Inteligência artificial para operações de TI – Wikipédia, a enciclopédia livre

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

[editar | editar código-fonte]

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.[9]

A redução de ruído pode ser feita por vários métodos, mas a maioria das pesquisas na área aponta para as seguintes ações:[10]

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

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.[8][7]

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

[editar | editar código-fonte]

Um uso muito importante das plataformas AIOps está relacionado à análise de conjuntos de dados grandes e desconectados, como os dados do Johns Hopkins Hospital sobre a 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.[12]

Geralmente, as principais áreas de uso das plataformas e princípios AIOps sãoː[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 de setembro de 2017. Consultado em 24 de janeiro de 2018 
  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 de janeiro de 2018 
  7. ↑ a b 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. ↑ a b Duc, Thang Le; Leiva, Rafael García; Casari, Paolo; Östberg, Per-Olov (Setembro de 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 
  9. ↑ «DBWorld Message». research.cs.wisc.edu. Consultado em 13 de setembro de 2022 
  10. ↑ a b «Machine Learning». Stanford Online. Consultado em 13 de setembro de 2022 
  11. ↑ «arcanna.ai». blog.arcanna.ai (em inglês). Consultado em 13 de setembro de 2022 
  12. ↑ a b «Data Science Central - Top 10 Artificial Intelligence Trends in 2019 | TALP :: Language and Speech Technologies and Applications». www.talp.upc.edu. Consultado em 13 de setembro de 2022 
Obtida de "https://pt.wikipedia.org/w/index.php?title=Inteligência_artificial_para_operações_de_TI&oldid=67805696"