در محیط های پیچیده امروز ، تیم های مهندسی هزاران سرویس ، میکروسرویس ، خطوط لوله و بار کار را مدیریت می کنند. با این مقیاس ، سر و صدا ، نوسانات و پیچیدگی عملیاتی که نظارت و مدیریت سنتی فقط نمی تواند از آن استفاده کند ، به وجود می آید.
وارد کردن عرفانی وت ملوان – دو الگوی قدرتمند و مکمل که در حال تغییر شکل مجدد نحوه عملکرد ما در ابر هستند. هنگامی که با هم اجرا می شوند ، آنها ستون فقرات مدیریت ابر خودمختار را تشکیل می دهند و سیستم هایی را قادر می سازند که بتوانند خود را به خودی خود ، خود ببرد و بهینه سازی کنند.
در این پست ، ما تجزیه و تحلیل خواهیم کرد که AIOPS و MLOP ها چیست ، چگونه از آنها عبور می کنند و چگونه می توانید استفاده از آنها را برای کاهش زحمت و ساخت زیرساخت های انعطاف پذیر و هوشمند شروع کنید.
aiops AIOPS چیست؟
AIOPS (هوش مصنوعی برای عملیات فناوری اطلاعات) به استفاده از فن آوری های AI/ML برای تقویت و خودکار سازی عملیات IT اشاره دارد.
از AIOPS به عنوان مرکز کنترل هوشمند خود فکر کنید – از راه دور از سیاهههای مربوط ، معیارها ، آثار و رویدادها استفاده می کند ، تجزیه و تحلیل و یادگیری ماشین را اعمال می کند و ارائه می دهد:
- تشخیص ناهنجاری در زمان واقعی
- تجزیه و تحلیل علت ریشه (RCA)
- هشدارهای پیش بینی کننده
- اصلاح خودکار
موارد استفاده کلیدی AIOPS:
- تشخیص تخریب عملکرد قبل از تأثیرگذاری بر کاربران
- حل و فصل خودکار حوادث با استفاده از کتابهای بازی یا رباتها
- پیش بینی استفاده از منابع برای بهینه سازی هزینه
- کاهش خستگی هشدار با همبستگی حوادث در میان ابزارها
ابزارهای محبوب AIOPS: Dynatrace ، Moogsoft ، Splunk Iti ، Datadog (W/ Watchdog) ، IBM Instana
mlops چیست؟
MLOPS (عملیات یادگیری ماشین) مجموعه ای از شیوه هایی است که چرخه عمر ML را ساده و خودکار می کند – از توسعه و آموزش گرفته تا استقرار و نظارت.
MLOPS به تیم ها کمک می کند:
- خطوط لوله ML قابل تکرار را بسازید
- داده ها و مدل های نسخه
- با خیال راحت و مداوم مدل ها را به تولید تبدیل کنید
- رانش و عملکرد مدل مانیتور
این DevOps برای یادگیری ماشین است – اطمینان حاصل می کند که مدل های ML فقط ساخته نشده اند ، اما هستند مستقر ، اداره و نگهداری مانند اجزای نرم افزاری درجه یک.
ابزارهای محبوب MLOPS: MLFlow ، Kubeflow ، خطوط لوله AI Vertex ، AWS Sagemaker ، Azure ML ، Metaflow ، TFX
🤝 AIOPS + MLOPS: بهتر با هم
در حالی که AIOP ها و MLOP ها اهداف مختلفی را ارائه می دهند ، آنها در سیستم های ابری مدرن و هوشمند عمیقاً متصل هستند:
| منطقه | نقش MLOPS | نقش AIOPS |
|---|---|---|
| استقرار مدل | استقرار مدل های ML را خودکار می کند | برای افزایش مشاهده مدل هایی مصرف می کند |
| بینش عملیاتی | عملکرد مدل و رانش | ناهنجاری های سیستم و الگوهای حادثه را تشخیص می دهد |
| اتهام اتوماسیون | خطوط لوله هوشمند و بازآموزی را فعال می کند | پاسخ حادثه POWERS و تنظیم خودکار |
| مقیاس پذیری | مقیاس ML بار کار به طور کارآمد | منابع ابری را به صورت پویا بهینه می کند |
با هم ، آنها یک را فعال می کنند حلقه بازخورد بسته:
👉 MLOPS اطلاعات را می سازد
👉 AIOPS اطلاعات را در مورد عملیات اعمال می کند
مثال در عمل: یک پلت فرم تجارت الکترونیکی خودمختار
بیایید بگوییم که شما یک بستر جهانی تجارت الکترونیکی را اداره می کنید. در اینجا نحوه عملکرد AIOPS و MLOP ها به طور هم زمان آمده است:
مرحله 1: خط لوله MLOPS
- یک مدل توصیه بر روی رفتار کاربر و ابرداده محصول آموزش داده می شود
- با استفاده از خطوط لوله Kubeflow یا Sagemaker ، این مدل به صورت هفتگی بازآموزی می شود و به طور خودکار برای تولید مستقر می شود
مرحله 2: نظارت AIOPS
- یک موتور AIOPS یک سنبله را از نظر تأخیر از موتور توصیه در یک منطقه تشخیص می دهد
- علت ریشه با افزایش ناگهانی در اندازه داده های ورودی ردیابی می شود
- یک اصلاح از قبل پیکربندی شده وارد می شود ، غلافهای استنتاج را از بین می برد و حافظه پنهان غیر ضروری را پاک می کند
این سیستم ترکیبی می تواند بهینه سازی ، خودگردانی و ادامه یادگیری با گذشت زمان باشد.
بهترین روشها برای اجرای AIOPS + MLOPS
- Silo Down: همکاری بین دانشمندان داده ، DevOps و SRES را تضمین کنید.
- همه چیز را خودکار کنید: از CI/CD تا CI/CT (آموزش مداوم) و اصلاح حادثه.
- با مشاهده شروع کنید: سیاهههای مربوط ، معیارها و آثار بنیادی هستند.
- مدل ها را نیز کنترل کنید: MLOPS در استقرار متوقف نمی شود – دقت و رانش.
- از ابزار مناسب استفاده کنید: چرخ را دوباره اختراع نکنید.
- با مدل های ML به عنوان محصولات رفتار کنید: نسخه آنها ، آنها را آزمایش کنید ، آنها را مستند کنید.
چه بعدی: جاده سیستم های ابری خودمختار
آینده عملیات ابری خودمختار است. هرچه سیستم ها پیچیده تر و توزیع می شوند ، انسان مقیاس نمی کند – اما هوش مصنوعی می خواهد.
با عرفانی، ماشین ها سر و صدا را مدیریت می کنند ، تهدیدات را تشخیص می دهند و در زمان واقعی اقدام می کنند.
با ملوان، سیستم های هوشمند شما به طور مداوم قابلیت های جدید را یاد می گیرند ، سازگار می شوند و ارائه می دهند.
با هم ، آنها تشکیل می دهند سیستم عصبی هوشمند از پشته ابر مدرن شما – به تیم های کمک به انجام کارهای بیشتر با کمتر ، کاهش قطع قطع و ارائه تجربیات دقیق تر به کاربران.
افکار نهایی
AIOPS و MLOP ها کلمات کلیدی نیستند – آنها ابزاری و شیوه هایی هستند که دهه آینده محاسبات ابری را تعریف می کنند. این که آیا شما در حال ساختن مدل های ML ، مدیریت زیرساخت ها یا طراحی برنامه های نسل بعدی هستید ، زمان آن رسیده است که تغییر به سمت مدیریت ابر خودمختار را در آغوش بگیرید.
