Apa itu AIOps?

Meskipun AIOps dan DevOps memiliki asal-usul yang berbeda, keduanya bukanlah konsep yang bersaing, melainkan partner yang kuat. Hubungan ini paling baik dipahami sebagai:

• DevOps adalah budaya dan proses yang bertujuan untuk mempercepat siklus proses pengiriman software dengan mengintegrasikan pengembangan dan operasi. Platform ini berfokus pada kolaborasi, otomatisasi, dan pipeline CI/CD.
• AIOps adalah mesin cerdas yang mempercepat toolchain DevOps. AIOps menyediakan analisis dan otomatisasi lanjutan yang diperlukan untuk mengelola kompleksitas yang ditimbulkan oleh praktik DevOps modern.

Singkatnya, DevOps membangun pipeline yang bergerak cepat, dan AIOps memastikan pipeline tersebut berjalan dengan andal dan efisien dengan mendeteksi, mendiagnosis, dan menyelesaikan masalah secara otomatis.

Platform AIOps biasanya bekerja dalam proses tiga bagian: mengamati, berinteraksi, dan bertindak.

Platform AIOps menyerap dan memusatkan aliran data yang sangat besar—termasuk metrik, log, trace, dan peristiwa—dari seluruh lanskap IT untuk menciptakan gambaran lengkap dan real-time tentang kesehatan sistem.

Dengan machine learning, platform ini mengorelasikan dan menganalisis data ini untuk membedakan sinyal penting dari derau. Fitur ini secara otomatis mendeteksi anomali, mengelompokkan pemberitahuan terkait, dan menunjukkan kemungkinan penyebab utama, serta menyajikan insight yang dapat ditindaklanjuti kepada tim IT melalui dasbor terpadu dan pemberitahuan yang ditargetkan.

Berdasarkan analisisnya, platform ini memicu respons otomatis untuk menyelesaikan masalah. Hal ini dapat mencakup pemberitahuan kepada tim yang tepat hingga menjalankan alur kerja perbaikan otomatis—seperti memulai ulang layanan, menskalakan resource, atau membatalkan perubahan—sering kali sebelum operator manusia melakukan intervensi.

Perjalanan menuju kematangan AIOps biasanya melibatkan beberapa tahap:

1. Reaktif: Organisasi dalam tahap pertama ini bekerja secara independen, mengumpulkan data tentang peristiwa hanya untuk tujuan reaktif. Hanya ada sedikit interaksi antara sistem dan bisnis.
2. Terintegrasi: Seiring kemajuan bisnis dalam mengadopsi AIOps, mereka dapat mengurai silo dan mendorong kolaborasi dengan mengintegrasikan sumber data ke dalam struktur terpadu dan meningkatkan pengelolaan layanan IT (ITSM).
3. Analitis: Tahap ketiga melibatkan penerapan strategi analisis komprehensif yang memprioritaskan aksesibilitas data bagi semua pemangku kepentingan. Dengan meningkatkan proses ITSM serta menentukan standar pengukuran dan metrik utama, organisasi dapat mencapai hasil yang lebih baik.
4. Preskriptif: Pada tahap ini, organisasi menjadikan otomatisasi sebagai prioritas dan sering menggunakan machine learning. Otomatisasi, yang melengkapi interaksi manusia, telah menjadi komponen utama proses ITSM. Selain itu, analisis komparatif dapat digunakan untuk mengukur peningkatan dan dampak bisnis.
5. Otomatis: Pada tingkat kematangan tertinggi, organisasi mencapai otomatisasi total dan model machine learning prediktif yang beroperasi tanpa intervensi manusia. Pemangku kepentingan berbagi data dengan lancar dan terdapat transparansi penuh dalam analisis. Hal ini membantu mendorong pengambilan keputusan proaktif yang didorong oleh nilai bisnis.

Memahami berbagai jenis solusi AIOps sangat penting untuk memilih platform yang tepat dan mengimplementasikannya secara efektif. Solusi AIOps dapat dikategorikan menjadi dua jenis utama:

• AIOps yang berpusat pada domain: Alat berbasis AI khusus ini memantau dan mengelola performa area tertentu dalam operasi IT, seperti jaringan, aplikasi, dan lingkungan komputasi cloud. Misalnya, platform AIOps yang berpusat pada domain mungkin berfokus secara khusus pada pemantauan performa jaringan dan menggunakan AI untuk mendeteksi serta mendiagnosis anomali jaringan.
• AIOps agnostik domain: Solusi ini dirancang untuk menskalakan analisis prediktif dan otomatisasi AI di seluruh batasan jaringan dan organisasi yang lebih luas. Mereka mengumpulkan dan menganalisis data peristiwa dari berbagai sumber di seluruh lanskap IT untuk memberikan insight dan korelasi holistik. Misalnya, platform AIOps yang agnostik terhadap domain dapat menyerap data dari berbagai alat pemantauan, sistem keamanan, dan platform pengelolaan layanan IT (ITSM) untuk memberikan pandangan komprehensif tentang operasi IT dan mengidentifikasi korelasi antara peristiwa di berbagai domain.

