panduan dasar aiops - data-to-everything
TRANSCRIPT
Mengatasi Kekacauan Data dan Mendapatkan Wawasan Berkelanjutan Tentang Operasional IT Anda
Panduan Dasar AIOps
Daftar Isi
Apa itu AIOps? ..............................................................................................3
AIOps Saat ini ...............................................................................................4
Kasus Utama Penggunaan AIOps ...........................................................5
AIOps dan Pergeseran Menuju IT yang Proaktif ................................8
Bagaimana Cara Memulai AIOps.............................................................9
Mengapa Splunk for AIOps Berbeda ..................................................11
Intinya: Sekarang Saatnya Menggunakan AIOps ............................ 13
Apa itu AIOps?AIOps adalah praktik penerapan analitik dan pembelajaran mesin
bagi big data untuk mengotomatiskan dan meningkatkan operasional
IT. Pembelajaran sistem baru ini bisa menganalisa sejumlah
besar jaringan dan data mesin untuk menemukan pola yang tidak
selalu bisa diidentifikasi oleh operator manusia. Pola-pola ini bisa
mengidentifikasi penyebab masalah yang ada dan memprediksi
dampaknya di masa depan. Tujuan utama AIOps adalah untuk
mengotomatiskan kegiatan rutin agar bisa meningkatkan akurasi dan
kecepatan mengidentifikasi masalah, memungkinkan staf IT untuk
memenuhi kebutuhan yang meningkat secara lebih efektif.
Sejarah dan PermulaannyaIstilah AIOps dicetuskan oleh Gartner di tahun 2016. Dalam Market
Guide for AIOps Platforms, Gartner mendeskripsikan platform
AIOps sebagai “sistem perangkat lunak yang mengombinasikan
big data dan kecerdasan buatan/Artificial Intelligence (AI) atau
fungsi pembelajaran mesin untuk meningkatkan dan menggantikan
sebagian besar proses dan tugas operasional IT, termasuk
ketersediaan dan kinerja pengawasan, korelasi dan analisa peristiwa,
layanan pengelolaan dan otomatisasi IT.”
3
AIOps Saat iniTim Ops diminta untuk melakukan lebih daripada sebelumnya.
Meskipun banyak dari organisasi masih menggunakan sistem
lama yang tidak lagi mumpuni untuk menangani beban proyek dan
teknologi yang dihadapi sekarang. Hal ini menimbulkan tekanan,
terutama dengan staf yang terus berkurang. Ditambah lagi,
meningkatnya perubahan frekuensi dan hasil yang lebih tinggi dalam
sistem seringkali berarti data yang dihasilkan alat pengawasan ini
hampir tidak mungkin dicerna.
Untuk mengatasi tantangan ini, AIOps:• Mengumpulkan data dari berbagai sumber: metode, perangkat
dan solusi operasional IT konvensional mengumpulkan dan
membuat rata-rata data dengan cara sederhana yang mengganggu
ketepatan data (sebagai contoh, cobalah pertimbangkan teknik
pengumpulan yang dikenal dengan “averages of averages” atau
rata-rata dari rata-rata). Sistem operasional IT yang lama tidak
didesain untuk volume, jenis, dan kecepatan data yang dihasilkan
oleh lingkungan IT yang kompleks dan terkoneksi saat ini. Seorang
analis harus selalu bisa menelusuri sumber data yang memberikan
gabungan kesimpulan, hal itu sejalan dengan prinsip mendasar dari
platform AIOps, yaitu kemampuannya untuk menangkap data besar
dari jenis apapun sekaligus mempertahankan keakuratan data
sepenuhnya untuk analisa yang komprehensif.
• Menyederhanakan analisa data: salah satu pembeda bagi
platform AIOps adalah kemampuannya untuk mengkorelasikan
data yang besar dan berbeda. Analisa terbaik hanya mungkin
dilakukan dengan data terbaik. Platform yang ada kemudian
melaksanakan analisa otomatis terhadap data tersebut untuk
mengidentifikasi penyebab kendala yang ada dan memprediksi
kendala di masa depan dengan memeriksa persimpangan antara
aliran data yang tampaknya berbeda dari berbagai sumber.
• Respon otomatis: mengidentifikasi dan memprediksi masalah
memanglah penting, tapi platform AIOps memiliki dampak paling
besar ketika platform ini memberitahukan masalah kepada
anggota tim yang tepat, pulih dari kendala secara otomatis
setelah teridentifikasi atau, idealnya, menjalankan perintah untuk
mencegah kendala sama sekali. Pemulihan yang umum seperti
menyalakan kembali komponen atau membersihkan disk yang
penuh bisa dilakukan secara otomatis, sehingga staf hanya terlibat
saat solusi biasa tidak bisa menyelesaikannya.
