어제의 기술로는 오늘날의 역동적이고 끊임없이 변화하는 IT 세상을 감당할 수 없습니다. 인프라 모델 변경은 지속적이고 빠르기 때문에 기술과 동적 관리 방법을 사용해야 합니다.
즉각적으로 적응하고 재구성하는 소프트웨어 정의 리소스 환경은 수십 년 동안 기업 환경을 특징짓는 정적이고 예측 가능한 물리적 시스템을 대체하고 있습니다.
또한 네트워크 아키텍처 변화에 따라 구식 모델 기반 소프트웨어 시스템은 효율성을 유지하기 위해 점점 더 많은 노동력을 필요로 하는 동시에 점점 더 뒤처지게 됩니다.
AIOps는 최근 몇 년 동안 급증했습니다. 당신이 기술자라면 한 번쯤은 들어봤을 텐데 아마 잘 모르실 겁니다. 그렇다면 의심할 여지 없이 적절한 위치에 있는 것입니다.
이 기사에서는 AIOps가 필요한 이유, 작동 방식, 장점 등을 자세히 살펴보겠습니다.
AIOps 소개
사용 인공 지능 일상적인 IT 운영 프로세스 및 활동에서 (AI) 및 기계 학습 및 자연어 처리(NLP)와 같은 관련 기술을 IT 운영을 위한 인공 지능(AIOps)이라고 합니다.
ITOps의 예측 가능한 미래(IT 운영)를 나타냅니다. 알고리즘과 인간 지능을 결합하여 기업과 조직이 일상적인 운영에 의존하는 IT 시스템의 기능과 상태에 대한 완전한 통찰력을 제공합니다.
사용하여 IT 운영을 개선하고 자동화하는 고급 다층 기술 플랫폼을 말합니다. 기계 학습 다양한 ITOps 도구 및 장치에서 수집된 대량의 데이터를 검사하여 문제를 인식하고 실시간으로 자동으로 응답하는 분석.
AIOps를 사용하려면 구획화된 IT 데이터에서 빅 데이터 플랫폼 내부의 집계 관찰 데이터(예: 작업 로그 및 모니터링 시스템에서 발견됨) 및 참여 데이터(예: 티켓, 이벤트 또는 문제 기록에서 발견됨)로 전환해야 합니다. .
그런 다음 AIOps는 풀링된 데이터에 분석 및 기계 학습을 적용합니다. 자동화된 배포를 통해 결과는 지속적인 개선으로 이어질 수 있는 지속적인 통찰력입니다.
따라서 기본적인 IT 운영을 위한 CI/CD(지속적 통합 및 지속적 배포)로 볼 수 있습니다.
AIOps를 사용하면 IT Ops, DevOps 및 SRE 팀이 보다 효율적이고 빠르게 작업할 수 있으므로 디지털 서비스의 문제를 조기에 식별하고 비즈니스 운영 및 고객에게 부정적인 영향을 미치기 전에 해결할 수 있습니다.
이는 IT 데이터 및 관찰 가능성 원격 측정의 알고리즘 분석을 통해 수행됩니다.
AIOps는 자동화, 서비스 관리, 성과 관리라는 세 가지 IT 분야의 강점을 결합하여 지속적인 학습 및 개발 목표를 달성합니다..
새로운 하이퍼스케일 및 가속화된 IT 환경에서 빅 데이터와 기계 학습 발전을 활용하여 레거시 도구와 사람의 제약을 뛰어넘을 수 있는 새로운 전략이 가능하다는 것을 깨달았습니다.
AIOps를 사용하면 기업이 현대 비즈니스에 필요한 속도로 기능을 수행하는 동시에 IT가 디지털 혁신 이니셔티브의 중심에 있을 때 환상적인 사용자 경험을 제공할 수 있습니다.
AIOps가 필요한 이유는 무엇입니까?
많은 기업에서 정적이고 분리된 온사이트 시스템은 리소스가 지속적으로 확장되고 재구성되는 온프레미스, 퍼블릭 클라우드, 프라이빗 클라우드 및 관리형 클라우드 환경이 더 동적으로 혼합되어 있습니다.
IT 부서는 증가하는 장치(특히 사물 인터넷(IoT)), 시스템 및 애플리케이션의 수를 추적해야 합니다. 기관차가 한 번에 생성할 수 있는 데이터의 기가바이트를 고려하십시오.
