بررسی اخیر IEEE از CIO ها و CTO های جهانی، هوش مصنوعی (AI) و یادگیری ماشینی (ML) را به عنوان مهمترین فن آوری ها در سال 2021 شناسایی کرده است. جای تعجب نیست که بسیاری از افراد در صنعت فناوری اطلاعات، AI و ML را از ویژگی های اساسی چشم انداز آتی فناوری می دانند. در واقع، ما در مراحل اولیه انقلاب هوش مصنوعی برای شبکه سازی هستیم. آنچه چند سال پیش با استفاده از هوش مصنوعی برای تسهیل در شناسایی ناهنجاری ها و عیب یابی در مرکز داده آغاز شد، به نظارت و پیش بینی خرابیهای شبکه در لبه تبدیل شده است. در آینده، ویژگی های جدید مبتنی بر بینش و دید عمیق و همچنین مبتنی بر نتیجه در کل زیرساخت شبکه قرار است عملیات کسب و کار را کاملاً با ترکیب اطلاعات فنی و تجاری در کنار هم متحول کنند.
پیوستار AIOps با راه حل هایی شروع می شود که معمولاً بهره وری عملیاتی در هسته شبکه یا مرکز داده را بهبود می بخشند. این ویژگی های AIOps در درجه اول رفتار شبکه را تحلیل و پیش بینی می کنند و نه بیشتر. مرحله بعدی در امتداد آن و با شروع به کار برای پذیرندگان اولیه، AIOps را از نظارت سیستم های IT به منظور تحلیل ریشه علت و شناسایی مشکلات در پیچیده ترین موارد، توسعه می دهد. با استفاده از AIOps به انتقال به مرحله منطقی بعدی، هوش مصنوعی و ML در زیرساخت ها و برنامه های کاربردی مورد استفاده قرار می گیرد. تا قبل از اینکه حتی روی عملکرد شبکه یا تجربه کاربر تأثیر بگذارند، به طور مستقل مسائل را شناسایی و به طور بالقوه برطرف کند.
تقویت کارایی عملیاتی در لبه
مرحله بعدی روی این پیوستار چیست؟ AIOps بجای تقویت فقط انعطاف پذیری شبکه در هسته شبکه، برای نظارت و اصلاح خودکار مسائل در لبه شبکه به کار می رود که یک نقطه انعطاف قابل توجه در امتداد پیوستار را نشان می دهد.
خرابی در لبه WAN می تواند برای یک سایت سازمانی فاجعه بار باشد. این اشکال باعث ساعت ها قطع شبکه، صدمه زدن به تجربه مشتری و جلوگیری از فعالیتهای درآمدزایی سازمان می شود. AIOps هایی که سیستم های WAN edge را هدف قرار می دهند – مانند روترها، دستگاه های SD-WAN و فایروال ها- جریان داده را در لبه شبکه بهینه می کنند، الگوهای ترافیکی شبکه را در یک مسیر کامل پیش بینی می کنند و دستگاه های لبه، نقطه خرابی احتمالی را شناسایی و مشکل را برطرف می کنند. این امر اجازه می دهد تا سازمان شبکه خود را از لبه تا لبه بهبود ببخشد، ارتقا دهد و بهره وری عملیاتی بیشتری داشته باشد.
و در سراسر شبکه
گسترش AIOps به لبه همچنین باعث افزایش اطلاعات در مدل های ML می شود. تا به طور مداوم استفاده از هوش مصنوعی را در سراسر شبکه یاد بگیریم و بهینه سازی کنیم. علاوه بر این، با افزایش تعداد کاربران، دستگاه ها و برنامه های موجود در شبکه های سازمانی، حجم داده های موجود در شبکه های مرتبط نیز سر به فلک می کشد. این بدان معناست که مدل های ML می توانند همزمان داده ها را از محل شبکه توزیع شده جذب، زمینه سازی و تجزیه و تحلیل کنند. تا تأثیر آن بر روی کاربران نهایی چه در شبکه داخلی و چه در کل WAN مورد ارزیابی قرار گیرد. سپس هوش مصنوعی می تواند وضعیت کلی شبکه را ارزیابی کند. شرایط ناهنجار را شناسایی کند، تیکتهای پشتیبانی را به طور خودکار باز کندو هشدار دهد و همچنین توصیه های تریاژ را به نمایندگان خدمات و مهندسان ارائه دهد.
همانطور که پایه و اساس عملکرد با گذشت زمان از طریق تجزیه و تحلیل شبانه روزی ML ایجاد می شود، این سیستم توانایی خود را در شناخت ویژگی های عملیاتی منحصر به فرد و شناسایی علائم مختل کننده خدمات سریعتر و با دقت بیشتری افزایش می دهد. که این امر باعث بهبود تفکیک رفتار نامطلوب در شبکه می شود. حتی وقتی ویژگی های AIOps در لبه به طور خودکار مشکلی را اصلاح نمی کنند، آنها به عنوان یک سیستم هشدار سریع عمل می کنند. که اغلب تشخیص خرابی سخت افزار احتمالی یا مشکلات مزمن سایت را فراهم می کند. این امکان اقدامات اولیه را انجام می دهد که می تواند هرگونه اختلال فاجعه بار را کاملاً پیش بینی کند.
خدمات اطلاعاتی بینش محور
امروزه، از قابلیت های AIOps در کلیه عملیاتهای فناوری اطلاعات برای نظارت، تریاژ و حتی پیش بینی مسائل و مشکلات شبکه در هسته و در لبه WAN استفاده می شود. در ادامه سفر AIOps، ارائه دهندگان خدمات مدیریت شده (MSP) برنامه های AIOps را به طور گسترده تری در محیطهای دیجیتالی شرکتها و سازمانها گسترش می دهند. این فرصت در کشف بینش های داده محور است که شرکت را قادر می سازد تغییرات یا اقدامات اصلاحی را برای بهره مندی از بخشهای دیگر کسب و کار به کار گیرد.