Keuntungan Bisnis Utama AIOpsDengan mengotomatiskan fungsi operasional IT untuk meningkatkan
dan memperbaiki kinerja sistem, AIOps menyediakan keuntungan
bisnis signifikan untuk organsasi. Di antaranya:
• Menghindari downtime sehingga bisa meningkatkan kepuasan dan
rasa percaya diri pelanggan dan karyawan.
• Menyatukan sumber data yang terisolasi sehingga memungkinkan
analisis dan wawasan yang lebih lengkap.
• Percepatan analisa akar penyebab dan remediasi bisa menghemat
waktu, biaya, dan sumber daya.
• Meningkatkan kecepatan dan konsistensi respon insiden untuk
meningkatkan pengantaran layanan.
• Menemukan dan memperbaiki masalah yang rumit dengan lebih
cepat sehingga meningkatkan kapasitas IT untuk mendukung
pertumbuhan.
• Respon proaktif meningkatkan prediksi pertumbuhan sistem dan
aplikasi untuk memenuhi kebutuhan di masa depan
• Menambahkan “kelonggaran” ke sistem yang kewalahan dengan
menangani pekerjaan sehari-hari, memungkinkan para pekerja
untuk fokus pada permasalahan yang lebih tinggi, menghasilkan
produktivitas dan memiliki semangat yang lebih baik.
4
Data Sangatlah Penting Untuk AIOpsData adalah landasan bagi solusi otomatis yang sukses. Anda
membutuhkan data secara historis dan real-time untuk memahami
apa yang terjadi sebelumnya dan memprediksi apa yang akan terjadi
di masa depan. Untuk meraih gambaran besar dari setiap peristiwa,
organisasi harus mengakses sejumlah tipe data historis dan streaming
dari data yang dihasilkan manusia maupun mesin.
Data yang lebih baik dari lebih banyak sumber akan menghasilkan
algoritme analitik yang lebih baik untuk menemukan korelasi yang
terlalu sulit diisolasi oleh manusia, memungkinkan hasil tugas
otomatisasi terkurasi dengan lebih baik. Sebagai contoh hal ini
tidaklah sulit dalam sistem pengawasan semi-modern untuk
mengotomatiskan semacam respon. Namun, bila waktu respon
memperlambat aplikasi, AIOps akan memastikan respon otomatis
yang tepat dan bukan sekadar reaksi kosong spontan yang
terhubung secara statis. Menambahkan kapasitas layanan mungkin
membuat perlambatan lebih buruk lagi bila penyumbatannya tidak
berhubungan dengan kapasitas. Tentunya hal ini bisa menghasilkan
pengeluaran yang tidak diinginkan dan tidak diperlukan di lingkungan
cloud. Karena itulah, memiliki data yang tepat untuk membuat
keputusan yang lebih lengkap membuahkan hasil yang lebih baik.
Untuk visibilitas total, pengaksesan data di satu tempat di seluruh
silo IT Anda menjadi keharusan. Penting untuk memahami data
pokok yang mendukung layanan dan aplikasi Anda – mendefinisikan
KPI yang menentukan status kesehatan dan kinerja bisnis. Ketika
Anda bergerak melampaui pengumpulan data, pencarian dan
visualisasi menuju pengawasan dan penyelesaian masalah IT Anda,
pembelajaran mesin menjadi kunci untuk meraih analisis prediktif dan
otomatisasi.
.
Kasus Utama Penggunaan AIOpsMenurut Gartner, ada lima kasus utama penggunaan AIOps:
1. Analisis kinerja
2. Deteksi anomali
3. Korelasi dan analisa peristiwa
4. Pengelolaan layanan IT
5. Otomatisasi
5
1. Analisis Kinerja: Keadaan menjadi semakin
sulit bagi professional IT untuk menganalisa
data mereka menggunakan metode IT
tradisional, bahkan saat metode tersebut telah
mengintegrasikan teknologi pembelajaran mesin. Volume dan jenis
data yang ada saat ini menjadi terlalu besar untuk ditangani. AIOps
membantu menyelesaikan masalah meningkatnya volume dan
kompleksitas data dengan mengunakan teknik yang canggih untuk
menganalisa data besar agar bisa mengidentifikasi tingkatan
layanan yang akurat, hal ini seringkali mencegah kendala kinerja
sebelum terjadi.
