عمليات الذكاء الاصطناعي

يشير مصطلح AIOps (الذكاء الاصطناعي لعمليات تكنولوجيا المعلومات) إلى استخدام الذكاء الاصطناعي والتعلم الآلي وتحليلات البيانات الضخمة لأتمتة وتحسين إدارة مراكز البيانات . ويساعد هذا المصطلح المؤسسات على إدارة بيئات تكنولوجيا المعلومات المعقدة من خلال اكتشاف المشكلات وتشخيصها وحلها بكفاءة أعلى من الطرق التقليدية. ^{[ 1 ] [ 2 ]}

عرّفت شركة غارتنر مصطلح AIOps لأول مرة عام 2016، ^{[ 3 ]} جامعًا بين "الذكاء الاصطناعي" و"عمليات تكنولوجيا المعلومات" لوصف تطبيق الذكاء الاصطناعي والتعلم الآلي لتحسين عمليات تكنولوجيا المعلومات. وقد طُرح هذا المفهوم لمواجهة التعقيد المتزايد وحجم البيانات الهائل في بيئات تكنولوجيا المعلومات، بهدف أتمتة عمليات مثل ربط الأحداث ، واكتشاف الحالات الشاذة ، وتحديد العلاقات السببية.

يشير مصطلح AIOps إلى منصات تكنولوجية معقدة ومتعددة الطبقات تُحسّن وتُؤتمت عمليات تكنولوجيا المعلومات باستخدام التعلم الآلي والتحليلات لتحليل كميات هائلة من البيانات المُجمّعة من مختلف أجهزة وأدوات DevOps ، وتحديد المشكلات والاستجابة لها تلقائيًا في الوقت الفعلي. ^{[ 4 ]} يُمثل AIOps تحولًا من بيانات تكنولوجيا المعلومات المعزولة إلى بيانات رصد مُجمّعة (مثل سجلات المهام وأنظمة المراقبة) وبيانات التفاعل (مثل سجلات التذاكر والأحداث والحوادث) ضمن منصة بيانات ضخمة. ^{[ 5 ]} يُطبّق AIOps التعلم الآلي والتحليلات على هذه البيانات، مما يُتيح رؤية مستمرة، وعند دمجها مع الأتمتة، يُمكن أن تُؤدي إلى تحسينات مُستمرة. ^{[ 6 ]} يربط AIOps بين ثلاثة تخصصات في تكنولوجيا المعلومات ( الأتمتة ، وإدارة الخدمات ، وإدارة الأداء) لتحقيق رؤية وتحسين مُستمرين. يستفيد هذا النهج الجديد في بيئات تكنولوجيا المعلومات الحديثة والمتسارعة وذات النطاق الواسع من التطورات في التعلم الآلي والبيانات الضخمة للتغلب على القيود السابقة. ^{[ 7 ]}

تشمل عمليات الذكاء الاصطناعي (AIOps)، على سبيل المثال لا الحصر، العمليات والتقنيات التالية:

• الكشف عن الحالات الشاذة ^{[ 8 ]}
• تحليل السجلات ^{[ 9 ]}
• تحليل السبب الجذري ^{[ 10 ]}
• تحليل المجموعة ^{[ 11 ]}
• ارتباط الأحداث ^{[ 12 ]}
• التحليلات التنبؤية ^{[ 13 ]}
• التنبؤ بفشل الأجهزة ^{[ 14 ]}
• المعالجة الآلية ^{[ 15 ]}
• التنبؤ بالأداء ^{[ 16 ]}
• إدارة الحوادث ^{[ 17 ]}
• تحديد السببية ^{[ 18 ]}
• إدارة الطوابير ^{[ 19 ]}
• جدولة الموارد وتحسينها ^{[ 20 ]}
• إدارة القدرة التنبؤية ^{[ 17 ]}
• تخصيص الموارد ^{[ 20 ]}
• مراقبة جودة الخدمة ^{[ 20 ]}
• اختبار النشر والتكامل ^{[ 20 ]}
• تكوين النظام ^{[ 20 ]}
• التشخيص التلقائي وتحديد موقع المشكلة ^{[ 20 ]}
• التدريب والاستدلال الفعال للتعلم الآلي ^{[ 20 ]}
• استخدام نماذج التعلم الآلي لعمليات الحوسبة السحابية ^{[ 20 ]}
• إصلاح خدمة السيارات ^{[ 17 ]}
• إدارة مراكز البيانات ^{[ 20 ]}
• خدمة العملاء ^{[ 20 ]}
• الأمن والخصوصية في عمليات الحوسبة السحابية ^{[ 20 ]}

