AIops, mühendisliğin geleceği için neden gerekli olabilir?


Transform 2022’ye katılamadınız mı? İsteğe bağlı kitaplığımızdaki tüm zirve oturumlarına şimdi göz atın! Buraya bak.


Makine öğrenimi uçurumu aştı. 2020 yılında McKinsey bulundu Ankete katılan 2.395 şirketin %50’sinin makine öğrenimine devam eden bir yatırımı vardı. 2030 yılına kadar makine öğrenimi teslim etmesi tahmin ediliyor yaklaşık 13 trilyon dolar. Çok geçmeden, iyi bir makine öğrenimi (ML) anlayışı, herhangi bir teknik stratejide temel bir gereklilik olacaktır.

Soru şu: Yapay zeka (AI) mühendislikte nasıl bir rol oynayacak? Kod oluşturmanın ve dağıtmanın geleceği, makine öğreniminin ortaya çıkmasından nasıl etkilenecek? Burada, ML’nin neden yazılım mühendisliğinin devam eden gelişiminde merkezi hale geldiğini tartışacağız.

Yazılım geliştirmede artan değişim oranı

Şirketler değişim oranlarını hızlandırıyor. Yazılım dağıtımları yılda bir veya iki yılda bir yapılan işlerdi. Şimdi, Ankete katılan şirketlerin üçte ikisi şirketlerin %26’sı günde birden çok kez dağıtım yapıyor ve ayda en az bir kez dağıtım yapıyor. Bu artan değişim oranı, endüstrinin talebe ayak uydurmak için değişim oranını hızlandırdığını gösteriyor.

Bu eğilimi takip edersek, modern yazılım pazarının değişen taleplerine ayak uydurmak istiyorlarsa, hemen hemen tüm şirketlerin değişiklikleri günde birkaç kez dağıtması beklenecektir. Bunu ölçeklendirmek değişim oranı zor. Daha da hızlandıkça, çalışma yollarımızı optimize etmek, bilinmeyenlerle mücadele etmek ve yazılım mühendisliğini geleceğe taşımak için yeni yollar bulmamız gerekecek.

Makine öğrenimi ve AIops’a girin

Yazılım mühendisliği topluluğu, karmaşık bir mikro hizmet mimarisi çalıştırmanın operasyonel yükünü anlar. Mühendisler genellikle zamanlarının %23’ü operasyonel zorluklar yaşıyor. AIops bu sayıyı nasıl düşürebilir ve mühendislerin kodlamaya geri dönmeleri için nasıl zaman kazanabilir?

Anormallikleri tespit ederek uyarılarınız için AIops’u kullanma

Kuruluşlar içinde ortak bir zorluk, anomaliler. Anormal sonuçlar, veri kümesinin geri kalanına uymayan sonuçlardır. Zorluk basit: anomalileri nasıl tanımlarsınız? Bazı veri kümeleri kapsamlı ve çeşitli verilerle gelirken, diğerleri çok tekdüzedir. Bu verilerdeki ani bir değişikliği kategorize etmek ve tespit etmek karmaşık bir istatistiksel problem haline gelir.

Makine öğrenimi yoluyla anormallikleri algılama

Anormallik tespiti bir makine öğrenimi tekniği verilerinizdeki aykırı değerleri bulmak için yapay zeka tabanlı bir algoritmanın örüntü tanıma güçlerini kullanır. Bu, tipik olarak insan operatörlerin verilere gömülü eyleme geçirilebilir içgörüleri bulmak için gürültüyü filtrelemesi gereken operasyonel zorluklar için inanılmaz derecede güçlüdür.

Bu içgörüler ilgi çekicidir çünkü uyarmaya yönelik AI yaklaşımınız daha önce hiç görmediğiniz sorunları gündeme getirebilir. Geleneksel uyarı ile, genellikle gerçekleşeceğine inandığınız olayları önceden belirlemeniz ve uyarılarınız için kurallar oluşturmanız gerekir. Bunlara senin adın denilebilir bilinen bilinenler ya da senin bilinen bilinmeyenler. Farkında olduğunuz olaylar veya izlemenizde her ihtimale karşı ele aldığınız kör noktalar. Ama ya senin bilinmeyen bilinmeyenler?

Burası senin makine öğrenimi algoritmaları AIops güdümlü uyarılarınız, günlüklerinizde, ölçümlerinizde veya izlerinizde ani anormallikler olması durumunda bilgilendirileceğinizden emin bir şekilde çalışabilmeniz için geleneksel uyarılarınız etrafında bir güvenlik ağı görevi görebilir. Bu, inanılmaz derecede ayrıntılı uyarıları tanımlamak için daha az zaman ve şirketinizi pazarda farklı kılacak özellikleri oluşturmak ve dağıtmak için daha fazla zaman harcanması anlamına gelir.

AIops güvenlik ağınız olabilir

Her olası sonuç etrafında sayısız geleneksel uyarı tanımlamak ve bu uyarıları oluşturmak, sürdürmek, değiştirmek ve ayarlamak için önemli miktarda zaman harcamak yerine, temel uyarılarınızdan bazılarını tanımlayabilir ve geri kalanını yakalamak için AIops yaklaşımınızı kullanabilirsiniz.

Modern yazılım mühendisliğine dönüştükçe, mühendislerin zamanı kıt kaynak. AIops, yazılımın artan operasyonel yükünü azaltma ve yazılım mühendislerinin yenilik yapmaları, geliştirmeleri ve yeni kodlama çağında büyümeleri için zaman kazanma potansiyeline sahiptir.

Ariel Assaraf CEO’su koralogix.

DataDecisionMakers

VentureBeat topluluğuna hoş geldiniz!

DataDecisionMakers, veri işi yapan teknik kişiler de dahil olmak üzere uzmanların verilerle ilgili içgörüleri ve yenilikleri paylaşabileceği yerdir.

En yeni fikirleri ve güncel bilgileri, en iyi uygulamaları ve veri ve veri teknolojisinin geleceğini okumak istiyorsanız DataDecisionMakers’da bize katılın.

Kendi makalenize katkıda bulunmayı bile düşünebilirsiniz!

DataDecisionMakers’dan Daha Fazlasını Okuyun



Kaynak : https://venturebeat.com/2022/08/06/why-aiops-may-be-necessary-for-the-future-of-engineering/

Yorum yapın