2. Deteksi anomali: Pembelajaran mesin sangatlah
efisien dalam mengidentifikasi data yang terpisah
– yaitu, peristiwa dan aktivitas dalam kelompok
data yang menonjol dari data historis sehingga bisa menimbulkan
potensi masalah. Data yang terpisah ini disebut dengan peristiwa
anomali. Deteksi anomali bisa mengidentifikasi masalah meskipun
belum pernah terlihat sebelumnya, dan tanpa konfigurasi
peringatan eksplisit untuk setiap kondisi.
Deteksi anomali mengandalkan algoritme. Sebuah tren algoritme
melakukan pengawasan sebuah indikator kinerja utama/Key
Performace Indicator (KPI) dengan membandingkan perilaku
saat ini dengan perilaku di masa lalu. Bila nilainya tumbuh secara
anomali, algoritme akan memunculkan peringatan. Sebuah
algoritme kohesif melihat sekelompok KPI berperilaku serupa dan
akan mengirimkan peringatan bila terjadi perubahan satu atau
beberapa perilaku. Pendekatan ini menyediakan lebih banyak
wawasan daripada sekadar mengawasi metrik mentah dan bisa
membuat organisasi bertindak sebagai kompas bagi komponen
kesehatan dan layanan.
AIOps membuat deteksi anomali lebih cepat dan efektif. Bila
sebuah perilaku telah diidentifikasi, AIOps dapat memantau
dan mendeteksi penyimpangan yang signifikan antara nilai
sesungguhnya dari KPI yang diinginkan dibandingkan dengan apa
yang diprediksi oleh model pembelajaran mesin.
Deteksi anomali merupakan hal yang penting dalam sistem
yang kompleks karena kegagalan sistem seringkali hadir dengan
gambaran yang tidak terlalu jelas di mata para profesional IT yang
mendukung sistem tersebut.
3. Korelasi dan analisa peristiwa: kemampuan
untuk melihat melalui “badai peristiwa”
dari bebagai peringatan yang terkait untuk
mengidentifikasi penyebab yang mendasari
sebuah peristiwa. Kenyataan dari sistem yang paling kompleks
adalah bahwa ada sesuatu yang selalu berada di zona “merah”
atau selalu dalam peringatan. Hal itu tidak bisa dihindari. Masalah
yang ada pada perangkat IT tradisional adalah kurangnya
wawasan untuk menyelesaikan masalah, tapi terus memberikan
peringatan. Hal ini menciptakan sebuah fenomena yang dikenal
dengan “kelelahan akibat peringatan”; tim terlalu sering melihat
peringatan dari masalah yang sepele hingga mereka mengabaikan
peringatan bahkan pada saat-saat penting.
AIOps secara otomatis mengelompokkan kejadian berdasarkan
kesamaannya. Bayangkan hal ini seperti menggambar lingkaran
di sekitar peristiwa yang berasal dari kelompok yang sama,
terlepas dari sumber atau formatnya. Pengelompokan peristiwa
serupa ini mengurangi beban tim IT dan mengurangi lalu lintas
dan kebisingan yang tidak perlu. AIOps memfokuskan kelompok
peristiwa utama dan melakukan tindakan berdasarkan peraturan
dan melakukan tindakan berbasis aturan seperti menggabungkan
peristiwa duplikat, menekan peringatan, atau menutup peristiwa
penting. Hal ini memungkinkan tim untuk membandingkan
informasi dengan lebih efektif untuk mengidentifikasi penyebab
masalah yang ada.
6
4. IT service management (ITSM): Sebuah
istilah umum untuk segala yang berhubungan
dengan mendesain, membangun,
mengantarkan, mendukung, dan mengelola
layanan IT dalam sebuah organisasi. ITSM meliputi kebijakan,
proses, dan prosedur untuk mengantarkan layanan IT ke pengguna
dalam sebuah organisasi. AIOps menyediakan keuntungan
untuk ITSM dengan memungkinkan profesional IT mengelola
layanan mereka secara keseluruhan, bukan hanya mengelolanya
dalam bentuk komponen individual. Mereka bisa menggunakan
keseluruhan unit untuk mendefinisikan ambang batas sistem dan
mengotomatiskan responnya agar sejajar dengan rangka kerja
ITSM, hal ini membantu departemen IT berjalan dengan lebih
efisien.
