مقارنة بين AIOps وMLOps: تسخير البيانات الكبيرة من أجل ITOPs "أكثر ذكاءً"

شهدت البيانات الرقمية زيادة هائلة في العقود الأخيرة. بفضل التقدم الكبير في تقنيات الحوسبة، فإن كل شيء بدءًا من الهواتف المحمولة والأجهزة الذكية إلى أنظمة النقل الجماعي يولد البيانات ويجمعها، ما يؤدي إلى إنشاء البيانات الكبيرة التي يمكن للمؤسسات ذات التفكير المستقبلي الاستفادة منها لتعزيز الابتكار.

ومع ذلك، مجال البيانات الكبيرة هو كما يشير اسمه بالضبط. كبير. بل ضخم، في الواقع. أنتجت الأجهزة القابلة للارتداء (مثل أجهزة تتبع اللياقة البدنية والساعات الذكية والخواتم الذكية) وحدها ما يقرب من 28 بيتابايت (28 مليار ميغابايت) من البيانات يوميًا في عام 2020. وفي عام 2024، تجاوز حجم توليد البيانات اليومية عالميًا 402 مليون تيرابايت (أو 402 كوينتيليون بايت).

مع تزايد تعقيد بيئات تكنولوجيا المعلومات—مع تبني الخدمات السحابية واستخدام البيئات الهجينة، وبُنى الخدمات المصغرة، والأنظمة المتكاملة بشكل متزايد، وممارسات عمليات التطوير وتقنيات التحول الرقمي الأخرى—غالبًا ما تواجه أدوات إدارة عمليات تكنولوجيا المعلومات (ITOps) التقليدية صعوبة في مواكبة متطلبات توليد البيانات المتزايدة باستمرار.

بدلاً من ذلك، تميل الشركات إلى الاعتماد على الأدوات المتقدمة والإستراتيجيات—وتحديدًا الذكاء الاصطناعي لعمليات تكنولوجيا المعلومات (AIOps) وعمليات التعلم الآلي (MLOps)—لتحويل كميات هائلة من البيانات إلى معارف قابلة للتنفيذ يمكن أن تحسن صناعة قرارات تكنولوجيا المعلومات ومن ثَم، الأرباح النهائية.

تشير AIOPs إلى استخدام تقنيات الذكاء الاصطناعي والتعلم الآلي (ML) لتعزيز وأتمتة مختلف جوانب عمليات تكنولوجيا المعلومات (ITOps).

تقنية الذكاء الاصطناعي تُمكّن أجهزة الحوسبة من محاكاة الوظائف الإدراكية المرتبطة عادةً بعقل الإنسان (مثل التعلم، والإدراك، والاستدلال، وحل المشكلات). والتعلم الآلي—وهو فرع من الذكاء الاصطناعي—يشير إلى مجموعة واسعة من التقنيات المستخدمة لتدريب الحاسوب على التعلم من المدخلات باستخدام البيانات الموجودة وطريقة أو أكثر من طرق "التدريب" (بدلاً من برمجته بشكل صريح). تساعد تقنيات التعلم الآلي أجهزة الكمبيوتر على تحقيق الذكاء الاصطناعي.

ومن ثَم، AIOps مصممة لاستغلال البيانات وإمكانات توليد المعارف لمساعدة المؤسسات على إدارة مجموعات تكنولوجيا المعلومات متزايدة التعقيد.

MLOps هي مجموعة من الممارسات التي تجمع بين التعلم الآلي (ML) وهندسة البيانات التقليدية وعمليات التطوير بهدف إنشاء مسار إنتاج لتطوير وتشغيل نماذج التعلم الآلي الموثوقة والقابلة للتوسع والفعالة. وتساعد الشركات على تبسيط وأتمتة دورة حياة التعلم الآلي من البداية إلى النهاية، والتي تشمل جمع البيانات، وإنشاء النماذج (المبنية على مصادر البيانات المستمدة من عمليات تطوير البرمجيات)، ونشر النماذج، وتنسيق النماذج، ومراقبة السلامة، وحوكمة البيانات.