به عنوان مثال، یک خرده فروش ممکن است از کیوسک های داخل فروشگاه برای کمک به خریداران در یافتن اطلاعات محصول یا پرداخت استفاده کند. هرگونه خطایی در آن سیستم کیوسک تجربه مشتری را برهم زده و بر کسب و کار تأثیر می گذارد. نظارت بر تجربه دیجیتال (DEM) می تواند اختلال در کیوسک یا سیستم کیوسک را تشخیص دهد، در حالی که AIOps مشکل احتمالی را مشخص می کند. به عنوان مثال، طبقه بندی موضوع به عنوان خرابی سیستم احتمالی نقطه فروش (POS) یا مشکلی در صفحه نمایش کیوسک. ممکن است MSP به صفحات سیستم یا سیستم عامل POS دسترسی مستقیم نداشته باشد اما می تواند مشتری را با بینش های AIOps که کسب و کار کلی را بهتر آگاه می کند، مسلح کند.
تحول تجاری از طریق خدمات مبتنی بر نتیجه
اما این میزان امکانات AIOps نیست. مرحله بعدی در امتداد پیوستار واقعاً دگرگون کننده خواهد بود. فراتر از بهبود عملکرد شبکه و عملکرد برای تأثیرگذاری بر تصمیم گیری تجاری.
یک نمونه را می توان در صنعت خرده فروشی مواد نفتی یافت. جایی که صاحبان اپراتورها به داده های AI و ML برای نظارت و حتی تأیید سطح سوخت در مخازن خود وابسته هستند. شبکه یک خرده فروش می تواند داده ها را از انواع سیستم های نصب شده در محل، از جمله میزان سوخت از سنسورهای مخزن ذخیره، جمع آوری و تجزیه و تحلیل کند. الگوهای ترافیک مشتری؛ و هوش مشتری محور POS (میزان، تکرر و نوع مواد خریداری شده). این داده های موجود در محل را می توان با AIOps تأیید کرد تا موجودی کالا را مشخص کند یا بر اساس “قوانین” یا سیاست های از پیش تعیین شده، نسبت به خطرات و ریسکها هشدار دهد.
این فقط یک نشانگر دیگر در امتداد نوآوری AIOps است.
مسیر پذیرش
هوش مصنوعی و AIOps یک فرصت هیجان انگیز برای شرکت ها و یک چالش جذاب برای MSP ها است. ما در آغاز یک سفر پیچیده به سمت خدمات بسیار کارآمدتر، قابلیت های جدید و خدمات مبتنی بر نتیجه واقعی هستیم. طیف نوآوری برای AIOps اکنون به وضوح از ابر به مرکز داده و تا لبه شبکه مشتری گسترش یافته است. این فناوری تازه در حال بلوغ است. و فرصت هایی از جمله تحقق “شبکه خود ترمیم کننده” وجود دارد. اما این واقعیت جدید نیز به سطح جدیدی از اعتماد و همکاری نیاز دارد.
با در معرض نمایش قرار دادن اطلاعات بیشتر کسب و کارها، شرکای داده جدید و سیستم عامل های جدید هوش مصنوعی، مشاغل و ارائه دهندگان خدمات با موضوعات پیچیده ای پیرامون حریم خصوصی، امنیت، یکپارچگی داده ها و بینش و معاملات محرمانه تجاری مواجه هستند. پیاده سازی های AIOps می تواند به ایجاد زیرساخت ها، اعتماد به نفس بیشتر سازمان و تیم قابل اعتماد برای رویارویی با تحولات دیجیتال سازمانی با استفاده از هوش مصنوعی و ML، مهمترین فناوری های سال 2021 کمک کند.
این مطلب ترجمه ای از این مقاله در سایت networkcomputing می باشد.
[/av_textblock]
[av_one_full first min_height=” vertical_alignment=” space=” custom_margin=” margin=’0px’ row_boxshadow=” row_boxshadow_color=” row_boxshadow_width=’10’ link=” linktarget=” link_hover=” padding=’0px’ highlight=” highlight_size=” border=” border_color=” radius=’0px’ column_boxshadow=” column_boxshadow_color=” column_boxshadow_width=’10’ background=’bg_color’ background_color=” background_gradient_color1=” background_gradient_color2=” background_gradient_direction=’vertical’ src=” background_position=’top left’ background_repeat=’no-repeat’ animation=” mobile_breaking=” mobile_display=” av_uid=’av-kw5bhw’]
[av_hr class=’custom’ height=’50’ shadow=’no-shadow’ position=’center’ custom_border=’av-border-thin’ custom_width=’50px’ custom_border_color=” custom_margin_top=’30px’ custom_margin_bottom=’30px’ icon_select=’yes’ custom_icon_color=’#7bb0e7′ icon=’ue857′ font=’entypo-fontello’ av_uid=’av-kk8jxbw4′ custom_class=” admin_preview_bg=”]
[av_icon_box position=’top’ icon_style=” boxed=” icon=’ue81f’ font=’entypo-fontello’ title=” link=” linktarget=” linkelement=” font_color=” custom_title=” custom_content=” color=” custom_bg=” custom_font=” custom_border=” av-medium-font-size-title=” av-small-font-size-title=” av-mini-font-size-title=” av-medium-font-size=” av-small-font-size=” av-mini-font-size=” av_uid=’av-kk8jy12r’ custom_class=” admin_preview_bg=”]