AIOps untuk ITSM bisa membantu departemen IT untuk
mengelola keseluruhan layanan dari perspektif bisnis alih-alih
mengelola komponennya secara individual. Sebagai contoh, jika
satu server di antara tiga mesin menemukan masalah di saat
beban kerja normal, risiko terhadap layanan bisa dianggap rendah,
dan server bisa dikeluaran dari jaringan tanpa ada dampak yang
memengaruhi pengguna. Sebaliknya, jika hal yang sama terjadi
saat beban kerja berat, keputusan otomatis dapat diambil untuk
menambah kapasitas sebelum sistem dengan kinerja buruk
dikeluarkan dari jaringan.
Sebagai tambahan, AIOps untuk ITSM bisa membantu:• Mengelola kinerja infrastruktur dalam lingkungan cloud dengan
lebih konsisten.
• Membuat prediksi yang lebih akurat untuk perencanaan kapasitas.
• Memaksimalkan sumber daya penyimpanan dengan menyesuaikan kapasitas berdasarkan kebutuhan prediksi dengan otomatis.
• Meningkatkan penggunaan sumber daya berdasarkan data historis dan prediksinya.
• Mengelola perangkat terkoneksi di seluruh jaringan yang
kompleks.
5. Otomasi: perangkat lama seringkali membutuhkan
pengumpulan informasi dari berbagai sumber
sebelum bisa memahami, memecahkan masalah,
dan menyelesaikan insiden. AIOps memberikan
manfaat yang signifikan – mengumpulkan dan mengkorelasi
data dari berbagai sumber menjadi layanan secara otomatis,
meningkatkan kecepatan dan akurasi dari pengidentifikasian
hubungan yang dibutuhkan. Sekalinya organisasi bisa
mengkorelasi dan menganalisa arus data dengan baik, langkah
berikutnya adalah melakukan respon otomatis terhadap keadaan
yang tidak biasa.
Pendekatan AIOps mengotomatiskan fungsi ini di seluruh
operasional IT organisasi, melakukan tindakan sederhana
yang memaksa responder-nya untuk memperbaikinya sendiri.
Contohnya, server biasanya selalu kehabisan ruang setiap
beberapa minggu selama periode bervolume tinggi karena
masalah logging umum. Biasanya, responder ditugaskan untuk
masuk dan mengecek perilaku normal, membersihkan log yang
terlampau banyak, membebaskan ruang disk dan mengkonfimasi
kinerja nominal telah kembali bekerja. Langkah-langkah ini bisa
diotomatiskan sehingga responder hanya akan diberitahu bila
respon otomatis sudah dilakukan tapi belum juga memperbaiki
situasi. Otomatisasi ini berkisar dari tindakan sederhana seperti
menyalakan ulang server atau menonaktifkan server dari
kumpulan load-balancer, hingga sesuatu yang lebih canggih
seperti mencadangkan perubahan yang terjadi baru-baru ini atau
membangun ulang server (container atau sebaliknya).
7
Pengotomatisan AIOps juga bisa dilakukan pada:
• Server, OS, dan jaringan: Mengoleksi seluruh metrik log,
konfigurasi dan pesan untuk dicari, korelasi, peringatan dan
laporan di beberapa server.
• Container: Mengoleksi, mencari dan mengkorelasi data container
dengan infrastruktur data lain untuk mendapatkan konteks
layanan, pengawasan dan pelaporan yang lebih baik.
• Pengawasan cloud: Mengawasi kinerja, penggunaan dan
ketersedian infrastruktur cloud.
• Pengawasan virtualisasi: Mendapatkan visibilitas di seluruh
virtual stack, membuat korelasi peristiwa lebih cepat, dan
mencari transaksi di seluruh komponen virtual dan fisik.
• Pengawasan penyimpanan: Memahami sistem penyimpanan
dalam konteksnya dengan kinerja aplikasi, waktu respon server
dan virtualization overhead yang sesuai.
AIOps dan Pergeseran Menuju IT yang ProaktifSalah satu manfaat utama dari AIOps adalah kemampuannya untuk membantu departemen IT memprediksi dan mencegah insiden sebelum terjadi, daripada menunggu untuk memperbaikinya setelah insiden terjadi. AIOps, dirancang untuk membantu Anda melakukan perubahan saat ini juga, terutama aplikasi pembelajaran mesin ke semua data yang diawasi oleh organisasi IT.
Dengan mengurangi tugas manual yang diasosiasikan dengan pendeteksian, penyelesaian masalah, dan pemulihan dari insiden, tim Anda bukan hanya menghemat waktu tapi juga menambahkan “kelonggaran” penting bagi sistem. Kelonggaran ini memungkinkan Anda untuk menggunakan waktu pada tugas bernilai tinggi yang terfokus pada peningkatan kualitas layanan untuk pelanggan. Pengalaman pelanggan Anda dikelola dan ditingkatkan dengan mengelola uptime secara konsisten.
