Почему AIops может быть необходим для будущего инженерии


Вы не смогли посетить Transform 2022? Ознакомьтесь со всеми сессиями саммита в нашей доступной библиотеке прямо сейчас! Смотреть здесь.


Машинное обучение преодолел пропасть. В 2020 году McKinsey найдено что из 2395 опрошенных компаний 50% постоянно инвестируют в машинное обучение. К 2030 году машинное обучение предсказано доставить около 13 триллионов долларов. Вскоре хорошее понимание машинного обучения (ML) станет центральным требованием любой технической стратегии.

Вопрос в том, какая роль искусственный интеллект (AI) собираетесь играть в инженерии? Как появление машинного обучения повлияет на создание и развертывание кода в будущем? Здесь мы обсудим, почему машинное обучение становится центральным элементом непрерывного развития разработки программного обеспечения.

Растущая скорость изменений в разработке программного обеспечения

Компании ускоряют темпы изменений. Развертывание программного обеспечения проводилось раз в год или раз в два года. В настоящее время, две трети опрошенных компаний развертывают по крайней мере один раз в месяц, при этом 26% компаний развертывают несколько раз в день. Эта растущая скорость изменений демонстрирует, что отрасль ускоряет скорость изменений, чтобы не отставать от спроса.

Если мы будем следовать этой тенденции, ожидается, что почти все компании будут внедрять изменения несколько раз в день, если они хотят идти в ногу с изменяющимися требованиями современного рынка программного обеспечения. Масштабирование этого скорость изменения это трудно. По мере того, как мы ускоряемся еще быстрее, нам нужно будет найти новые способы оптимизации наших методов работы, справиться с неизвестными и вывести разработку программного обеспечения в будущее.

Введите машинное обучение и AIops

Сообщество инженеров-программистов понимает операционные издержки, связанные с запуском сложной системы. микросервисы архитектура. Инженеры обычно тратят 23% своего времени претерпевают эксплуатационные испытания. Как AIops может снизить это число и высвободить время для инженеров, чтобы они могли вернуться к написанию кода?

Использование AIops для оповещений путем обнаружения аномалий

Общей проблемой в организациях является обнаружение аномалии. Аномальные результаты — это те, которые не соответствуют остальной части набора данных. Задача проста: как определить аномалии? Некоторые наборы данных содержат обширные и разнообразные данные, в то время как другие очень однородны. Категоризация и обнаружение внезапных изменений в этих данных становится сложной статистической проблемой.

Обнаружение аномалий с помощью машинного обучения

Обнаружение аномалии – это техника машинного обучения который использует возможности алгоритма распознавания образов на основе искусственного интеллекта для поиска выбросов в ваших данных. Это невероятно эффективно для решения операционных задач, когда, как правило, операторам-людям необходимо отфильтровывать шум, чтобы найти полезную информацию, скрытую в данных.

Эти идеи убедительны, потому что ваш подход ИИ к оповещению может вызвать проблемы, с которыми вы никогда раньше не сталкивались. При использовании традиционных предупреждений вам, как правило, придется упреждать инциденты, которые, по вашему мнению, могут произойти, и создавать правила для предупреждений. Их можно назвать вашими известные известные или ваш известные неизвестные. Инциденты, о которых вы знаете, или слепые пятна в вашем мониторинге, которые вы освещаете на всякий случай. Но как насчет вашего неизвестные неизвестные?

Вот где твой алгоритмы машинного обучения Приходите. Ваши оповещения, основанные на AIops, могут служить защитной сеткой вокруг ваших традиционных оповещений, поэтому, если в ваших журналах, метриках или трассировках произойдут внезапные аномалии, вы можете работать с уверенностью, что вы будете проинформированы. Это означает меньше времени на определение невероятно детализированных оповещений и больше времени на создание и развертывание функций, которые выделят вашу компанию на рынке.

AIops может стать вашей страховкой

Вместо того, чтобы определять множество традиционных предупреждений для каждого возможного результата и тратить много времени на создание, обслуживание, изменение и настройку этих предупреждений, вы можете определить некоторые из своих основных предупреждений и использовать подход AIops для захвата остальных.

По мере того, как мы перерастаем в современную разработку программного обеспечения, время инженеров становится дефицитный ресурс. AIops может снизить растущие эксплуатационные расходы на программное обеспечение и высвободить время разработчиков программного обеспечения для инноваций, разработки и перехода в новую эру кодирования.

Ариэль Ассараф, генеральный директор Коралогикс.

DataDecisionMakers

Добро пожаловать в сообщество VentureBeat!

DataDecisionMakers — это место, где эксперты, в том числе технические специалисты, работающие с данными, могут делиться знаниями и инновациями, связанными с данными.

Если вы хотите читать о передовых идеях и актуальной информации, передовых методах и будущем данных и технологий обработки данных, присоединяйтесь к нам на DataDecisionMakers.

Вы могли бы даже рассмотреть добавление статьи вашего собственного!

Узнайте больше от DataDecisionMakers

Leave a Comment