ما المقصود بتحليل السجلات باستخدام الذكاء الاصطناعي؟

بيانات السجلات هي سجلات تفصيلية للأحداث التي تحدث في نظام كمبيوتر أو تطبيق أو شبكة. تساعد أدوات الذكاء الاصطناعي والتعلم الآلي المُدرَّبة على النماذج اللغوية الكبيرة (LLMs) على أتمتة تحليل السجلات، واكتشاف الأنماط وحالات الخلل في مجموعات البيانات، وتوفير رؤى فورية حول كيفية عمل النظام أو التطبيق.

مع صعود التقنيات الغنية بالبيانات مثل الذكاء الاصطناعي التوليدي، يتزايد حجم البيانات التي تحتاج المؤسسات إلى جمعها ومعالجتها بشكل هائل. ووفقًا لتقرير حديث، ارتفع حجم سجلات البيانات التي تتطلب التحليل على مستوى المؤسسات بنسبة تصل إلى 250% سنويًا خلال السنوات الخمس الماضية.¹

مع تطور أدوات وحلول الذكاء الاصطناعي، أصبحت العديد من فرق عمليات تكنولوجيا المعلومات تعتمد بشكل كبير على أدوات الذكاء الاصطناعي والتعلم الآلي في جمع ومعالجة وتحليل ملفات وبيانات السجلات. اليوم، تقدِّم بعض أكبر المؤسسات في العالم أدوات تحليل سجلات مدعومة بالذكاء الاصطناعي، بما في ذلك Microsoft من خلال Azure Monitor Log المدعوم بالذكاء الاصطناعي، وAWS عبر CloudWatch، وIBM من خلال حل IBM® Watson AIOps.

تحليل السجلات هو عملية فحص بيانات السجلات لاستخلاص رؤى أعمق حول أداء النظام وتحسينه وأمنه. يرتبط تحليل السجلات ارتباطًا وثيقًا بإدارة السجلات، وهي العملية التي تعتمد عليها فرق تكنولوجيا المعلومات في جمع بيانات السجلات ومعالجتها وتخزينها. يتعامل كل من تحليل السجلات وإدارة السجلات مع ثلاثة أنواع من السجلات: سجلات الوصول، وسجلات الأخطاء، وسجلات الأحداث. 

• سجلات الوصول: هي سجلات تُسجِّل الطلبات الشائعة على خوادم التطبيقات، مثل عناوين IP مع الطوابع الزمنية والوجهة التي طلبها المستخدم. تُعَد سجلات الوصول ضرورية لتتبُّع سلوك المستخدم واكتشاف التهديدات الأمنية المحتملة أثناء مراقبة النظام.

• سجلات الأخطاء: تحتوي سجلات الأخطاء على بيانات تتعلق بحادثة أمنية محددة، مثل عندما يحاول مستخدم أو تطبيق الاتصال بقاعدة بيانات ويُمنع من الوصول إليها. تساعد سجلات الأخطاء الفِرق في جهود استكشاف الأخطاء وإصلاحها عندما تحتاج إلى استعادة عمليات الأعمال العادية بعد حدوث اختراق أمن البيانات. كما يمكن أن تساعد دراسة سجلات الأخطاء بعد الحادث الأمني على تقليل احتمالية حدوث فترة تعطُّل في المستقبل.

• سجلات الأحداث: توفِّر سجلات الأحداث لفرق تكنولوجيا المعلومات رؤًى حول نشاط النظام خلال فترة محددة. تلتقط هذه السجلات الأحداث الرئيسية مثل بدء تشغيل النظام وإيقافه، وتسجيل دخول المستخدمين، والأعطال غير المتوقعة، ما يساعد الفرق على فهم ما حدث ومتى حدث.

تستخدم فرق عمليات تكنولوجيا المعلومات (ITOps) ومهندسو عمليات التطوير الذكاء الاصطناعي ضمن سير عمل تحليل السجلات، بدءًا من جمع البيانات وتنظيمها، ووصولًا إلى تطبيق تحليلات معقدة وتقنيات عرض بيانات مدعومة بالذكاء الاصطناعي.

في بيئات تكنولوجيا المعلومات السريعة والغنية بالبيانات اليوم، غالبًا ما تعجز أدوات تحليل السجلات التقليدية عن توفير الرؤى التي تحتاجها المؤسسات الحديثة لفهم أداء الأنظمة. والنمو المتسارع في حجم البيانات الناتج عن انتشار التقنيات الغنية بالبيانات مثل الذكاء الاصطناعي التوليدي والسحابة الهجينة يتجاوز في كثير من الأحيان قدرة الأساليب التقليدية لتحليل السجلات على التعامل معه.

تُحدِث الأدوات المدعومة بالذكاء الاصطناعي تحوُّلًا في تحليل السجلات من خلال أتمتة وتسريع العديد من العمليات التي كانت تتطلب تدخلًا بشريًا في السابق. وفيما يلي بعض من أبرز الفوائد الناتجة عن تحليل السجلات باستخدام الذكاء الاصطناعي.