AIOps dapat memiliki dampak signifikan dalam meningkatkan KPI utama IT, termasuk:
• Meningkatkan Mean Time Between Failures (MTBF)• Menurunkan Mean Time to Detect (MTTD)• Menurunkan Mean Time to Investigate (MTTI)• Menurunkan Mean Time to Resolution (MTTR)
Organisasi IT yang telah mengimplementasikan pendekatan pengawasan proaktif dengan AIOps telah mendapatkan peningkatan
signifikan dalam berbagai metrik IT, termasuk:
15 - 45%Insiden Berprioritas
Tinggi
70 - 90%
Waktu Investigasi Insiden
10 - 15%
Waktu untuk Memasarkan Aplikasi
Baru
8
Bagaimana Cara Memulai AIOpsSeperti kebanyakan inisiatif teknologi baru, perencanaan adalah
kuncinya. Cara terbaik untuk memulai dengan AIOps adalah dengan
melakukan pendekatan tambahan. Berikut adalah beberapa
pertimbangan untuk memulainya.
Pilihlah Contoh yang Menginspirasi AndaBila Anda mengevaluasi solusi AIOps, platform dan vendornya untuk
organisasi Anda, tugas besar menanti di hadapan Anda. Hal yang
paling menantang mungkin bukanlah proses evaluasi itu sendiri,
tapi mendapatkan dukungan dan perhatian para eksekutif yang
Anda butuhkan untuk melakukan evaluasi. Bila Anda memilih contoh
menginspirasi dari organisasi lain tapi serupa dengan organisasi Anda
dan telah mendapatkan manfaat AIOps lengkap dengan metrik untuk
membuktikannya, Anda akan lebih mudah untuk mendapatkan izin.
Mitra yang baik dapat membantu Anda melakukannya (Lihat ‘Pilih
Mitra yang Tepat’ di bawah).
Pertimbangkan Manusia dan ProsesSudah sangat jelas bahwa teknologi memerankan peranan penting
dalam AIOps, tapi membuat rencana untuk manusia dan proses
tidak kalah pentingnya. Sebagai contoh, jika solusi AIOps mendeteksi
masalah yang akan terjadi dan memberitahu tenaga bantuan untuk
melakukan intervensi, seorang responder mungkin mengabaikan
peringatan karena belum terjadi apa-apa. Hal ini bisa menurunkan
rasa percaya terhadap solusi AIOps sebelum solusi ini membuktikan
manfaatnya dalam sistem operasional.
Sangat penting pula untuk memberikan waktu bagi tim IT untuk
membangun, mengelola, dan meningkatkan sistem. Pekerjaan penting
ini tidak bisa diperlakukan sebagai proyek sampingan atau sebagai
pekerjaan tingkat pemula bila Anda menginginkan perubahan yang
berarti. Tempatkan orang terbaik Anda. Jadikan sistem prioritas
tertinggi sehingga tidak ada pekerjaan lain yang bisa melanggarnya.
Praktik AIOps adalah pekerjaan berulang dan harus terus dipoles
sepanjang waktu; hal ini hanya bisa dilakukan dengan fokus akan
peningkatan yang matang.
Anda juga perlu memeriksa kembali dan menyesuaikan proses
manual sebelumnya yang memiliki beberapa tingkat persetujuan dari
manajer, misalnya menyalakan ulang server. Hal ini membutuhkan
rasa percaya baik di sisi teknologi dan praktik tim. Membangun rasa
percaya memerlukan waktu. Mulailah dengan langkah sederhana
untuk membangun penerimaan budaya atas otomatisasi. Sebagai
contoh, bersiaplah untuk membangun laporan historis yang
menunjukkan insiden sebelumnya telah ditangani dengan benar
oleh akitivitas sederhana dan konsisten (seperti menyalakan ulang
atau pembersihan disk) dan tawarkan untuk melakukan otomatisasi
untuk masalah-masalah serupa di masa depan. Pilihlah solusi yang
memungkinkan “kompromi otomatisasi” dengan gerbang persetujuan
untuk aktivitas tertentu. Seiring berjalannya waktu, gerbang tersebut
harus dipindahkan untuk meningkatkan kecepatan saat analitik
membuktikan nilainya dalam memilih tugas otomatisasi yang benar.