تُقارن منهجية AIOps بشكل متزايد بمنهجية DevOps من حيث تأثيرها على الكفاءة التشغيلية. فبينما تركز DevOps على التعاون بين فريقي التطوير والعمليات لتسريع عملية تسليم البرمجيات، تُدمج AIOps الذكاء الاصطناعي لتعزيز قدرات المراقبة والأتمتة والتنبؤ. وقد استكشفت العديد من الدراسات التحليلية في مختلف القطاعات أوجه التشابه والاختلاف بين المنهجين، بما في ذلك مناقشات حول كيفية دمج المؤسسات لهما لتحسين إدارة الحوادث وترشيد استخدام الموارد. ^{[ 21 ]}

تعمل تقنيات الذكاء الاصطناعي على تحسين عمليات تكنولوجيا المعلومات بخمس طرق: أولًا، تساعد المراقبة الذكية المدعومة بالذكاء الاصطناعي في تحديد المشكلات المحتملة قبل أن تتسبب في انقطاعات، مما يحسن مؤشرات الأداء مثل متوسط ​​وقت الكشف (MTTD) بنسبة 15-20%. ثانيًا، يُمكّن تحليل بيانات الأداء واستخلاص الرؤى من اتخاذ قرارات سريعة من خلال استيعاب وتحليل مجموعات البيانات الضخمة في الوقت الفعلي. ثالثًا، يُسهم تحسين البنية التحتية المؤتمت المدعوم بالذكاء الاصطناعي في تخصيص الموارد بكفاءة، وبالتالي خفض تكاليف الحوسبة السحابية. رابعًا، تُقلل إدارة خدمات تكنولوجيا المعلومات المُحسّنة من الحوادث الحرجة بأكثر من 50% من خلال إدارة الخدمات الشاملة المدعومة بالذكاء الاصطناعي. أخيرًا، يُسرّع أتمتة المهام الذكية من حل المشكلات ويُؤتمت الإجراءات التصحيحية بأقل قدر من التدخل البشري. ^{[ 22 ]}

تستخدم أدوات AIOps تحليلات البيانات الضخمة، وخوارزميات التعلم الآلي، والتحليلات التنبؤية لاكتشاف الحالات الشاذة، وربط الأحداث، وتقديم رؤى استباقية. يقلل هذا التشغيل الآلي العبء على فرق تكنولوجيا المعلومات، مما يسمح لهم بالتركيز على المهام الاستراتيجية بدلاً من المشكلات التشغيلية الروتينية. تُستخدم AIOps على نطاق واسع من قبل فرق عمليات تكنولوجيا المعلومات، وفرق DevOps ، ومديري الشبكات، وفرق إدارة خدمات تكنولوجيا المعلومات (ITSM) لتعزيز الرؤية وتمكين حل أسرع للحوادث في بيئات الحوسبة السحابية الهجينة، ومراكز البيانات، وغيرها من البنى التحتية لتكنولوجيا المعلومات. ^{[ 23 ] [ 24 ]}

على عكس عمليات التعلم الآلي ( MLOps )، التي تركز على إدارة دورة حياة نماذج التعلم الآلي وجوانبها التشغيلية، تركز عمليات الذكاء الاصطناعي لتكنولوجيا المعلومات (AIOps) على تحسين عمليات تكنولوجيا المعلومات باستخدام مجموعة متنوعة من تقنيات التحليل والذكاء الاصطناعي. وبينما يعتمد كلا المجالين على الذكاء الاصطناعي والأساليب القائمة على البيانات، فإن عمليات الذكاء الاصطناعي لتكنولوجيا المعلومات تستهدف في المقام الأول عمليات تكنولوجيا المعلومات، في حين تهتم عمليات التعلم الآلي بنشر نماذج التعلم الآلي ومراقبتها وصيانتها. ^{[ 25 ] [ 26 ]}

هناك العديد من المؤتمرات المتخصصة في مجال عمليات الذكاء الاصطناعي (AIOps):

• قمة عمليات الذكاء الاصطناعي
• قمة تطوير الذكاء الاصطناعي
• مؤتمر IBM Think