تکامل بعدی مشاهده پذیری با تله متری شروع می شود

برای تیم های فناوری، اتصال تله متری به طور سنتی به عنوان مسیری برای دید بیشتر دیده می شود. این فرض ساده است: هرچه اطلاعات بیشتری در مورد آنچه در یک محیط اتفاق می افتد در دسترس باشد، درک مشکلات و پاسخ به آنها باید آسان تر باشد.

اما با افزایش مقیاس و پیچیدگی محیط های فناوری مدرن، این معادله دیگر چندان ساده به نظر نمی رسد و تیم ها متوجه شده اند که با تله متری تکه تکه و سیگنال های نامشخص سروکار دارند. اکنون زمان بیشتری طول می کشد تا بفهمیم چه چیزی اشتباه رخ داده است، و حتی زمان بیشتری برای رفع آن نیاز است. و برای افزودن به چالش بیشتر، هزینه ذخیره و پردازش تمام این تله متری و داده ها همچنان در حال افزایش است.

این امر سازمان ها را وادار می کند که در کجا باید مشکل را مورد توجه قرار دهند. به جای جمع‌آوری همه چیز و تلاش برای درک آن بعدا، توجه به سمت بهبود تله‌متری زودتر در چرخه عمر آن معطوف شده است. فیلتر کردن، غنی‌سازی و هدایت آن از همان ابتدا می‌تواند اطلاعاتی را که به تیم‌ها می‌رسد مرتبط‌تر و در نهایت آسان‌تر کند.

داده های بیشتر همیشه به معنای بینش بهتر نیست

حجم تله متری موجود مسئله اساسی نیست. کیفیت آن است. همانطور که قابلیت‌های مبتنی بر هوش مصنوعی عمیقا در تحویل و عملیات نرم‌افزار تعبیه می‌شوند، کیفیت تله‌متری قابل مشاهده اهمیت بیشتری پیدا می‌کند. جمع‌آوری تله متری بدون فیلتر کردن موارد غیر ضروری می‌تواند باعث شود کارمندان زمان بیشتری را صرف مدیریت اطلاعات کنند تا استخراج ارزش از آن.

تکه تکه شدن این موضوع را چالش برانگیزتر می کند. با داده هایی که در چندین ابزار و عامل قرار دارند، که هر کدام اشکال مختلفی از سیگنال و هشدار را تولید می کنند. هنگامی که قطعی رخ می دهد، تیم ها ممکن است قبل از اینکه بتوانند علت اصلی مشکل را بفهمند، نیاز به جمع آوری اطلاعات متناقض از سراسر آن ابزارها داشته باشند. مصرف زمان ارزشمند در حالی که تأثیر آن بر تجارت همچنان در حال رشد است.

همچنین هزینه مالی قابل توجهی به این رویکرد وابسته است. پردازش و ذخیره تله متری و داده ها در مقیاس به منابع قابل توجهی نیاز دارد، به ویژه زمانی که سازمان ها اطلاعاتی را حفظ می کنند که نویز بیشتری نسبت به بینش ایجاد می کند. به معنای سنتی، این یک مشکل فناوری نیست. این یک نگرانی از تله متری و کیفیت داده است، و هر چه بیشتر نادیده گرفته شود، معمولا بدتر می شود.

بازاندیشی در جایی که تله متری پردازش می شود

یکی از راه‌هایی که سازمان‌ها برای واکنش نشان می‌دهند، انتقال اطلاعات به سمت بالادست در پشته فناوری است. در عمل، این بدان معناست که زودتر درباره تله متری تصمیم بگیرید - فیلتر کردن موارد غیر مفید، غنی سازی اطلاعات مهم و مسیریابی تله متری معنی دار قبل از رسیدن به سیستم های پایین دست.

تیم‌ها شروع به جمع‌آوری، پردازش و مسیریابی تله‌متری مشاهده‌پذیری مرتبط در زمان واقعی قبل از ورود به سیستم‌های پایین دستی می‌کنند. در نتیجه، حجم کمتری برای رسیدگی، کاهش هزینه ها و تله متری تمیزتر برای مقابله وجود دارد، زیرا فقط سیگنال های مربوطه به پایین دست ارسال می شوند.

استانداردهای باز مانند OpenTelemtry استفاده از این رویکرد را در محیط های پیچیده به طور فزاینده ای ممکن می کند. آنها به تیم ها اجازه می دهند بدون وابستگی به فروشنده خاصی یا مجموعه ای از ابزارها، تله متری را به طور مداوم جمع آوری کنند. این انعطاف‌پذیری به‌ویژه هنگام کار با سیستم‌های پیچیده و توزیع‌شده که چندین پلتفرم ابری، امنیتی و ذخیره‌سازی را پوشش می‌دهند، ارزشمند است.