Akhirnya, ikutsertakan kampanye untuk meyakinkan staf dalam
rencana Anda bahwa AIOps tidaklah bertujuan untuk menggantikan
tenaga kerja manusia dengan robot. Tunjukkan pada mereka
bagaimana AIOps dapat membebaskan sumber daya penting untuk
mengerjakan aktivitas bernilai tinggi – membatasi pekerjaan tak
terduga yang harus dihadapi oleh tim Anda tiap hari.
.
9
Bebaskan Data AndaAIOps membutuhkan akses untuk segala tipe data: data mesin yang
tidak terstruktur dan metrik yang terstruktur, begitu juga data terkait
untuk pengayaan. Mempertimbangkan data bukan hanya
berdasarkan jenisnya tapi juga posisinya di dalam “tumpukan”. Anda
membutuhkan data di setiap lapisan, dimulai dengan infrastruktur
dan dilanjutkan ke aplikasi, dan terakhir aplikasi bisnis.
Tipe data yang berbeda ini memungkinkan Anda untuk membangun
perspektif holistic di semua silo dan mengambil tindakan penting
untuk situasi dan jenis datanya. Tujuan Anda adalah untuk
mengidentifikasi sumber data di setiap lapisan layanan, mulai dari
infrastruktur (cloud atau tradisional) dan lanjut ke kinerja aplikasi,
hingga akhirnya menghubungkan hasil bisnis yang dapat diidentifikasi
(seperti kepuasan pelanggan, penghasilan, jumlah pemesanan, waktu
tunggu dan lainnya). Pilihlah sejumlah kecil sumber (satu atau dua) di
setiap tingkatan dan mulailah mengkorelasikannya.
Mencerna dan menganalisa kesemua data secara efektif dan cepat
bisa menjadi tugas yang menakutkan. Maka dari itu, mulailah dengan
mengakses dan menganalisa data mentah dari mesin historis dan
Bisnis
Aplikasi
Infrastruktur
Penga
was
an
Berni
lai B
isni
s
Penga
was
an IT
Ops
Trad
isio
nal
Exec MBO’s Pendapatan CSat
Omnichannel Funnel Efisiensi Bisnis
NPS Call Center Retensi Pelaggan
APM Mobile Synthetics
Web API App Logs
Jaringan Cloud Penyimpanan
Middleware Perangkat Keras
Syslogs VM
DB OS (Win/Linux)
metriknya untuk menetapkan pemahaman dasar, lalu gunakan
algoritme pengelompokan dan analitik untuk mengidentifikasi tren
dan polanya. Data mentah adalah data terbaik untuk mendeteksi
secara real-time. Anda bisa mulai menganalisa data streaming untuk
melihat bagaimana data tersebut sesuai dengan pola yang ditetapkan,
juga mengaplikasikan kecerdasan buatan yang diberdayakan oleh
pembelajaran mesin untuk memperkenalkan otomatisasi, dan pada
akhirnya melakukan analitik prediktif.
Data historis sangat berharga saat Anda mulai menggunakan AIOps.
Bila Anda mulai dengan menganalisa dan memahami kondisi masa
lalu sistem, Anda akan bisa mengkorelasikan apa yang Anda pelajari
dengan keadaan saat ini, sehingga Anda dapat mengembangkan
ambang batas mutu layanan.
Untuk meraihnya, organisasi harus mencerna dan menyediakan akses
luas ke berbagai tipe data, baik data historis maupun streaming.
Tipe data yang Anda pilih – bisa apa saja mulai dari log, metrik dan
text to wire dan media sosial – tergantung dari masalah yang Anda
hadapi. Sebagai contoh, Anda bisa menggunakan data metrik dari
infrastruktur untuk melakukan pengawasan pada kapastias, atau log
aplikasi untuk memastikan Anda menyediakan pengalaman luar biasa
untuk pelanggan Anda.
Banyak platform AIOps yang fokus pada satu sumber data.
Pembatasan pada satu jenis data inilah yang membatasi wawasan
Anda pada perilaku sistem - terlepas dari apakah wawasan tersebut
berasal dari admin IT atau algoritme. Karena itulah, perusahaan harus
memilih platform yang mampu mencerna dan menganalisa data dari
berbagai sumber.