• تحسين الأمن الإلكتروني: في كل عام، تتسبب اختراقات أمن البيانات في حدوث خسائر بالملايين للشركات. ووفقًا لتقرير حديث صادر عن IBM Institute of Business Value، ارتفع متوسط تكلفة اختراق أمن البيانات بنسبة 10% العام الماضي ليصل إلى 4.8 ملايين دولار أمريكي. يساعد تحليل السجلات باستخدام الذكاء الاصطناعي الفرق على تحسين قدراتها في الاستجابة للحوادث وتطبيق أساليب إدارة التهديدات الاستباقية. تساعد خوارزميات الذكاء الاصطناعي على أتمتة المهام التي تستهلك الكثير من الموارد، مثل اكتشاف حالات الخلل، وتحليل الأسباب الأساسية، والتعرُّف على الأنماط، وهي مهام كانت تستغرق من الفرق البشرية أيامًا أو حتى شهورًا.

• امتثال أفضل: مع مواجهة المؤسسات لصعوبة مواكبة القوانين واللوائح المتغيرة في المناطق التي تجمع فيها البيانات وتخزِّنها وتعالجها، يساعد تحليل السجلات باستخدام الذكاء الاصطناعي على أتمتة بعض مهام الامتثال. يمكن لتحليل السجلات أن يوفر مراقبة مؤتمتة للسجلات استنادًا إلى مجموعات محددة من القواعد أو مبادئ حوكمة البيانات المعمول بها.

• قابلية ملاحظة أكبر: يساعد تحليل السجلات باستخدام الذكاء الاصطناعي على تعزيز مستوى قابلية الملاحظة للأنظمة والتطبيقات التي تعتمد عليها الشركات في عملياتها الأساسية. يمكن برمجة خوارزميات الذكاء الاصطناعي لتتعرَّف على شكل سجلات البيانات في الحالة الطبيعية عند عمل النظام بشكل سليم، وتنبيه فرق عمليات تكنولوجيا المعلومات (ITOps) فورًا عند حدوث أي خلل. يعتمد Kubernetes، وهو منصة مفتوحة المصدر شائعة يتم استخدامها لأتمتة نشر التعليمات البرمجية، على تحليل السجلات المدعوم بالذكاء الاصطناعي لتعزيز قدراته في المراقبة المتقدمة واستكشاف الأخطاء وإصلاحها.

• تحليلات تنبؤية: يساعد تحليل السجلات باستخدام الذكاء الاصطناعي الشركات على فهم تفاعلات المستخدمين مع منتجاتها بشكل أفضل، وذلك من خلال جمع كميات هائلة من بيانات السجلات والتعرُّف على أنماط سلوك العملاء. ويساعد ذلك على التنبؤ بسلوك العملاء المستقبلي وتحديد فرص لتطوير منتجات جديدة أو تعديل المنتجات الحالية بطرق استراتيجية.

تعتمد فرق عمليات التطوير الحديثة على الذكاء الاصطناعي لتبسيط العمليات وتحسين الوعي بكيفية عمل الأنظمة والتطبيق. على سبيل المثال، خلال مرحلة الاختبار النهائي وتصحيح الأخطاء، يمكن للذكاء الاصطناعي جمع البيانات وتحديد حالات الخلل والأنماط في التعليمات البرمجية، ما يساعد المطورين على تعديلها قبل إطلاقها في السوق.

يساعد تحليل السجلات باستخدام الذكاء الاصطناعي على حماية الأنظمة والتطبيقات والأفراد من مجموعة واسعة من التهديدات الإلكترونية، بما في ذلك التصيُّد الاحتيالي، وبرمجيات الفدية، والبرامج الضارة. يساعد تحليل السجلات باستخدام الذكاء الاصطناعي على تعزيز رؤية فرق الأمن الإلكتروني لأنظمتها وتطبيقاتها، من خلال فحص البيانات في الوقت الفعلي بحثًا عن أنماط قد تُشير إلى هجوم إلكتروني أو اختراق لأمن البيانات. وفقًا لتقرير حديث، فإن المؤسسات التي اعتمدت بشكل واسع على تقنيات الذكاء الاصطناعي والأتمتة في حلول الأمن الإلكتروني الخاصة بها وفَّرت ما يعادل 2.2 مليون دولار أمريكي.

تعتمد فرق عمليات تكنولوجيا المعلومات (ITOps) على أدوات فعَّالة لتحليل السجلات من أجل الوصول إلى كميات كبيرة من البيانات ومراقبتها، وتحديد مشكلات الأداء. يساعد تحليل السجلات باستخدام الذكاء الاصطناعي على توحيد النهج الاستراتيجي للفرق، وذلك من خلال أتمتة العديد من المهام التي كانت تستهلك الكثير من الموارد وتتطلب تدخلًا مباشرًا منهم في السابق.