علاوه بر این، با ادامه تکامل محیط‌ها، سازگاری با آن‌ها بسیار آسان‌تر می‌شود.

هوش مصنوعی برای اتخاذ تصمیمات قابل اعتماد به اطلاعات قابل اعتماد نیاز دارد

این پیامدها از آنجایی که سازمان‌ها قابلیت‌های بیشتر مبتنی بر هوش مصنوعی را در عملیات خود معرفی می‌کنند، اهمیت ویژه‌ای پیدا می‌کنند. سیستم‌های هوش مصنوعی برای تولید بینش و تصمیم‌گیری خودکار به تله‌متری و داده‌های دقیق و متنی وابسته هستند.

تیم ها نه تنها با تله متری ناقص یا به هم ریخته کند می شوند، بلکه به همین سادگی است: تله متری با کیفیت پایین منجر به بینش با کیفیت پایین می شود. هنگامی که این بینش ها برای تصمیم گیری خودکار در مقیاس بزرگ اعمال می شود، حاشیه خطا به شدت کاهش می یابد.

همین اصل در مورد اعتماد نیز صادق است. تیم‌های مسئول سیستم‌های خودکار باید بفهمند چه اتفاقی افتاده و توضیح دهند که چرا تصمیم‌گیری در مورد عملکرد یا امنیت اتخاذ شده است. وقتی این تصمیمات بر اساس اطلاعات متناقض باشد، انجام این کار بسیار دشوارتر می شود.

و این الزام برای اطمینان بسیار فراتر از تیم های فنی است. از آنجایی که به طور فزاینده ای از مدیران ارشد و اعضای هیئت مدیره خواسته می شود که از تصمیم گیری مبتنی بر هوش مصنوعی حمایت کنند، آنها باید به اطلاعاتی که این تصمیمات بر اساس آنها ساخته می شود اعتماد کنند. تله متری و داده های معتبر و ثابت می تواند این مکالمه را بسیار ساده تر کند.

مزایای عملیاتی نیز مشهود است. اگر تیم ها به طور مداوم با تله متری و داده های نامنظم مبارزه نکنند، می توانند سریعتر کار کنند. آنها زمان کمتری را صرف تحقیقات دستی می‌کنند، مسائل را زود تشخیص می‌دهند و با اطمینان بیشتری خودکار می‌کنند.

یک پایه تله متری و داده قوی و یک پلت فرم یکپارچه و مبتنی بر زمینه نه تنها عملیات روزانه را بهبود می بخشد، بلکه موفقیت های قابلیت های مبتنی بر هوش مصنوعی را که سازمان در طول زمان روی آنها سرمایه گذاری می کند، افزایش می دهد.

کیفیت باید از ابتدا ایجاد شود

در نهایت، نوآوری سریع‌تر و نتایج بهتر مشتری به این بستگی دارد که سازمان‌ها در صورت نیاز، تله‌متری و سیگنال‌های مفید در دسترس داشته باشند. خبر خوب این است که نیازی به شروع از صفر ندارد، بلکه در مورد انتخاب در اوایل چرخه عمر تله متری است.

با معرفی هوش در آن مرحله، تیم‌ها می‌توانند کیفیت آنچه را که در نهایت به پلت‌فرم‌های مشاهده‌پذیری آنها می‌رسد، بهبود بخشند و اطمینان حاصل کنند که می‌توانند با رشد محیط‌شان مقیاس شوند. مزیت صرفا از جمع آوری بیشتر حاصل نخواهد شد. این از حصول اطمینان از اینکه تله متری که یک سازمان جمع آوری می کند مرتبط، قابل اعتماد و آماده برای حمایت از اقدامات است، ناشی می شود.

ما بهترین پلتفرم هوش تجاری را معرفی کرده ایم.

این مقاله به عنوان بخشی از TechRadar Pro Perspectives، کانال ما برای معرفی بهترین و باهوش ترین ذهن ها در صنعت فناوری امروز تهیه شده است.

نظرات بیان شده در اینجا نظرات نویسنده است و لزوما نظرات TechRadarPro یا Future plc نیست. اگر مایل به مشارکت هستید، اطلاعات بیشتری را در اینجا بیابید: https://www.techradar.com/pro/perspectives-how-to-submit