10
Memilih Mitra yang TepatMeningkatnya perhatian terhadap AIOps membuat beberapa
vendor memberikan paket perangkat tradisional operasional
IT, menambahkan fitur AI sederhana dan menyebutnya dengan
“platform” AIOps. Platform AIOps yang sesungguhnya bukan hanya
sekadar kumpulan perangkat. Hal ini penting dipahami saat Anda
memutuskan untuk memulai, karena platform yang Anda pilih akan
menentukan kesuksesan Anda. Gartner merekomendasikan bahwa
perusahaan sebaiknya “memprioritaskan vendor yang memungkinkan
pengembangan dalam pencernaan, penyimpanan, dan akses data
yang independent dari komponen AIOps lainnya.” Anda membutuhkan
platform yang bisa mengumpulkan data yang diperlukan dengan
ketepatan penuh, bukan hanya yang bisa mengumpulkan atau
melakukan rangkuman data. Anda membutuhkan platform yang bisa
memperkaya, menganalisa dan melakukan persiapan proses otomatis
data atau informasi yang besar menjadi kesimpulan dan wawasan
yang berharga (dan tanpa membutuhkan pekerjaan tambahan khusus
yang sulit untuk dikonfigurasi atau dikelola). Anda juga membutuhkan
platform yang mengintegrasikan otomatisasi yang sesuai agar Anda
bisa mengambil tindakan yang benar di waktu yang tepat di ekosistem
yang ketat.
Cari tahu fitur set, ulasan studi kasus pelanggan dan kasus
penggunaan AIOps. Cara termudah untuk mengetahui apakah
platform AIOps bisa memenuhi kebutuhan Anda adalah dengan
studi kasus yang menunjukkan bagaimana perusahaan yang serupa
dengan Anda menangani tantangan bisnisnya dengan AIOps.
Carilah vendor yang menunjukkan pelanggannya secara daring dan
mintalah referensi pelanggan. Bila perangkat atau platform AIOps
membuahkan hasil yang memuaskan tapi perusahaan tidak bisa
menunjukkan bukti, maka itu adalah pertanda bahwa Anda harus
mencari vendor lain.
.
Mengapa Splunk untuk AIOps Berbeda Splunk memudahkan organisasi untuk mencerna berbagai jenis
data dari sumber yang berbeda, secara real-time ataupun secara
historis, dan kemudian menerapkan analitik lanjutan seperti analitik
prediktif, prediksi dan ramalan, pengelolaan dan analitik peristiwa,
pengelompokan, ambang batas adaptif dan statistik, deteksi anomali,
menentukan akar penyebab kendala dan lainnya. Pendekatan unik ini,
membantu meningkatkan berbagai operasional dan tugas IT sekaligus
memungkinkan perusahaan memperoleh nilai yang tidak mungkin
dilakukan hanya dengan analisis yang dilakukan oleh manusia.
11
Sebuah Pendekatan Berbeda Untuk Data, yaitu Data-to-EverythingPlatform AIOps milik Splunk adalah satu-satunya platform yang dibangun dengan teknologi Splunk. Platform Data-to-Everything memberdayakan pelanggan untuk menggunakan ledakan data sebagai peluang untuk mendorong efektivitas, produktivitas, wawasan dan otomatisasi untuk mengubah data menjadi tindakan, di manapun dalam organisasi.
Bahkan dengan kemampuan pembelajaran mesin terbaik akan menjadi sia-sia tanpa data yang tepat untuk mendukungnya. Meningkatnya kompleksitas, yang disebabkan oleh pertumbuhan cepat dalam volume data yang dihasilkan oleh infrastruktur dan aplikasi IT, meningkatnya variasi jenis data, dan kecepatan data yang dihasilkan, bertemu dengan kekuatan dari sisi berlawanan, yaitu pengurangan biaya – menjadikannya tantangan bagi operasional IT untuk menyelesaikan pekerjaan mereka secara memadai, apalagi memanfaatkan analitik terbaik untuk melakukan transformasi.
Pendekatan berbeda terhadap data bisa membuat perbedaan antara mencoba-coba fitur dan meraih kesuksesan serta transformasi sesungguhnya. Platform Data-to-Everything milik Splunk, baik yang diaplikasikan secara on-prem atau di cloud, bisa mencerna hampir semua data, seperti log, metrik, teks, wire, API, hingga data yang diperoleh dari media sosial, dari perangkat dan sistem apapun. Splunk bisa mencerna data tersebut sebagai data yang terstruktur, semi-terstruktur atau tidak terstruktur, dan melakukan semuanya baik secara historis maupun real-time.
