AIOps vs MLOps: Memanfaatkan big data untuk ITOps “lebih pintar”

Data digital telah meledak dalam beberapa dekade terakhir. Didorong oleh kemajuan signifikan dalam teknologi komputasi, segala sesuatu mulai dari ponsel dan peralatan pintar hingga sistem angkutan massal menghasilkan dan mencerna data, menciptakan lingkungan big data yang dapat dimanfaatkan oleh perusahaan yang berpikiran maju untuk mendorong inovasi.

Namun, lingkungan big data merefleksikan namanya. Besar. Sangat besar sebetulnya. Perangkat wearable (seperti pelacak kebugaran, jam tangan pintar, dan cincin pintar) sendiri menghasilkan sekitar 28 petabyte (28 miliar megabyte) data setiap hari pada tahun 2020. Dan pada tahun 2024, produksi data harian global melampaui 402 juta terabyte (atau 402 kuintiliun byte).

Ketika lingkungan TI menjadi lebih kompleks — dengan adopsi layanan cloud dan penggunaan lingkungan hybrid, arsitektur layanan mikro, dan sistem yang semakin terintegrasi, praktik DevOps dan teknologi transformasi digital lainnya — alat manajemen operasi TI (ITOps) tradisional sering kesulitan mengimbangi tuntutan pembuatan data yang terus meningkat.

Sebaliknya, bisnis cenderung mengandalkan alat canggih dan strategi—yaitu kecerdasan buatan untuk operasi TI (AIOps) dan operasi machine learning (MLOps)—untuk mengubah sejumlah besar data menjadi insight dapat ditindaklanjuti yang dapat meningkatkan pengambilan keputusan TI dan pada akhirnya keuntungan.

AIOPs mengacu pada aplikasi teknik kecerdasan buatan (AI) dan machine learning (ML) untuk meningkatkan dan mengotomatiskan berbagai aspek operasi TI (ITOps).

Teknologi AI memungkinkan perangkat komputasi untuk meniru fungsi kognitif yang biasanya terkait dengan pikiran manusia (belajar, memahami, menalar, dan memecahkan masalah, misalnya). Dan machine learning—bagian dari AI— mengacu pada serangkaian teknik yang luas untuk melatih komputer untuk belajar dari inputnya menggunakan data yang ada dan satu atau lebih metode “pelatihan” (alih-alih diprogram secara eksplisit). Teknologi ML membantu komputer mencapai kecerdasan buatan.

Akibatnya, AIOps dirancang untuk memanfaatkan data dan kemampuan insight untuk membantu organisasi mengelola tumpukan TI yang semakin kompleks.

MLOps adalah serangkaian praktik yang menggabungkan machine learning (ML) dengan rekayasa data tradisional dan DevOps untuk menciptakan jalur perakitan untuk membangun dan menjalankan model ML yang andal, dapat diskalakan, dan efisien. Ini membantu perusahaan merampingkan dan mengotomatiskan siklus hidup ML end-to-end, yang mencakup pengumpulan data, pembuatan model (dibangun di atas sumber data dari siklus pengembangan perangkat lunak), penerapan model, orkestrasi model, pemantauan kesehatan, dan proses tata kelola data.

MLOps membantu memastikan bahwa semua orang yang terlibat — mulai dari ilmuwan data hingga insinyur perangkat lunak dan personel TI — dapat berkolaborasi dan terus memantau serta meningkatkan model untuk memaksimalkan akurasi dan kinerjanya.

Baik AIOps maupun MLOps merupakan praktik yang sangat penting bagi perusahaan saat ini; masing-masing alamat kebutuhan ITOps yang berbeda namun saling melengkapi. Namun, mereka berbeda secara fundamental dalam tujuan dan tingkat spesialisasi mereka dalam lingkungan AI dan ML.

Sementara AIOps adalah disiplin komprehensif yang mencakup berbagai inisiatif analitik dan AI yang ditujukan untuk mengoptimalkan operasi TI, MLops secara khusus berkaitan dengan aspek operasional model ML, meningkatkan penerapan, pemantauan, dan pemeliharaan yang efisien.

Di sini, kita akan membahas perbedaan utama antara AIOps dan MLOps dan bagaimana mereka masing-masing membantu tim dan bisnis mengatasi tantangan TI dan ilmu data yang berbeda.