빅 데이터는 이러한 현상을 설명하기 위해 IT에서 사용되는 문구입니다. IT 운영에서 처리해야 하는 방대한 양의 데이터는 사람이 처리할 수 없습니다. IT 직원은 신속한 대응을 위해 다양한 문제의 우선 순위를 지정할 수 없습니다.
그들은 엄청난 수의 알림을 받고, 그 중 다수는 중복되어 넘쳐납니다. 결과적으로 고객과 사용자 경험이 손상됩니다.
기존 IT 관리 기술로는 이 볼륨을 처리할 수 없습니다. 그들은 데이터의 홍수에서 이벤트를 효과적으로 해독할 수 없습니다. 서로 다르지만 상호 관련된 컨텍스트의 데이터를 연결할 수 없습니다.
그들은 IT 운영에 문제에 신속하게 대응하는 데 필요한 실시간 정보와 예측 분석을 제공할 수 없습니다. 조직은 심각한 중단 및 기타 IT 운영 문제를 보다 신속하게 식별, 수정 및 방지하기 위해 AIOps를 사용하고 있습니다.
AIOps를 사용하면 IT 운영 팀이 훨씬 적은 작업으로 중단 및 속도 저하에 신속하고 능동적으로 대응할 수 있습니다.
시스템 성능 및 가용성의 다운타임이 거의 또는 전혀 없다는 사용자의 기대와 역동적이고 다양하며 도전적인 IT 생태계 사이의 격차를 메워줍니다.
AIOps의 기본 구성요소
AIOps의 권한과 책임을 더 잘 이해하기 위해 기본 구성 요소를 살펴보겠습니다. 그 중에는 다음이 있습니다.
상당한 IT 데이터
데이터 사일로를 해체하는 것은 AIOps의 기본 목표입니다. 이를 위해 여러 IT 서비스 관리 및 IT 운영 관리 데이터 세트를 결합합니다. 이를 통해 근본 문제를 보다 신속하게 자동화하고 식별할 수 있습니다.
방대한 데이터 수집
모든 AIOps 플랫폼의 핵심 구성 요소는 빅 데이터입니다. AIOps는 사일로를 없애고 이미 액세스 가능한 데이터를 해제하여 이미 수집된 저장된 데이터와 실시간으로 생성되는 데이터 모두에 대해 정교한 분석을 사용할 수 있습니다.
기계 학습
AIOps는 분석해야 할 방대한 양의 데이터로 인해 인간의 수동 능력을 능가하는 정교한 기계 학습 기술에 의존합니다.
AIOps는 분석을 자동화하고 연결 및 통찰력을 찾아 다른 방식으로는 상상할 수 없는 속도와 정밀도로 확장합니다.
관찰
데이터 및 데이터 동작을 모니터링하는 플랫폼의 기능은 AIOps 프로세스에서 중요한 역할을 합니다. 레거시 인프라, 컨테이너, 클라우드 또는 가상화된 시스템과 같은 많은 IT 도메인 및 소스의 데이터는 데이터 검색을 통해 AIOps에서 수집할 수 있습니다.
최신 기반을 제공하려면 데이터를 가능한 한 실시간에 가깝게 수집해야 합니다.
개입
ITSM을 포함한 수많은 IT 분야에서 AIOps 솔루션은 컴퓨터 시스템 및 소프트웨어의 구성, 조정 및 관리를 제공합니다.
AIOps 분석을 통해 환경 데이터를 포함하고 자동화를 가능하게 하는 동시에 데이터의 신뢰성과 관련성을 높일 수 있습니다.
동작
AIOps의 궁극적인 목표는 모든 프로세스가 완전히 자동화된 시스템을 구축하여 모든 허점을 제거하고 IT 운영 직원을 모든 직무에서 해방시키는 것입니다.
AIOps는 아직 초기 단계에 있으며 일부 팀은 잠재력을 완전히 수용하는 것을 꺼립니다.
그럼에도 불구하고 AIOps는 간단한 작업과 복잡한 작업을 모두 관리할 수 있으며 많은 기업이 점점 더 어려운 작업을 수행하는 AIOps 시스템에 익숙해지고 있습니다.
AIOps의 기능
중앙 집중식 참여 시스템을 제공하기 위해 AIOps는 액세스 가능한 모든 IT 모니터링 소스에서 데이터를 수집하고 분석하기 위해 독립적으로 배포될 때 최상의 성능을 발휘합니다.
인간의 인지 기능이 이를 수행하는 것과 거의 동일한 절차를 사용합니다. 다음은 사용 중인 XNUMX가지 주요 알고리즘입니다.
