Avviksdeteksjon og AI Ops

Avvik er ikke alltid like! Det er nyttig å forstå typene for å kunne oppdage dem:

• Punktavvik: Ett enkelt datapunkt som skiller seg ut, for eksempel en plutselig og ekstrem økning i feilraten.
• Kontekstuelle avvik: Et datapunkt som er normalt i én kontekst, men unormalt i en annen. Høy nettverkstrafikk i rushtiden på en ukedag er for eksempel normalt, men kl. 03 kan det være et avvik.
• Kollektive avvik: En samling relaterte datapunkter som til sammen er unormale, selv om de enkelte punktene ikke er det. Et eksempel er en gradvis og vedvarende økning i latenstid på tvers av flere mikrotjenester.

Selv uten avansert AI kan grunnleggende statistikk bidra til å identifisere avvik:

• Glidende gjennomsnitt: Beregn gjennomsnittet over et nylig tidsintervall. Avvik som ligger langt fra dette gjennomsnittet, kan være tegn på et avvik.
• Standardavvik: Mål hvor spredt datapunktene er. Punkter som ligger utenfor et bestemt antall standardavvik fra gjennomsnittet, for eksempel ifølge 3-sigma-regelen, regnes som uteliggere.

Disse metodene gir et godt utgangspunkt for å forstå avvik.

AI Ops (kunstig intelligens for IT-drift) er et fagområde som kombinerer AI og maskinlæring (ML) med data fra IT-driften for å automatisere og forbedre IT-prosesser.

Målet er å forbedre beslutningstaking, oppdage problemer proaktivt og til og med automatisere feilretting – fra reaktiv problemløsning til proaktiv forvaltning.

AI Ops håndterer vanlige IT-utfordringer ved å fokusere på:

• Redusert varslingstretthet: Samle tusenvis av varsler i noen få hendelser som krever handling.
• Raskere analyse av rotårsaker: Identifisere den underliggende årsaken til problemer raskt.
• Forutsigelse av driftsavbrudd: Forutse mulige problemer før de påvirker brukerne.
• Automatisert feilretting: Utløse automatiske løsninger på kjente problemer.

Et viktig aspekt ved AI Ops er hendelseskorrelasjon. I stedet for å se dusinvis av individuelle varsler for ett driftsavbrudd kan AI Ops analysere alle innkommende logger, måledata og spor.

Deretter bruker systemet ML til å identifisere mønstre og gruppere relaterte hendelser, slik at de presenteres som én samlet og helhetlig hendelse. Dette gjør feilsøking mye enklere.

AI Ops bruker prediktiv analyse til å forutsi fremtidig systematferd. Ved å analysere historiske observasjonsdata kan ML-modeller lære trender og forutsi når et system kan nå en kritisk tilstand.

Det kan for eksempel være å forutsi at en database går tom for diskplass neste uke, eller at en tjeneste får høy latenstid i en kommende periode med stor trafikk. Dette gjør proaktiv inngripen mulig.

Algoritmer for maskinlæring står sentralt i avansert avviksdeteksjon. De kan:

• Lære grunnlinjer: Automatisk forstå «normal» systematferd, inkludert sesongvariasjoner og trender.
• Identifisere komplekse mønstre: Oppdage avvik som enkle regler ville oversett.
• Tilpasse seg over tid: Kontinuerlig oppdatere forståelsen av hva som er normalt etter hvert som systemet utvikler seg.

Dette gjør deteksjonen langt mer robust og nøyaktig.

Dere har sett hvordan avviksdeteksjon går utover statiske terskler for å finne uvanlige mønstre i observasjonsdataene. Dere har lært om punktavvik, kontekstuelle avvik og kollektive avvik.

Dere har også blitt introdusert for AI Ops, som bruker AI og ML til å automatisere IT-drift, redusere varslingstretthet og forutsi problemer gjennom teknikker som hendelseskorrelasjon og prediktiv analyse. Til sammen gjør disse verktøyene systemene mer robuste og enklere å administrere.