/Type_I_and_type_II_errors
- Concept drift — Wikipedia — https://en.wikipedia.org/wiki/Concept_drift
- Explainable artificial intelligence — Wikipedia — https://en.wikipedia.org/wiki/Explainable_artificial_intelligence
- Predictive maintenance — Wikipedia — https://en.wikipedia.org/wiki/Predictive_maintenance