Metodologi AIOps dan MLops memiliki beberapa kesamaan karena akarnya dalam AI, tetapi mereka melayani tujuan yang berbeda, beroperasi dalam konteks yang berbeda, dan berbeda dalam beberapa hal utama.

Metodologi AIOps pada dasarnya diarahkan untuk meningkatkan dan mengotomatiskan operasi TI. Tujuan utama mereka adalah untuk mengoptimalkan dan merampingkan alur kerja operasi TI dengan menggunakan AI untuk menganalisis dan menafsirkan sejumlah besar data dari berbagai sistem TI. Proses AIOps memanfaatkan big data untuk memfasilitasi analitik prediktif, mengotomatiskan respons dan menghasilkan insight, dan pada akhirnya mengoptimalkan kinerja lingkungan TI perusahaan.

Sebaliknya, MLOps berfokus pada manajemen siklus hidup untuk model ML, termasuk segala sesuatu mulai dari pengembangan dan pelatihan model hingga penerapan, pemantauan, dan pemeliharaan. MLops bertujuan untuk menjembatani kesenjangan antara ilmu data dan tim operasional sehingga mereka dapat secara andal dan efisien mengalihkan model ML dari lingkungan pengembangan ke produksi, sekaligus mempertahankan kinerja dan akurasi model yang tinggi.

Alat AIOps menangani berbagai sumber dan jenis data, termasuk log sistem, metrik kinerja, data jaringan, dan peristiwa aplikasi. Namun, pra-pemrosesan data di AIOps seringkali merupakan proses yang kompleks, yang melibatkan:

• Prosedur pembersihan data canggih untuk menangani data yang tidak relevan, tidak lengkap, dan tidak terstruktur

• Teknik transformasi untuk mengubah format data yang berbeda menjadi struktur terpadu sehingga data seragam dan siap untuk dianalisis

• Metode integrasi untuk menggabungkan data dari sistem dan aplikasi TI yang berbeda dan memberikan pandangan holistik

MLops berfokus pada data terstruktur dan semiterstruktur (kumpulan fitur dan kumpulan data berlabel) dan menggunakan metode prapemrosesan yang terkait langsung dengan tugas ML, termasuk:

• Rekayasa fitur untuk membuat variabel input yang bermakna dari data mentah

• Normalisasi dan teknik penskalaan untuk menyiapkan data untuk pelatihan model

• Metode augmentasi data untuk meningkatkan kumpulan data pelatihan, terutama untuk tugas-tugas seperti pemrosesan gambar

AIOps mengandalkan analitik berbasis big data, algoritma ML, dan teknik berbasis AI lainnya untuk terus melacak dan menganalisis data ITOps. Proses ini mencakup aktivitas seperti deteksi anomali, korelasi peristiwa, analitik prediktif, analisis akar masalah otomatis, dan pemrosesan bahasa alami (NLP). AIOps juga terintegrasi dengan alat manajemen layanan TI (ITSM) untuk memberikan insight operasional yang proaktif dan reaktif.

MLOP melibatkan serangkaian langkah yang membantu memastikan penerapan, reprodusibilitas, skalabilitas, dan observabilitas model ML yang lancar. Ini mencakup beragam teknologi—termasuk kerangka kerja machine learning, saluran data, sistem integrasi berkelanjutan/penerapan berkelanjutan (CI/CD), alat pemantauan kinerja, sistem kontrol versi, dan terkadang alat kontainerisasi (seperti Kubernetes)—yang mengoptimalkan siklus hidup ML.

Platform AIOps mengembangkan berbagai model analitis, termasuk — tetapi tidak terbatas pada — machine learning. Ini dapat mencakup model statistik (misalnya analisis regresi), sistem berbasis aturan, dan model pemrosesan peristiwa yang kompleks. AIOps mengintegrasikan semua model ini ke dalam sistem TI yang ada untuk meningkatkan fungsi dan kinerjanya.

MLOps memprioritaskan manajemen model machine learning yang menyeluruh, meliputi persiapan data, pelatihan model, penyetelan hiperparameter, dan validasi. Sistem ini menggunakan saluran CI/CD untuk mengotomatiskan pemeliharaan prediktif dan proses penerapan model, serta berfokus pada pembaruan dan pelatihan ulang model saat data baru tersedia.

