Tingkatkan Kinerja IT: Memanfaatkan AIOps dan Observabilitas untuk Mengurangi Downtime dan Meningkatkan Kepuasan Pengguna
AIOps observability membantu TI untuk mengurangi downtime, meningkatkan kinerja aplikasi, dan menjaga pelanggan tetap bahagia.
Pada 2016, Gartner menciptakan singkatan AIOps (Artificial Intelligence for IT Operations), tetapi tahun sebelum itu, profesional TI sudah mendengar dan mengalami elemen komputasi otonom. Teknologi otomatisasi semacam itu memungkinkan mainframe dan server untuk membuat keputusan dan penyesuaian otomatis dan adaptif sehingga mereka dapat merespons apa yang dicakapkan oleh sensor yang tertanam di seluruh operasi mereka tentang kinerja.
Memperkenalkan AIOps observability
Baik itu AIOps atau komputasi otonom, tujuan selalu untuk membantu TI dalam memantau dan menyesuaikan kinerja sehingga dapat memanfaatkan aset komputerisasi dengan maksimal dan menyampaikan teknologi yang dioptimalkan ke bisnis. TI optimis tentang AIOps, seperti yang dibuktikan oleh laju pertumbuhan tahunan gabungan 21,05% yang diperkirakan untuk solusi AIOps antara sekarang dan 2026.
Jadi, apa yang membuat AIOps begitu menarik sebagai proposisi nilai?
Untuk programmer sistem yang kelebihan beban, administrator jaringan, dan pengembang perangkat lunak, AIOps dapat mengangkat masalah paling mendesak dari tumpukan peringatan harian dan masalah kinerja potensial yang mungkin atau mungkin tidak memerlukan perhatian dan penyelesaian segera. Peringatan ini datang dari mana-mana, berkat banyak sistem terisolir yang harus dikelola oleh departemen TI korporat. Ada saat ketika peringatan-creating noise lebih mengganggu daripada membantu.
Di sinilah AIOps membantu dalam cara menyaring ribuan peringatan ini menjadi kondisi kritis yang benar-benar relevan dengan insiden atau pemadaman. Ini melakukannya karena menggunakan kecerdasan buatan dan pembelajaran mesin saat melacak elemen dan dinamika infrastruktur TI organisasi, dan mempelajari apa yang normal dan apa yang menunjukkan masalah. Dilengkapi dengan pengetahuan ini, AIOps mengidentifikasi dan mengeluarkan peringatan seperti pendekatan sistem sebelumnya. Namun, yang membuat AIops hari ini unik adalah bahwa AI yang disertakan dengan pemantauan operasional kini membawa AIOps ke wilayah observabilitas infrastruktur.
Observabilitas adalah pembeda bagi TI karena mampu menggabungkan informasi kontekstual yang dikumpulkan dari infrastruktur TI dengan kecerdasan buatan dan otomatisasi daripada hanya mengeluarkan peringatan mandiri dari komponen sistem individual yang harus dievaluasi dan diselesaikan masalahnya secara terpisah oleh TI. Dengan pendekatan yang lebih holistik terhadap evaluasi infrastruktur TI yang termasuk pengetahuan infrastruktur serta deteksi masalah, AIOps observability menggunakan metrik, log, dan jejak TI dan mengeluarkan rekomendasi diagnostik untuk perbaikan yang dapat digunakan TI untuk mempercepat waktu penyelesaian masalah.
Memahami observabilitas
Dalam praktiknya, platform observabilitas AIOps dapat mengintegrasikan sistem, data, dan jaringan yang berbeda yang dilalui oleh aplikasi. Di lingkungan komputasi hibrid, ini dapat berarti melalui alur kerja aplikasi yang melalui cloud serta sumber daya on-premise. Sumber daya apa pun — atau semua — dari sumber daya ini dapat mengeluarkan peringatan jika kinerja menurun. Tanpa observabilitas AIOps, TI dapat menemukan dirinya mengevaluasi banyak peringatan masuk dari banyak modul dan elemen sistem, tanpa cara yang efisien untuk memisahkan “kebisingan” peringatan dari penyebab akar masalah. Pengejaran angsa liar ini memperpanjang downtime dan masalah kinerja sistem. Ini menciptakan pengguna dan pelanggan yang tidak bahagia dan dapat membiayai perusahaan rata-rata $5.600 per menit.
Bagaimana AIops observability mengatasi masalah downtime dan kinerja
Misalnya, jika perangkat lunak AIOps memahami dinamika dan konteks operasional infrastruktur TI Anda, ia dapat dengan cepat mendeteksi aktivitas anomali dari cabang layanan lapangan di Pria Barat yang biasanya tutup pada akhir pekan, tetapi tiba-tiba mencatat lonjakan aktivitas pada hari Sabtu.
AIOps dapat mendeteksi apakah server atau router di jaringan Anda berada di atau di dekap kapasitas, dan apakah pemanfaatan kapasitas berlebihan itu normal untuk situasi tertentu, seperti waktu pemrosesan paling sibuk pada hari atau lonjakan aktivitas yang disebabkan oleh promosi e-commerce.
Di bidang pengujian aplikasi, di mana beberapa sistem virtual dihidupkan untuk pengujian tetapi dapat dilupakan setelah pekerjaan selesai, observabilitas dapat mengidentifikasi aset idle ini sehingga dapat dialokasikan ulang.
Di lingkungan hibrid on prem-cloud, observabilitas AIOps dapat memberitahu pengembang aplikasi secara real time jika ada kendala di mana saja dalam alur kerja aplikasi dari ujung ke ujung yang membebani kinerja.
Hasilnya adalah TI berjalan lebih baik, aplikasi disampaikan ke bisnis lebih cepat, dan downtime berkurang.
Keadaan observabilitas
Dikatakan demikian, observabilitas AIOps masih dalam tahap awal penerapan di banyak organisasi.
Salah satu tantangan adalah tidak semua departemen TI memahami tepat apa yang dimaksud dengan observabilitas — kata yang agak samar. Jika, sebagai gantinya, observabilitas dipahami sebagai “observasi yang terinformasi” yang dimudahkan oleh AI dan pembelajaran mesin, adopsi teknologi mungkin akan berjalan lebih cepat, dan nilainya akan terlepas.
Telah menjabat sebagai CIO selama lebih dari 20 tahun, saya tahu dua hal:
Pertama, CIO dan TI benci downtime, pergi berburu angsa liar dan harus menenangkan emosi pengguna, pelanggan, dan manajemen sementara TI mencari tahu apa yang salah dalam aplikasi kompleks yang menyentuh banyak sistem.
Kedua, jika kita dapat mengakhiri rapat “war room” marathon yang terus terjadi pada 2021 sama seperti pada 1981, penyalahan satu sama lain akan berkurang dan moral staf akan lebih tinggi. Observabilitas AIOps akan lebih melengkapi semua yang terlibat, dari DBA ke pengembang aplikasi ke programmer sistem dengan satu versi kebenaran yang dapat ditindaklanjuti.
