Inteligência artificial para operações de TI: diferenças entre revisões

Origem: Wikipédia, a enciclopédia livre.
Ver a alteração posterior →
Conteúdo apagado Conteúdo adicionado
VisualTexto wiki
Criada por tradução da página "Artificial Intelligence for IT Operations"
(Sem diferenças)

Revisão das 17h33min de 13 de setembro de 2022

 

Inteligência Artificial para Operações de TI (AIOps) é uma categoria do setor de aprendizado de máquina para tecnologia de análise de aprendizado de máquina que aprimora a análise de operações de TI. AIOps é a sigla de "Operações de Inteligência Artificial".[1] Tais tarefas de operação incluem automação, monitoramento de desempenho e correlações de eventos, entre outras. [2] [3]

Existem dois aspectos principais de uma plataforma AIOps: aprendizado de máquina e big data. Para coletar dados observacionais, que podem ser encontrados dentro de uma plataforma de big data, uma estratégia de aprendizado de máquina e análise de dados é implementada em relação aos dados de TI combinados. [4]

O objetivo do AIOps, primariamente, é reduzir o custo operacional das empresas,[5] receber insights contínuos que fornecem correções e melhorias contínuas por meio da automação. É por isso que o AIOps pode ser visto como CI/CD para as principais funções de TI. [6]

Dada a natureza inerente das operações de TI, que está intimamente ligada à implantação na nuvem e ao gerenciamento de aplicativos distribuídos, o AIOps tem levado cada vez mais à união de aprendizado de máquina e pesquisa em nuvem . [7] [8]

Processo

Os dados normalizados são adequados para serem processados por meio de algoritmos de aprendizado de máquina para reduzir automaticamente o ruído e identificar a provável causa raiz dos incidentes. A principal saída desse estágio é a detecção de qualquer comportamento anormal de usuários, dispositivos ou aplicativos.

A redução de ruído pode ser feita por vários métodos, mas a maioria das pesquisas na área aponta para as seguintes ações:

  1. Análise de todos os alertas recebidos;
  2. Remova duplicatas;
  3. Identifique os falsos positivos;
  4. Detecção e análise precoce de anomalias e falhas. [9]

Detecção de anomalias - outra etapa em qualquer processo de AIOps é baseada na análise do comportamento anterior de usuários, equipamentos e aplicativos. Qualquer coisa que se afaste dessa linha de base de comportamento é considerada incomum e sinalizada como anormal.

A determinação da causa raiz geralmente é feita passando os alertas recebidos por meio de algoritmos que levam em consideração eventos correlacionados, bem como dependências de topologia. Os algoritmos nos quais a IA está baseando seu funcionamento podem ser influenciados diretamente, essencialmente por "treiná-los". [10]

Uso

Um uso muito importante das plataformas AIOps está relacionado à análise de conjuntos de dados grandes e desconectados, como os dados do Johns Hopkins Covid-19 publicados no GitHub. [11] Os dados neste exemplo são extraídos de um grande número de bancos de dados não normalizados - dados agregados (10 fontes), dados regionais dos EUA (113 fontes) e dados fora dos EUA (37 fontes), que são inutilizáveis considerando o tempo de resposta de emergência necessário pelos modelos tradicionais de análise.

Geralmente, as principais áreas de uso das plataformas e princípios AIOps são [12]

Referências

  1. ↑ «AIOps». IBM. 15 de Abril de 2020. Consultado em 13 de setembro de 2022 
  2. ↑ «An Introduction to AIOps». The Register. Consultado em 13 de setembro de 2022 
  3. ↑ «AIOps - The Type of 'AI' with Nothing Artificial About It - Dataconomy». Dataconomy.com. Consultado em 13 de setembro de 2022 
  4. ↑ «AIOps: Managing the Second Law of IT Ops - DevOps.com». devops.com. 22 September 2017. Consultado em 24 January 2018  Verifique data em: |acessodata=, |data= (ajuda)
  5. ↑ «Aiops: Operações de tecnologia podem se beneficiar com inteligência no uso de dados». 23 de agosto de 2021. Consultado em 13 de setembro de 2022 
  6. ↑ Harris, Richard. «Explaining what AIOps is and why it matters to developers». appdevelopermagazine.com. Consultado em 24 January 2018  Verifique data em: |acessodata= (ajuda)
  7. ↑ Masood, Adnan; Hashmi, Adnan (2019), Masood, Adnan; Hashmi, Adnan, eds., «AIOps: Predictive Analytics & Machine Learning in Operations», ISBN 978-1-4842-4106-6, Apress, Cognitive Computing Recipes: Artificial Intelligence Solutions Using Microsoft Cognitive Services and TensorFlow (em inglês): 359–382, doi:10.1007/978-1-4842-4106-6_7 
  8. ↑ Duc, Thang Le; Leiva, Rafael García; Casari, Paolo; Östberg, Per-Olov (September 2019). «Machine Learning Methods for Reliable Resource Provisioning in Edge-Cloud Computing: A Survey». ACM Comput. Surv. 52 (5): 94:1–94:39. ISSN 0360-0300. doi:10.1145/3341145Acessível livremente  Verifique data em: |data= (ajuda)
  9. ↑ WISC.edu - International Conference on Service Oriented Computing
  10. ↑ Machine Learning
  11. ↑ Importing COVID-19 data into Elasticsearch
  12. ↑ UPC.edu - Top 10 Artificial Intelligence Trends in 2019
Obtida de "https://pt.wikipedia.org/w/index.php?title=Inteligência_artificial_para_operações_de_TI&oldid=64392385"