Bagaimana AIOps dan Observability Dapat Membantu IT
Observabilitas AIOps membantu TI mengurangi waktu henti, meningkatkan kinerja aplikasi, dan membuat pelanggan senang.
Pada tahun 2016, Gartner menciptakan akronim AIOps (Kecerdasan Buatan untuk Operasi TI), tetapi bertahun-tahun sebelumnya, para profesional TI sudah mendengar dan mengalami elemen komputasi otonom. Teknologi otomatisasi tersebut memungkinkan mainframe dan server untuk membuat keputusan dan penyesuaian otomatis dan adaptif sehingga mereka dapat merespons sensor yang ditanamkan selama operasi mereka yang memberi tahu mereka tentang kinerja.
Memperkenalkan observabilitas AIOps
Baik itu AIOps atau komputasi otonom, tujuannya selalu untuk membantu TI dalam memantau dan menyesuaikan kinerja sehingga dapat memaksimalkan aset terkomputerisasi dan memberikan teknologi yang dioptimalkan untuk bisnis. TI naik di AIOps, sebagaimana dibuktikan oleh tingkat pertumbuhan tahunan gabungan 21,05% yang diperkirakan untuk solusi AIOps antara sekarang dan 2026.
Jadi, apa yang membuat AIOps menjadi proposisi nilai yang menarik?
Untuk pemrogram sistem yang terlalu banyak bekerja, pengelola jaringan, dan pengembang perangkat lunak, AIOps dapat memunculkan masalah paling mendesak dari tumpukan jerami peringatan harian dan potensi masalah kinerja yang mungkin atau mungkin tidak memerlukan perhatian dan penyelesaian segera. Peringatan ini datang dari mana-mana, berkat jumlah sistem tertutup yang harus dikelola oleh departemen TI perusahaan. Ada kalanya perubahan tersebut menimbulkan lebih banyak gangguan daripada bantuan.
Di mana AIOps membantu dalam mengurangi hiruk-pikuk peringatan ini untuk kondisi kritis yang benar-benar relevan dengan insiden atau pemadaman listrik. Itu dilakukan karena menggunakan kecerdasan buatan dan pembelajaran mesin saat melacak elemen dan dinamika infrastruktur TI organisasi, dan mempelajari apa yang normal dan apa yang menimbulkan masalah. Dilengkapi dengan pengetahuan ini, AIOps mengidentifikasi dan mengeluarkan peringatan seperti yang dilakukan oleh pendekatan sistem sebelumnya. Namun, yang membuat AIops hari ini unik adalah bahwa AI yang disertakan dengan pemantauan operasional kini membawa AIOps ke ranah keteramatan infrastruktur.
Observabilitas adalah pembuat perbedaan untuk TI karena mampu menggabungkan informasi kontekstual yang dikumpulkan dari infrastruktur TI dengan kecerdasan buatan dan otomatisasi, bukan hanya mengeluarkan peringatan mandiri dari komponen sistem individual yang harus dievaluasi dan dipecahkan secara terpisah oleh TI. Dengan pendekatan yang lebih holistik untuk evaluasi infrastruktur TI yang mencakup pengetahuan infrastruktur serta deteksi masalah, observabilitas AIOps menggunakan metrik, log, dan pelacakan TI, serta mengeluarkan rekomendasi diagnostik untuk perbaikan yang dapat digunakan TI untuk mempercepat waktu penyelesaian masalah.
Memahami observabilitas
Dalam praktiknya, platform observabilitas AIOps dapat mengintegrasikan berbagai sistem, data, dan jaringan yang dilalui aplikasi. Dalam lingkungan komputasi hybrid, ini bisa berarti melintasi alur kerja aplikasi yang melalui cloud serta sumber daya lokal. Salah satu — atau semua —sumber daya ini dapat mengeluarkan peringatan jika kinerja menurun. Tanpa AIOpsobservability, TI dapat mengevaluasi banyak peringatan yang masuk dari banyak modul dan elemen sistem, tanpa cara yang efisien untuk memisahkan “noise” peringatan dari akar penyebab masalah. Pengejaran angsa ini memperpanjang waktu henti sistem dan masalah kinerja. Ini menciptakan pengguna dan pelanggan yang tidak senang dan dapat merugikan perusahaan rata-rata $5.600 per menit.
Bagaimana observabilitas AIops memperbaiki waktu henti dan masalah kinerja
Misalnya, jika perangkat lunak AIOps memahami dinamika dan konteks operasional infrastruktur TI Anda, perangkat ini dapat dengan cepat mengambil aktivitas anomali dari cabang layanan lapangan di Pantai Timur yang biasanya tutup pada akhir pekan, tetapi tiba-tiba mencatat lonjakan aktivitas pada hari Sabtu.
AIOps dapat mendeteksi jika server atau router di jaringan Anda mendekati kapasitas, dan jika kelebihan kapasitas itu normal untuk situasi tertentu, seperti waktu pemrosesan tersibuk dalam sehari atau lonjakan tidak aktif yang disebabkan oleh promosi e-niaga .
Di bidang pengujian aplikasi, di mana beberapa sistem virtual diputar untuk pengujian tetapi dapat dilupakan setelah pekerjaan selesai, observability dapat mengidentifikasi aset yang tidak digunakan ini sehingga dapat dibatalkan alokasinya.
Dalam lingkungan hybrid di prem-cloud, observabilitas AIOps dapat memberi tahu pengembang aplikasi secara real time jika ada penyumbatan di suatu tempat dalam alur kerja aplikasi ujung ke ujung yang menghambat kinerja.
Hasilnya adalah TI berjalan lebih baik, aplikasi dikirim ke bisnis lebih cepat, dan waktu henti berkurang.
Status observabilitas
Meskipun demikian, observabilitas AIOps masih dalam tahap awal penerapan di banyak organisasi.
Salah satu tantangannya adalah tidak semua departemen TI memahami dengan tepat apa arti observabilitas — kata yang agak kabur — artinya. Sebaliknya, jika observabilitas dipahami sebagai “pengamatan berdasarkan informasi” yang difasilitasi oleh AI dan pembelajaran mesin, penggunaan teknologi mungkin akan bergerak lebih cepat, dan nilainya akan terbuka.
Setelah menjabat sebagai CIO selama lebih dari 20 tahun, saya tahu dua hal:
Pertama, CIO dan TI membenci waktu henti, melakukan perburuan 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 pertemuan "ruang perang" maraton yang terus terjadi pada tahun 2021 seperti yang terjadi pada tahun 1981, saling tuding akan lebih sedikit dan moral staf akan lebih tinggi. Kemampuan pengamatan AIO akan lebih membekali semua orang yang terlibat, mulai dari DBA hingga pengembang aplikasi hingga pemrogram sistem dengan satu versi kebenaran yang dapat ditindaklanjuti.