데이터 선택
AIOps는 지정된 선택 및 우선 순위 매개변수를 기반으로 액세스할 수 있는 엄청난 양의 IT 데이터를 선별하고 분석하고 필수 데이터 항목을 찾아 테라바이트 크기의 데이터 "건초 더미"에 숨겨진 주요 "바늘"을 찾을 수 있어야 합니다.
Pattern recognition
AIOps는 관련 데이터를 검사하여 데이터 항목 간의 상관 관계를 식별하고 추가 분석을 위해 집합적으로 그룹화합니다.
직관
AIOps 시스템은 심층 연구 덕분에 문제, 발생 및 패턴의 근본 원인을 명확하게 식별할 수 있으며, 이를 통해 향후 조치를 안내하는 데 사용할 수 있는 통찰력 있는 결과도 얻을 수 있습니다.
협력
AIOps는 또한 협력을 위한 플랫폼 역할을 하여 적절한 팀과 개인에게 경고하고 적절한 정보를 제공하며 운영자 간의 거리에도 불구하고 효율적인 협업을 가능하게 해야 합니다.
자동화
마지막으로 AIOps는 문제에 즉각적으로 대응하고 해결하도록 구축되어 IT 운영의 효율성과 정확성을 크게 향상시킵니다.
장점
AIOps의 주요 이점은 IT 운영이 다양한 IT 운영 도구의 경고를 수동으로 정렬하여 속도 저하 및 중단을 찾아 해결하고 해결할 수 있다는 것입니다.
결과적으로 다음과 같은 여러 가지 뚜렷한 이점이 있습니다.
사전 예방적이며 예측 가능한 방식으로 비즈니스 관리
AIOps는 학습을 멈추지 않으므로 보다 긴급한 상황에 해당하는 덜 긴급한 경고 또는 신호를 발견하는 데 지속적으로 향상됩니다.
이는 IT 전문가가 속도 저하 또는 중단을 일으키기 전에 가능한 문제를 해결할 수 있도록 예측 알림을 제공할 수 있음을 의미합니다.
평균 해결 시간(MTTR) 속도 향상:
AIOps는 IT 운영의 노이즈를 쪼개고 다양한 IT 환경의 운영 데이터를 연관시켜 인간보다 빠르고 정확하게 근본적인 원인을 감지하고 해결 방법을 제공할 수 있습니다.
이로 인해 기업은 이제 이전에는 상상할 수 없었던 MTTR 목표를 설정하고 달성할 수 있습니다.
낮은 운영 비용
AIOps 솔루션은 다양한 방식으로 비용을 절감할 수 있지만 중요하고 어려운 것 중 하나는 직원을 추가하는 것입니다. 수동 사고 관리 번거롭고 느립니다.
조직은 복잡성과 데이터 양이 증가함에 따라 더 많은 사람을 고용하여 문제를 해결하려고 합니다. AIOps는 문제에 관한 유용한 정보를 제공하고 경고 수를 대폭 줄이고 운영을 자동화합니다.
이를 통해 기업은 일정한 인력을 유지하고 에스컬레이션 횟수를 줄이며 가동 중지 시간을 줄이기 위해 생산성을 높일 수 있습니다.
IT 운영 및 IT 운영 팀을 최신 상태로 유지:
AIOps 운영 팀은 특정 서비스 수준 임계값 또는 매개변수가 충족될 때만 경고를 수신하며, 가능한 최상의 진단을 내리고 최선의 가장 빠른 시정 조치를 취하는 데 필요한 모든 컨텍스트와 함께 알림을 받습니다.
이렇게 하면 운영 팀이 모든 환경에서 받는 경고 수가 줄어듭니다. AIOps가 더 많이 배우고 자동화할수록 더 적은 인력으로 "조명 유지"에 도움이 되어 IT 운영 직원이 회사에 더 높은 전략적 가치가 있는 작업에 집중할 수 있습니다.
몇 가지 주목할만한 이점은 다음과 같습니다.
- 직원과 고객 모두를 위한 향상된 경험
- 용량 및 인프라 활용도 증가
- IT 서비스와 비즈니스 서비스 출력 간의 향상된 동기화
- 새로운 IT 서비스의 신속한 제공
- 기술 격차 해소
- 기존 인프라, 퍼블릭 클라우드, 프라이빗 클라우드 및 하이브리드 클라우드 지원
- 사후 대응에서 사전 예방, 예측으로 문제 관리 전환
- IT 운영 직원 및 IT 운영 현대화
- 보안-운영 협력 강화
- 진압해야 할 화재가 적고 중단 비용이 적게 듭니다.
