為什麼 AIops 對未來的工程來說可能是必要的


您無法參加 Transform 2022 嗎? 立即在我們的點播庫中查看所有峰會會議! 看這裡。


機器學習已經跨越了鴻溝。 2020年, 麥肯錫發現 在接受調查的 2,395 家公司中,50% 的公司持續投資於機器學習。 到 2030 年,機器學習將 預計交付 約 13 萬億美元。 不久之後,對機器學習 (ML) 的良好理解將成為任何技術戰略的核心要求。

問題是——人工智能(AI)將在工程中扮演什麼角色? ML 的出現將如何影響構建和部署代碼的未來? 在這裡,我們將討論為什麼 ML 正在成為軟件工程持續發展的核心。

軟件開髮變化的增長速度

公司正在加快變革速度。 軟件部署曾經是一年一次或兩年一次的事情。 現在, 三分之二的受訪公司 每月至少部署一次,26% 的公司每天部署多次。 這種不斷增長的變化速度表明,該行業正在加快其變化速度以跟上需求。

如果我們順應這一趨勢,幾乎所有公司如果希望跟上現代軟件市場不斷變化的需求,他們每天都會多次部署變更。 縮放這個 變化率 很難。 隨著我們加速得更快,我們將需要找到新的方法來優化我們的工作方式、解決未知數並推動軟件工程走向未來。

進入機器學習和 AIops

軟件工程社區了解運行複雜微服務架構的運營開銷。 工程師通常花費 23% 的時間 面臨運營挑戰。 AIops 如何降低這個數字並為工程師騰出時間重新編碼?

通過檢測異常利用 AIops 發出警報

組織內的一個共同挑戰是檢測 異常. 異常結果是那些不適合數據集其餘部分的結果。 挑戰很簡單:您如何定義異常? 一些數據集包含廣泛而多樣的數據,而另一些則非常統一。 對這些數據的突然變化進行分類和檢測成為一個複雜的統計問題。

通過機器學習檢測異常

異常檢測是 機器學習技術 它使用基於 AI 的算法的模式識別能力來查找數據中的異常值。 這對於操作挑戰來說非常強大,通常情況下,人類操作員需要過濾掉噪音以找到隱藏在數據中的可行見解。

這些見解令人信服,因為您的 AI 警報方法可能會引發您從未見過的問題。 使用傳統警報,您通常必須預先預防您認為會發生的事件並為您的警報創建規則。 這些可以稱為你的 已知的 或者你的 已知的未知數. 您知道的事件或監控中的盲點,以防萬一。 但是你的呢 未知的未知數?

這是你的 機器學習算法 進來吧。您的 AIops 驅動的警報可以作為傳統警報周圍的安全網,因此如果您的日誌、指標或跟踪中發生突然異常,您可以放心地操作,因為您會被告知。 這意味著更少的時間來定義難以置信的精細警報,而更多的時間用於構建和部署將使您的公司在市場上脫穎而出的功能。

AIops 可以成為您的安全網

您可以定義一些核心警報並使用 AIops 方法捕獲其餘部分,而不是圍繞每個可能的結果定義無數傳統警報並花費大量時間構建、維護、修改和調整這些警報。

隨著我們成長為現代軟件工程,工程師的時間已成為 稀缺資源. AIops 有可能降低軟件不斷增長的運營開銷,並為軟件工程師騰出時間進行創新、開發和成長,從而進入編碼的新時代。

Ariel Assaraf 是 科洛吉克斯.

數據決策者

歡迎來到 VentureBeat 社區!

DataDecisionMakers 是專家(包括從事數據工作的技術人員)可以分享與數據相關的見解和創新的地方。

如果您想了解前沿理念和最新信息、最佳實踐以及數據和數據技術的未來,請加入我們的 DataDecisionMakers。

您甚至可以考慮貢獻自己的文章!

閱讀更多來自 DataDecisionMakers

發佈留言