تساعد MLOps على ضمان أن جميع المعنيين—بدءًا من علماء البيانات إلى مهندسي البرمجيات وموظفي تكنولوجيا المعلومات—يمكنهم التعاون ومراقبة النماذج وتحسينها باستمرار لتعزيز دقتها وأدائها.

تُعد كل من AIOps وMLOps ممارسات محورية للمؤسسات اليوم؛ فكل منهما يعالج متطلبات ITOps المختلفة والمتكاملة في الوقت نفسه. ومع ذلك، فهما يختلفان اختلافًا جوهريًا في غرضهما ومستوى تخصصهما في بيئات الذكاء الاصطناعي والتعلم الآلي.

بينما تُعد AIOps منهجية شاملة تشمل مجموعة متنوعة من التحليلات ومبادرات الذكاء الاصطناعي التي تهدف إلى تحسين عمليات تكنولوجيا المعلومات، تهتم MLOps بشكل خاص بالجوانب التشغيلية لنماذج التعلم الآلي، ما يعزز نشرها ومراقبتها وصيانتها بشكل فعال.

في هذه النقطة، سنناقش أوجه الاختلاف الرئيسية بين AIOps وMLOps وكيفية مساعدة كل منهما للفرق والشركات على معالجة مختلف تحديات تكنولوجيا المعلومات وعلم البيانات.

تشترك منهجيتا الذكاء الاصطناعي لعمليات تقنية المعلومات وعمليات التعلم الآلي في بعض القواسم المشتركة بسبب ارتباطهما بالذكاء الاصطناعي، لكنهما يخدمان أغراضًا مختلفة، ويعملان في سياقات مختلفة، ويختلفان في عدة جوانب رئيسية.

تهدف منهجيات AIOps بشكل أساسي إلى تحسين عمليات تكنولوجيا المعلومات وأتمتتها. ويتمثل هدفها الأساسي في تحسين وتبسيط سير عمل عمليات تكنولوجيا المعلومات باستخدام الذكاء الاصطناعي لتحليل وتفسير كميات هائلة من البيانات الواردة من أنظمة تكنولوجيا المعلومات المختلفة. تستفيد عمليات AIOps من البيانات الكبيرة لتسهيل التحليلات التنبئية، وأتمتة عمليات الاستجابة، وتوليد المعارف، وفي النهاية، تحسين أداء بيئات تكنولوجيا المعلومات المؤسسية.

على النقيض من ذلك، تركز MLOps على إدارة دورة حياة نماذج التعلم الآلي، بما في ذلك كل شيء بدءًا من تطوير النماذج وتدريبها وحتى نشرها ومراقبتها وصيانتها. تهدف MLOps إلى سد الفجوة بين فرق علم البيانات والفرق التشغيلية حتى يتمكنوا من نقل نماذج التعلم الآلي من بيئات التطوير إلى بيئات الإنتاج بشكل موثوق وفعال، وكل ذلك مع الحفاظ على دقة وأداء فائقين للنماذج.

تتعامل أدوات AIOps مع مجموعة من مصادر وأنواع البيانات، بما في ذلك سجلات النظام، ومقاييس الأداء، وبيانات الشبكة، وأحداث التطبيقات. ومع ذلك، غالبًا ما تكون المعالجة المسبقة للبيانات في AIOps عملية معقدة، وتشمل ما يلي:

• إجراءات تنظيف البيانات المتقدمة للتعامل مع البيانات المشوشة وغير الكاملة وغير المنظمة

• تقنيات التحويل لتحويل تنسيقات البيانات المتباينة إلى هيكل موحد بحيث تكون البيانات موحدة وجاهزة للتحليل

• طرق التكامل لدمج البيانات من مختلف أنظمة وتطبيقات تكنولوجيا المعلومات لتوفير رؤية شاملة

تركز MLOps على البيانات المنظمة وشبه المنظمة (مجموعات المزايا ومجموعات البيانات الموسومة) وتستخدم طرق المعالجة المسبقة ذات الصلة المباشرة بمهام التعلم الآلي (ML)، بما في ذلك ما يلي:

• هندسة المزايا لإنشاء متغيرات إدخال ذات معنى من البيانات غير المنسقة

• تقنيات التسوية وتوسيع النطاق لإعداد البيانات لتدريب النماذج

• طرق زيادة البيانات لتعزيز مجموعات بيانات التدريب، خاصةً في مهام مثل معالجة الصور

تعتمد AIOps على التحليلات القائمة على البيانات الكبيرة، وخوارزميات التعلم الآلي، وغيرها من التقنيات المستندة إلى الذكاء الاصطناعي لتتبع بيانات ITOps وتحليلها بشكل مستمر. وتشمل العملية أنشطة مثل اكتشاف الحالات الشاذة، وربط الأحداث، والتحليلات التنبئية، وتحليل الأسباب الأساسية تلقائيًا، وومعالجة اللغة الطبيعية (NLP). كما تتكامل AIOps مع أدوات إدارة خدمات تكنولوجيا المعلومات (ITSM) لتقديم معارف تشغيلية استباقية وتفاعلية.

تضمن MLOps سلسلة من الخطوات التي تساعد على ضمان سهولة النشر، وقابلية التكرار، وقابلية التوسع، وقابلية الملاحظة في نماذج التعلم الآلي. وتشمل مجموعة من التقنيات—بما في ذلك أُطر التعلم الآلي، ومسارات البيانات، وأنظمة التكامل المستمر/النشر المستمر (CI/CD)، وأدوات مراقبة الأداء، وأنظمة التحكم في الإصدارات وأحيانًا أدوات النقل بالحاويات (مثل Kubernetes) —التي تحسن دورة حياة التعلم الآلي.

تطور منصات AIOps مجموعة واسعة من النماذج التحليلية، بما في ذلك—على سبيل المثال وليس الحصر—التعلم الآلي. ويمكن أن تشمل النماذج الإحصائية (مثل تحليل الانحدار)، والأنظمة القائمة على القواعد، ونماذج معالجة الأحداث المعقدة. تدمج AIOps هذه النماذج في أنظمة تكنولوجيا المعلومات الحالية بهدف تعزيز وظائفها وأدائها.

تعطي MLOps الأولوية للإدارة الشاملة لنماذج التعلم الآلي، بما في ذلك إعداد البيانات، وتدريب النماذج، وضبط المعاملات الفائقة، والتحقق من الصحة. وتستخدم مسارات CI/CD لأتمتة عمليات الصيانة التنبئية ونشر النماذج، وتركز على تحديث وإعادة تدريب النماذج مع توافر بيانات جديدة.

المستخدمون الأساسيون لتقنيات AIOps هم فرق عمليات تكنولوجيا المعلومات، ومسؤولو الشبكات، وموظفو عمليات البيانات (DataOps)، وفرق ITSM، وجميعهم يستفيدون من الرؤية المحسنة، والكشف الاستباقي عن المشكلات، والمعالجة السريعة للحوادث التي تسببها AIOps.

تُستخدم منصات MLOps بشكل أساسي من قبل علماء البيانات، ومهندسي التعلم الآلي، وفرق عمليات التطوير، وموظفي ITOps الذين يستخدمونها لأتمتة وتحسين نماذج التعلم الآلي وتحقيق قيمة من مبادرات الذكاء الاصطناعي بشكل أسرع.

تركز حلول AIOps على مراقبة مؤشرات الأداء الرئيسية (KPIs)—مثل مدة تشغيل النظام، ووقت الاستجابة، ومعدلات الخطأ—عبر عمليات تكنولوجيا المعلومات ودمج تعليقات المستخدمين لتكرار النماذج والخدمات التحليلية وتحسينها. تُمكّن أنظمة المراقبة والتنبيه في الوقت الفعلي ضمن تقنيات AIOps فرق تكنولوجيا المعلومات من تحديد مشكلات تكنولوجيا المعلومات وحلها بسرعة.