AIOps menyediakan berbagai aplikasi fungsional di berbagai skenario operasi IT:

Untuk memastikan layanan tetap cepat dan andal, AIOps secara proaktif memantau performa infrastruktur IT. CloudWatch menganalisis data historis dan real-time untuk mempelajari apa yang normal, sehingga dapat mendeteksi penyimpangan kecil yang menandakan masalah di masa mendatang, seperti kebocoran memori atau penurunan waktu respons. Hal ini memungkinkan tim memperbaiki masalah sebelum menyebabkan gangguan layanan.

AIOps memfasilitasi otomatisasi alur kerja respons insiden dengan berintegrasi dengan alat otomatisasi IT dan platform orkestrasi. Setelah mendeteksi insiden, AIOps dapat secara otomatis memicu tindakan perbaikan yang telah ditentukan sebelumnya, seperti memulai ulang layanan, menskalakan resource, atau menjalankan skrip diagnostik, tanpa intervensi manual. Misalnya, jika AIOps mendeteksi error aplikasi web, AIOps dapat otomatis memulai alur kerja untuk memulai ulang server aplikasi dan membatalkan deployment kode bermasalah terbaru.

Manfaatkan machine learning untuk menganalisis dan menghubungkan data dari berbagai sumber IT, termasuk log, metrik, traffic jaringan, dan data konfigurasi, untuk membantu melakukan analisis akar masalah yang cerdas. Fungsi ini memungkinkan AIOps menentukan penyebab mendasar masalah IT dengan mengidentifikasi hubungan dan dependensi kompleks yang mungkin terlewatkan oleh analisis manusia. Misalnya, jika masalah performa database terdeteksi, AIOps dapat mengorelasikan log database dengan metrik server dan data latensi jaringan untuk mengidentifikasi apakah penyebab utamanya adalah kueri lambat, konflik resource server, atau hambatan jaringan.

AIOps meningkatkan keamanan dengan menerapkan prinsip deteksi anomali yang sama untuk melindungi dari ancaman. Alat ini menganalisis traffic jaringan, perilaku pengguna, dan log sistem untuk menetapkan dasar pengukuran aktivitas normal. Kemudian, alat ini menandai penyimpangan mencurigakan yang mengindikasikan potensi pelanggaran keamanan, seperti pola akses data yang tidak biasa atau upaya login dari lokasi yang tidak terduga, sehingga memicu pemberitahuan untuk tim keamanan.

Menggabungkan algoritma cerdas untuk menganalisis dan mengontekstualkan pemberitahuan, memprioritaskannya secara dinamis berdasarkan tingkat keparahan, dampak bisnis, dan dependensi. Fungsi ini melampaui pemberitahuan sederhana berbasis batas dengan mengurangi gangguan pemberitahuan dan memastikan bahwa tim IT berfokus pada notifikasi yang paling penting dan dapat ditindaklanjuti.

Lakukan analisis tren dan algoritma perencanaan kapasitas untuk mengidentifikasi potensi bottleneck performa secara proaktif dan mengoptimalkan alokasi resource. Dengan menganalisis data performa historis dan memprediksi kebutuhan resource di masa mendatang, AIOps dapat memberikan rekomendasi untuk penyesuaian resource, seperti meningkatkan skala resource komputasi atau menyeimbangkan kembali workload, untuk mempertahankan performa optimal dan mencegah penurunan kualitas layanan. Misalnya, AIOps dapat menganalisis tren performa aplikasi dan memprediksi kapan aplikasi web kemungkinan akan mengalami beban puncak, sehingga merekomendasikan penskalaan proaktif instance server web untuk memastikan pengalaman pengguna yang konsisten selama waktu puncak. 

