Wstęp

Zarządzanie zdarzeniami jest funkcjonalnością ServiceNow od dłuższego czasu. Począwszy od wersji Geneva pojawił się nowy moduł: Service Analytics. W wersji Helsinki moduł ten stał się dostępny dla wszystkich klientów w module Event Management. Przed przejściem do szczegółów, parę słów na temat uczenia maszynowego i sztucznej inteligencji.

Uczenie maszynowe stało się gorącym tematem obecnej dekady i cieszy się szerokim zainteresowaniem wśród przedsiębiorców. Według SAS „Uczenie maszynowe jest metodą analizy danych, która automatyzuje budowanie modelu analitycznego. Używane algorytmy iteracyjnie uczą się z danych; uczenie maszynowe pozwala komputerom znajdować ukryte wzorce, bez potrzeby dokładnego zaprogramowania gdzie szukać. ”

Zwykle dla każdego problemu używa się prostego, modelu regresji liniowej. Jednak, gdy potrzebne jest zastosowanie nadzorowanego modelu uczenia jakim są między innymi sztuczna inteligencja i sieci neuronowe postępowanie się zmienia. Prosty model logiczny bazujący na dedukcji jest wystarczający, czy jest potrzebne rozumowanie indukcyjne? Istnieją dwa główne obszary ServiceNow Analytics, z którymi warto się zapoznać: skorelowane grupy powiadomień ( automatyczny sposób na skorelowanie współzależnych czasowo powiadomień)  i Root-cause CI analysis (automatyczne identyfikowanie najbardziej narażonych elementów konfiguracji z wykorzystaniem Service Mapping).

Obie techniki są dobre i pomagają dokonać analizy zdarzeń bez ingerencji człowieka. Szybko identyfikują, które elementy konfiguracji, na które należ zwrócić szczególną uwagę. To tylko początek. Obszar Service Analytics jest cieszy się dużym zainteresowaniem ze strony developerów, którzy tworzą wiele nowych aplikacji wspomagających automatyczne analizowanie i prognozowanie zdarzeń w systemie.

Jakie są widoki na przyszłość?

Niezaprzeczalnie podążamy w kierunku nowej ery w manipulacji i zarządzaniu danymi. Wzrost ilości danych powoduje, że potrzebne są nowe sposoby na ich sprawne przetwarzanie i wykorzystanie uczenia maszynowego do ich analizy. Używając algorytmów uczenia maszynowego w ServiceNow Analytics możliwe jest odfiltrowanie niepotrzebnych powiadomień i grupowanie danych tak, aby  możliwe było wyodrębnienie na ich podstawie wzorców uczących.

Wersja „Istanbul” jest wielkim krokiem do nowego kierunku rozwoju przez wprowadzenie miar operacyjnych. Ciekawy? Spójrz…

Zamiast zbierania i analizy zdarzeń z narzędzi monitorujących, możliwe jest analizowanie danych w postaci metryk. Takie podejście pozwala nam na wdrożenie algorytmów  uczenia maszynowego do automatycznego rozpoznawania poziomów dla poszczególnych metryk w danym czasie. Spójrzmy na przykład: przypuśćmy, że mamy dane metryczne transakcji bazy danych na sekundę z odpowiednią ilością punktów kontrolnych. Możemy zacząć „uczyć” wzorzec uczący  oraz ustalać zakres, w którym wartość metryki powinna się znaleźć . Prościej mówiąc, średnio jest około 1000 transakcji bazy danych w ciągu sekundy, uczenie maszynowe sugeruje, że górny zakres dla tej metryki powinien być na poziomie nie wyższym niż 3000, a dolny zakres na poziomie nie niższym niż 100. Z tego wynika, że normalne wartości metryki odpowiadającej za liczbę transakcji bazy danych w ciągu sekundy powinny znaleźć się w zakresie 100 – 3000, a anormalny wynik ocenia się  od 0 do 10 w zależności od stopnia odchylenia anomalii od wartości granicznych. Anormalny wynik może wywołać powiadomienie, które umożliwia powiązanie uczenia maszynowego opierającego się na metrykach z Event Management.

Oznacza to, że już nigdy nie zdarzą się niedostępności usług? Nie koniecznie. Wiadomo, że lepiej zapobiegać niedostępnościom usług niż przywracać już niedostępne usługi. Wdrożenie uczenia maszynowego znacząco przybliża do tego celu, lecz nie rozwiąże problemu całkowicie. Sztuczna inteligencja jest narzędziem przyszłości w zakresie bezpieczeństwa i zapewnienia ciągłości działania usług.

Kokpit „Anomaly Map” ilustruje wyżej opisaną funkcjonalność. Przedstawia ona różne odchylenia elementów konfiguracji (serwerów, aplikacji itp.) występujące w badanym okresie. 

pastedImage_0

W przypadku wystąpienia problemu w funkcjonowaniu usługi, najlepszym rozwiązaniem jest przyjrzenie się metrykom i przeanalizowanie trendów w danych. Niebieska linia przedstawia wartości metryki w czasie, czerwona kropkowana linia określa granice normalnego zakresu mertryki, a druga linia trendu przedstawia poziom anomalii w czasie (zielona, niebieska, żółta linia w dole wykresu).

pastedImage_1

Z tyloma nowymi możliwościami, zaczynamy widzieć nowe sposoby dbania o kondycję usług biznesowych. Zaczynamy inwestować w tworzenie i analizowanie metryk operacyjnych, pozyskiwać dane z różnych źródeł i łączyć je z danymi w CMDB. Stosując techniki predykcji, a nie tylko dedukcji możliwe staje się zapobieganie niedostępności usługi zanim się ona wydarzy.

W następnym artykule zaprezentowany zostanie bardziej realny przykład zastosowania analizy predykcyjnej i możliwości jakie ze sobą niesie.

#

Skomentuj

Dodaj komentarz

Dołącz do nas:

Wejdź na naszą stronę i sprawdź aktualne oferty pracy.
Jeśli chcesz zdobyć wiedzę na temat ServiceNow i zostać certyfikowanym specjalistom sprawdź ofertę szkoleń.

W swojej pracy używasz ServiceNow i chcesz podzielić się swoją wiedza? Napisz do nas koniecznie na blog@spoc.pl.