على سبيل المثال، العديد من "التنبيهات" التي تتلقاها فرق تكنولوجيا المعلومات من أدوات تحليل السجلات التقليدية ليست مهمة ولا تستدعي أي إجراء. يمكن تدريب الذكاء الاصطناعي على فرز هذه التنبيهات واختيار التنبيهات الحرجة فقط لعرضها على الفريق.

مع توسُّع قدرات الذكاء الاصطناعي، أصبح تحليل السجلات باستخدام الذكاء الاصطناعي يعتمد بشكل متزايد على نوع من الذكاء الاصطناعي يُعرَف بالذكاء الاصطناعي المستقل أو الذكاء الاصطناعي الوكيل. في الذكاء الاصطناعي المستقل والذكاء الاصطناعي الوكيل، يتم تصميم الأدوات المدعومة بالذكاء الاصطناعي لغرض وحيد يتمثل في إنجاز هدف محدد ضمن بيئة أعمال معقدة.

على عكس نماذج الذكاء الاصطناعي التقليدية التي كانت تتطلب إشرافًا بشريًا مستمرًا، فإن وكلاء الذكاء الاصطناعي يتمتعون بقدر من الاستقلالية في كيفية تشخيص المشكلات واقتراح الحلول. فيما يلي بعض الأمثلة التي توضِّح كيفية مساهمة هذه التقنية في دفع حدود استخدام الذكاء الاصطناعي في تحليل السجلات.

لا يقتصر دور وكلاء الذكاء الاصطناعي على فحص مجموعات البيانات الكبيرة لاكتشاف حالات الخلل والأنماط، بل يمكن أيضًا تدريبهم على تقديم استجابات، مع التكيُّف والتعلم المستمر من البيانات التي يتم جمعها باستمرار.

على سبيل المثال، في حين أن أداة الذكاء الاصطناعي التقليدية "السلبية" أو "القائمة على القواعد" قد تكتشف نمطًا في سجل البيانات، يمكن لوكيل الذكاء الاصطناعي تفسير ما يعنيه بل واتخاذ إجراءات تصحيحية.

التحليلات التنبؤية هي فرع من التحليلات المتقدمة يُستخدَم للتنبؤ بالمستقبل اعتمادًا على البيانات التاريخية. تعزز أدوات الذكاء الاصطناعي المستقل والوكيل هذه العملية بشكل كبير من خلال اكتشاف المشكلات وتحديد مواقعها وحلّها في التطبيق قبل أن تتسبب في حدوث أي انقطاع.

على سبيل المثال، من خلال تحديد نمط في بيانات السجلات ومقارنته بالبيانات التاريخية للتطبيق نفسه، يمكن لوكيل الذكاء الاصطناعي تنفيذ استجابة تلقائية، مثل زيادة أو تقليل عدد الخوادم أو الأجهزة الافتراضية (VMs)، لتجنُّب التعطُّل أو أي انقطاع محتمل.

ربما تكون القدرة الأكثر تحوُّلًا في تحليل السجلات باستخدام الذكاء الاصطناعي المستقل هي توليد بيانات سجلات اصطناعية استنادًا إلى الأنماط القائمة التي حللها وكيل الذكاء الاصطناعي. تتيح هذه الأداة لفرق عمليات التطوير محاكاة مجموعة واسعة من السيناريوهات لاختبار التعليمات البرمجية قبل نشرها فعليًا. في السابق، كان اختبار البرمجيات بهذا المستوى يتطلب تدخلًا يدويًا وكميات هائلة من الموارد.

على سبيل المثال، باستخدام الذكاء الاصطناعي المستقل، يمكن لفريق عمليات التطوير الذي يعمل على تطوير تطبيق جديد للخدمات المالية أن يبدأ باختبار التعليمات البرمجية ضد هجمات متنوعة مثل محاولات القوة الغاشمة، والبرامج الضارة، وهجمات حجب الخدمة، وكل ذلك دون أي تدخل يدوي. يتعلم الذكاء الاصطناعي المستقل من دراسة بيانات السجلات الناتجة عن الحوادث الفعلية، ما يمكِّنه من توليد بيانات سجلات اصطناعية بدقة لمحاكاة الحادث واختبار التعليمات البرمجية الحالية.

يستخدِم الذكاء الاصطناعي المستقل والوكيل تقنيات معالجة اللغة الطبيعية (NLP)، ما يُتيح للمحللين التفاعل معه من خلال استفسارات مألوفة بطابع حواري. تساعد معالجة اللغة الطبيعية (NLP) على تحسين تجربة المستخدم مع وكلاء الذكاء الاصطناعي، وكذلك تبسيط العمليات الحيوية وتسريعها.

على سبيل المثال، بدلًا من فحص ملخصات بيانات السجلات يدويًا بحثًا عن رؤى، يمكن لعضو في فريق عمليات تكنولوجيا المعلومات ببساطة أن يكتب: هل هناك أي نشاط غير معتاد اليوم؟وسيستجيب وكيل الذكاء الاصطناعي لهم كما لو كان إنسانًا.