Penerapan AIOps memerlukan pendekatan strategis, dengan mempertimbangkan berbagai faktor seperti kualitas data, integrasi, dan pengembangan keterampilan. Berikut ringkasan umum tentang cara menerapkan AIOps dalam organisasi Anda:

• Selaraskan AIOps dengan sasaran bisnis: Tentukan tujuan dan sasaran yang jelas untuk implementasi AIOps, dengan menyelaraskannya dengan strategi bisnis organisasi Anda secara keseluruhan. Misalnya, jika sasaran organisasi Anda adalah meningkatkan kepuasan pelanggan, Anda dapat berfokus pada penggunaan AIOps untuk mengurangi waktu non-operasional dan meningkatkan keandalan layanan.
• Hubungkan data peristiwa Anda ke alat AIOps Anda: Integrasikan data dari berbagai sumber dan alat pemantauan untuk memberikan tampilan terpadu atas lingkungan IT Anda. Hal ini mungkin melibatkan integrasi dengan alat pemantauan yang ada, sistem pengelolaan log, dan platform ITSM.
• Kurangi gangguan: Terapkan strategi untuk memfilter pemberitahuan dan notifikasi yang tidak relevan, dengan berfokus pada masalah yang paling penting. Hal ini mungkin melibatkan penggunaan AI untuk mengorelasikan pemberitahuan, mengidentifikasi pola, dan menekan positif palsu.
• Perkaya dan normalisasi data peristiwa dan insiden Anda: Standardisasi dan perkaya data peristiwa untuk memfasilitasi respons dan kolaborasi yang lebih cepat di antara tim. Hal ini mungkin melibatkan penambahan informasi kontekstual ke pemberitahuan, seperti sistem, aplikasi, dan pengguna yang terpengaruh.
• Bangun alur kerja perbaikan otomatis: Mulailah dengan mengidentifikasi insiden umum dan berulang. Buat dan uji playbook otomatis yang dapat dipicu AIOps untuk menyelesaikan masalah ini secara instan, sehingga engineer manusia dapat berfokus pada masalah yang lebih kompleks.
• Pastikan data berkualitas tinggi: Efektivitas AIOps bergantung pada kualitas data yang dimasukkan ke dalam sistem. Pastikan data Anda akurat, lengkap, dan konsisten untuk menghindari insight atau prediksi yang tidak akurat.
• Manfaatkan API dan SDK terbuka: API dan SDK terbuka sangat penting untuk mengintegrasikan AIOps dengan sistem yang ada dan menyesuaikan integrasi. Pilih platform AIOps yang menawarkan API dan SDK terbuka untuk memastikan integrasi yang lancar dengan lingkungan IT Anda.

Google Cloud menyediakan rangkaian layanan yang canggih dan terintegrasi yang berfungsi sebagai blok penyusun untuk strategi AIOps modern. Bukan hanya satu produk, platform ini menawarkan platform fleksibel untuk mengimplementasikan alur kerja "Mengamati, Berinteraksi, Bertindak".

• Untuk lapisan "Mengamati":
• Suite Kemampuan Observasi Google Cloud (Cloud Logging, Cloud Monitoring, Cloud Trace): Ini adalah fondasi untuk pengumpulan data. Cloud Monitoring secara otomatis menyerap metrik, log, dan trace dari seluruh lingkungan Google Cloud, hybrid, dan multicloud Anda, sehingga menyediakan data mentah yang diperlukan untuk analisis.
• Untuk lapisan "Berinteraksi" (menganalisis dan mendiagnosis):
• BigQuery: Data warehouse serverless ini bertindak sebagai mesin analisis pusat. Cloud Monitoring dapat menyimpan dan memproses petabyte data operasional dari Kemampuan Observasi Cloud. Anda dapat menjalankan kueri kompleks untuk menganalisis tren historis dan mengidentifikasi pola di seluruh set data yang berbeda.
• Vertex AI: Di sinilah "AI" dalam AIOps diwujudkan. Anda dapat menggunakan Vertex AI untuk membangun, melatih, dan men-deploy model machine learning kustom untuk deteksi anomali tingkat lanjut, pemberitahuan prediktif, dan analisis akar masalah langsung pada data yang disimpan di BigQuery.
• Untuk lapisan "Bertindak" (mengotomatiskan dan memperbaiki):
• Cloud Functions dan Cloud Run: Layanan komputasi serverless ini sangat cocok untuk menjalankan tindakan perbaikan otomatis. Insight dari Vertex AI atau pemberitahuan dari Cloud Monitoring dapat memicu Cloud Function untuk memulai ulang pod secara otomatis, menskalakan layanan, atau memposting notifikasi mendetail ke alat kolaborasi.
• Workflows: Layanan ini memungkinkan Anda mengorkestrasikan urutan tindakan yang kompleks di berbagai layanan Google Cloud. Anda dapat mendesain playbook remediasi end-to-end yang canggih dan dipicu secara otomatis oleh peristiwa AIOps, sehingga memastikan respons insiden yang konsisten dan andal.