تتطلب مراقبة MLOps من الفرق تتبع المقاييس بشكل مستمر مثل دقة النموذج (الصحة) والإحكام (الاتساق) والاستدعاء (الذاكرة) وانحراف البيانات (العوامل الخارجية التي تؤدي إلى تدهور النماذج بمرور الوقت). واستنادًا إلى هذه المقاييس، تُحدّث تقنيات MLOps نماذج التعلم الآلي (ML) باستمرار لتصحيح مشكلات الأداء ودمج التغييرات في أنماط البيانات.

تساعد AIOps الشركات على زيادة الكفاءة التشغيلية وتقليل التكاليف التشغيلية من خلال أتمتة المهام الروتينية التي تتطلب عادةً عاملاً بشريًا. تساعد هذه الأتمتة على إتاحة الوقت لموظفي تكنولوجيا المعلومات للتركيز على مبادرات الذكاء الاصطناعي الأكثر إستراتيجية (بدلاً من مهام الصيانة الروتينية). كما تسرع إدارة الحوادث من خلال الاستفادة من التحليلات التنبئية وأتمتة عملية المعالجة، ما يُمكّن أنظمة AIOps من اكتشاف المشكلات وإصلاحها قبل أن تتسبب في فترات تعطل غير متوقعة أو تؤثر في تجربة المستخدم.

ونظرًا إلى قدرتها على إزالة الصوامع وتعزيز التعاون بين الفرق والأنظمة المختلفة، تستخدم أقسام تكنولوجيا المعلومات حلول AIOps بشكل متكرر بهدف إدارة مراكز البيانات وبيئات السحابة في الشركة. تُمكّن AIOPs موظفي ITOPs من تنفيذ التعامل التنبئي مع التنبيهات، وتعزيز أمن البيانات ، ودعم عمليات DevOps.

تساعد تقنيات MLOps الشركات على تسريع وقت طرح نماذج التعلم الآلي في السوق، وزيادة التعاون بين فرق علم البيانات والفرق التشغيلية، وتوسيع مبادرات الذكاء الاصطناعي عبر المؤسسة. كما يمكن أن تساعد MLOps على الحفاظ على معايير امتثال البيانات وحوكمتها من خلال ضمان نشر نماذج التعلم الآلي (ML) وإدارتها وفقًا لأفضل الممارسات في المجال.

تُستخدم MLOps في مجموعة من حالات الاستخدام في مختلف المجالات، بما في ذلك القطاع المالي، حيث يمكنها تسهيل الكشف عن الغش وتقييم المخاطر؛ ومجال الرعاية الصحية، حيث تساعد على إنشاء نماذج تشخيصية وتحسين مراقبة المرضى؛ ومجال البيع بالتجزئة والتجارة الإلكترونية، التي تستخدم خدمات MLOps لإنشاء أنظمة التوصيات (مثل موجِّهات "قد يعجبك أيضًا ..." في منصات التسوق الإلكتروني) وتبسيط إدارة المخزون.

يُعد كل من الذكاء الاصطناعي لعمليات تقنية المعلومات (AIOps) وعمليات التعلم الآلي (MLOps) جزءًا أساسيًا من الحفاظ على ميزة تنافسية في عالم البيانات الكبيرة. بفضل منصة ®IBM Turbonomic، يمكن للمؤسسات ذات التفكير المستقبلي إدارة وتحسين بيئات السحابة الهجينة باستمرار (بما في ذلك Amazon Web Services (AWS)، وAzure، وGoogle Cloud، وKubernetes، ومراكز البيانات وغير ذلك الكثير) باستخدام الأتمتة الذكية.

IBM Turbonomic هي منصة برمجية تساعد المؤسسات على تحسين الأداء وتقليل تكلفة البنية التحتية لتكنولوجيا المعلومات لديها، بما في ذلك بيئات السحابة العامة والخاصة والهجينة . بفضل Turbonomic، يمكن للفرق أتمتة مهام التحسين في الوقت الفعلي من دون تدخل بشري، وتوفير موارد الشبكات بشكل استباقي عبر مجموعات تكنولوجيا المعلومات، ومنع الإفراط في توفير الموارد في بيئات السحابة.