Bayangkan sebuah platform yang menyatukan keseluruhan data yang terpencar di seluruh silo yang Anda miliki – kemudian, bayangkan apa yang kecerdasan buatan dan pembelajaran mesin bisa lakukan. Cobalah untuk membayangkan tim Anda tidak lagi dibebani dengan terlalu banyak peringatan, peralatan yang kompleks, atau pandangan terisolasi sehingga mereka mampu menyelesaikan masalah sebelum terjadi.
Penawaran AIOps lain yang ditawarkan hanya bisa memberikan solusi sebagian saja. Platform Data-to-Everything memberikan Anda kemampuan untuk memasok platform AIOps Anda dengan keseluruhan data yang dibutuhkan untuk menyelesaikan berbagai
tantangan IT yang besar.
Pembeda
• Solusi yang fleksibel dan terukur dengan kecerdasan buatan dan
pembelajaran mesin di pusatnya.
• Hasilnya: memprediksi penurunan layanan hingga 30 menit dari
sebelumnya.
• Menyederhanakan pengelolaan dan respon insiden dengan
kemampuan AIOps seperti ambang batas yang dinamis dan deteksi
anomali.
• Hasilnya: mengurangi kebisingan peristiwa hingga 95%.
• Mengawasi dan memberikan wawasan di seluruh infrastruktur,
aplikasi dan layanan.
• Hasilnya: pengawasan dan pandangan mengenai kesehatan
kinerja layanan untuk IT dan layanan bisnis.
Kemampuan Utama
• Pengelolaan dan Analisa Peristiwa
• Mengelompokkan dan mengorelasikan peristiwa secara instan
untuk mengurangi kebisingan.
• Ambang Batas
• Memperhitungkan dan menyesuaikan dengan pola reguler dalam
aktivitas bisnis dan data.
• Penentu Akar Penyebab
• Meniru lingkungan IT dan bisnis untuk investigasi lebih cepat dan
mengidentifikasi KPI yang paling berkontribusi.
• Deteksi Anomali
• Menunjukkan penurunan dari perilaku di masa lalu untuk
mengidentifikasi peristiwa yang tidak biasa.
• Analitik Prediktif
• Memprediksi nilai kesehatan data dan meramalkan tren untuk
mencegah insiden.
12
Manfaat Splunk
• Mengurangi kebisingan dan kompleksitas.
• Menyederhanakan deteksi insiden dengan peringatan otomatis
dan mobilisasi
• Mengaplikasikan kecerdasan buatan dan kemampuan
pembelajaran mesin di seluruh fungsi ITOps, untuk solusi fleksibel
dan terukur yang bisa tumbuh bersama organisasi Anda
• Memprediksi pemadaman sebelum berdampak pada pelanggan
• Menggunakan analisis sebab pada data di seluruh layanan,
aplikasi, dan infrastruktur
• Memprediksi penurunan layanan 30-40 menit sebelumnya
melalui ambang batas yang adaptif, deteksi anomali, dan
algoritme prediksi kesehatan layanan
• Visibilitas 360°
• Visibilitas kesehatan lengkap di seluruh aplikasi, sistem dan
infrastruktur
• Mengumpulkan berbagai jenis data dan metrik kinerja ke dalam
satu tempat yang bisa digunakan
Intinya: Sekarang Saatnya Menggunakan AIOpBila Anda profesional IT dan jaringan, Anda pasti telah berulang
kali mendengar bahwa data perusahaan adalah aset terpenting,
dan big data akan mentransformasi dunia Anda selamanya.
Pembelajaran mesin dan kecerdasan buatan akan menjadi sesuatu
yang transformatif dan AIOps menyediakan cara konkret untuk
memanfaatkan potensinya untuk IT. Dari meningkatkan daya tanggap,
merampingkan operasional yang kompleks, hingga meningkatkan
produktivitas seluruh tim IT Anda, AIOps adalah cara yang praktis
dan tersedia untuk membantu operasional IT Anda tumbuh dan
berkembang sehingga bisa menghadapi tantangan masa depan,
dan yang terpenting, AIOps bisa memperkuat peranan IT sebagai
pendukung strategis pertumbuhan bisnis.
13
Splunk, Splunk>, Data-to-Everything, D2E and Turn Data Into Doing are trademarks and registered trademarks of Splunk Inc. in the United States and other countries. All other brand names, product names or trademarks belong to their respective owners. © 2020 Splunk Inc. All rights reserved.
REV200918-Splunk-AIOps-Essential Guide to AIOps-117-EB-web-INA
Cari tahu Selengkapnya.Untuk informasi lebih lanjut tentang AIOps:
• Artificial Intelligence for IT Operations (AIOps)
• Panduan Pasar untuk Platform AIOps