- MTTR(Mean Time to Resolve) 증가
- 변화와 성과의 관계 개선
- 변경을 효율적으로 관리할 수 있는 더 큰 능력
- AI가 분석을 지원하므로 IT 운영 직원의 업무가 줄어듭니다.
- 이상 탐지를 활용하여 문제가 소비자에게 영향을 미치기 전에 문제를 중지합니다.
- 인적 오류 감소
- 워크로드가 비용에 미치는 영향 이해
단점
합리적으로 성숙했음에도 불구하고 기본 AIOps 기술을 유용하게 만드는 방식으로 만들고 결합하기 위해서는 아직 더 많은 작업이 필요합니다. 일부 결함은 다음과 같습니다.
- AIOps 플랫폼 구현, 관리 및 유지에는 많은 시간과 노력이 소요될 수 있습니다.
- AIOps 시스템은 여러 데이터 소스와 데이터 저장, 보안 및 보존에 의존합니다.
- 성능은 사용자가 가르치는 알고리즘과 제공된 데이터에만 기반합니다. 따라서 프로그래밍의 경계를 초월할 수 없습니다.
- AIOps는 일부 기업이 싫어할 수 있는 도구에 대한 믿음을 필요로 합니다. AIOps 도구가 자율적으로 작동하려면 대상 환경의 변경 사항을 적절하게 추적하고, 필수 데이터를 수집 및 보호하고, 올바른 결론을 도출하고, 활동의 우선 순위를 지정하고, 마지막으로 적절한 자동화 단계를 실행해야 하기 때문입니다.
AIOps는 현재 IT 환경에서 어떤 역할을 합니까?
AIOps를 처음 봤을 때 이미 사용하고 있는 기술 범주에 어떻게 들어맞는지 즉시 깨닫지 못할 수도 있습니다.
그 근거는 기존 로그 관리, 모니터링, 오케스트레이션 또는 서비스 데스크 기술을 대신하지 않기 때문입니다.
대신 모든 단일 도메인 및 도구와 상호 작용하여 모든 단일 도메인 및 도구에서 데이터를 통합하고 사용합니다. 각 도구에서 동기화된 이미지를 제공하면 유용한 결과를 얻을 수도 있습니다.
이 도구들은 그 자체로 귀중품으로서 가치가 있습니다. 연결이 끊기면 적시에 적절한 정보를 얻기가 어렵습니다.
AIOps는 많은 부분적 관점을 결합하여 ITOps 팀이 알고 있어야 하는 광범위한 그림에 대한 철저한 이해를 위한 다양한 방법을 제공합니다.
AIOps가 ITOps의 극적인 출발을 나타내더라도 빅 데이터와 머신 러닝의 사용은 한동안 존재해 왔습니다.
수동에서 전환할 때 자동화 된 거래, 주식 중개인은 유사한 ML 전략을 채택했습니다. ML 및 분석의 사용 소셜 미디어 Google 지도, Instagram 또는 eBay 및 Amazon과 같은 온라인 상점에서도 한동안 사용되었습니다.
이러한 방법은 변화하는 상황에 대한 신속한 대응과 사용자 맞춤화가 필요한 설정에서 일관되고 널리 입증되었습니다.
AIOps의 AI 사용은 기계 학습보다 더 유망합니다. 지금 당장은 간단한 자동화 또는 머신 러닝을 통한 자동화를 사용하여 긴급한 사용 사례를 처리할 수 있습니다.
AI를 위한 새로운 애플리케이션이 지속적으로 개발되고 있습니다. 어쨌든 지금처럼 ITOps를 기반으로 인간 행동을 시작하기 전에 견고한 AIOps 기반이 구축되어야 합니다.
ITOps 직원의 임무는 보수적인 성격으로 인해 AIOps 시나리오에 더디게 적응합니다. 그들은 조직의 기반 시설의 안정성을 유지하고 조명을 유지하는 책임이 있습니다.
그러나 유비쿼터스 AIOps 구현 추세로 인해 더 많은 ITOps 조직이 곧 새로운 AIOps 기술 및 방법에 적응해야 합니다.
결론
IT 운영 팀과 기타 이해 관계자 간의 커뮤니케이션 및 협력을 개선한 결과 AIOps는 이미 디지털 혁신을 지원하기 시작했습니다.
미래에 애플리케이션이 점점 더 복잡해짐에 따라 자동화와 협력의 필요성은 더욱 중요해질 것입니다.
댓글을 남겨주세요.