Pengguna utama teknologi AIOps adalah tim operasi TI, administrator jaringan, profesional DevOps dan operasi data (DataOps) serta tim ITSM, yang semuanya mendapat manfaat dari visibilitas yang ditingkatkan, deteksi masalah proaktif, dan resolusi insiden cepat yang ditawarkan AIOps.

Platform MLops terutama digunakan oleh ilmuwan data, insinyur ML, tim DevOps, dan personel ITops yang menggunakannya untuk mengotomatiskan dan mengoptimalkan model ML dan mendapatkan nilai dari inisiatif AI lebih cepat.

Solusi AIOps berfokus pada pemantauan indikator kinerja utama (KPI)—seperti waktu aktif sistem, waktu respons, dan tingkat kesalahan—di seluruh operasi TI dan menggabungkan masukan pengguna untuk mengulangi dan menyempurnakan model dan layanan analitis. Sistem pemantauan dan peringatan real-time dalam teknologi AIOps memungkinkan tim TI untuk mengidentifikasi dan menyelesaikan masalah TI dengan cepat.

Pemantauan MLops mengharuskan tim untuk terus melacak metrik seperti akurasi model (kebenaran), presisi (konsistensi), mengingat (memori), dan penyimpangan data (faktor eksternal yang menurunkan model dari waktu ke waktu). Berdasarkan metrik tersebut, teknologi MLops terus memperbarui model ML untuk memperbaiki masalah kinerja dan memasukkan perubahan dalam pola data.

AIOps membantu bisnis meningkatkan efisiensi operasional dan mengurangi biaya operasional dengan mengotomatiskan berbagai tugas rutin yang biasanya membutuhkan pekerja manusia. Otomatisasi ini membantu membebaskan staf TI untuk berfokus pada inisiatif AI yang lebih strategis (alih-alih tugas pemeliharaan yang berulang). Ini juga mempercepat manajemen insiden dengan memanfaatkan analitik prediktif dan mengotomatiskan proses remediasi, memungkinkan sistem AIOps untuk menemukan dan memperbaiki masalah sebelum menyebabkan waktu henti yang tidak terduga atau memengaruhi pengalaman pengguna.

Karena kemampuannya untuk memecah silo dan menumbuhkan kolaborasi antara tim dan sistem yang berbeda, solusi AIOps sering digunakan oleh departemen TI untuk mengelola pusat data dan lingkungan cloud perusahaan. AIOP memungkinkan personel ITOP untuk menerapkan penanganan peringatan prediktif, memperkuat keamanan data, dan mendukung proses DevOps.

Teknologi MLops membantu bisnis mempercepat waktu penyiapan produk untuk model ML, meningkatkan kolaborasi antara ilmu data dan tim operasi, serta meningkatkan inisiatif AI di seluruh organisasi. MLOP juga dapat membantu organisasi mempertahankan kepatuhan data dan standar tata kelola dengan memastikan bahwa model ML diterapkan dan dikelola sesuai dengan praktik terbaik industri.

MLOps memiliki berbagai contoh penggunaan di beragam industri, termasuk keuangan, di mana teknologi ini dapat memfasilitasi deteksi penipuan dan penilaian risiko; perawatan kesehatan, di mana ia membantu membuat model diagnostik dan meningkatkan pemantauan pasien; serta retail dan e-commerce, yang menggunakan layanan MLOps untuk membuat sistem rekomendasi (misalnya prompt “Anda mungkin juga menyukai...” di platform belanja online) dan merampingkan manajemen inventaris.

AIOps dan MLOP merupakan bagian integral untuk mempertahankan keunggulan kompetitif di dunia big data. Dengan platform IBM Turbonomic, perusahaan yang berpikiran maju dapat mengelola dan terus mengoptimalkan lingkungan hybrid cloud (termasuk Amazon Web Services (AWS), Azure, Google Cloud, Kubernetes, pusat data, dan lainnya) dengan otomatisasi cerdas.

IBM Turbonomic adalah platform perangkat lunak yang membantu organisasi meningkatkan kinerja dan mengurangi biaya infrastruktur TI mereka, termasuk lingkungan cloud publik, pribadi, dan hybrid cloud. Dengan Turbonomic, tim dapat mengotomatiskan tugas pengoptimalan secara real-time tanpa campur tangan manusia, secara proaktif mengirimkan sumber daya jaringan di seluruh tumpukan TI, dan mencegah penyediaan sumber daya yang berlebihan di lingkungan cloud.