Beradaptasi dengan AIOps untuk Meningkatkan Ketahanan dan Kinerja Bisnis di Era Digital Dengan biaya yang terus meningkat, kekurangan keterampilan, dan ancaman keamanan yang semakin besar, bisnis harus beradaptasi dengan cepat terhadap perubahan pola permintaan yang disebabkan oleh tenaga kerja digital dan perilaku pembeli yang terus berubah. Hal ini membutuhkan penekanan ekstra pada ketahanan dan kinerja proses bisnis serta aplikasi yang mendukungnya. Untuk organisasi TI yang lebih besar dengan lanskap aplikasi yang semakin kompleks dan hibrida, yang sering mencakup IBM Z®, penting untuk mengambil pendekatan komprehensif terhadap operasi TI. Tantangannya adalah, “Bagaimana cara menyaring terabyte data secara real-time untuk mengidentifikasi masalah sebelum menjadi gangguan?” Inilah alasan mengapa organisasi tertarik pada janji AIOps, untuk menggunakan kecerdasan dan otomatisasi berbasis AI guna membuat keputusan cepat dan akurat untuk menjaga ketahanan. Pendekatan Holistik untuk AIOps Anda tidak bisa berhasil mengadopsi AIOps secara terpisah atau terisolasi. Pendekatan yang dibutuhkan adalah pendekatan holistik yang berfokus pada proses dan alur kerja bisnis. Ketahanan sebuah alur kerja tergantung pada kesehatan setiap tautan dalam rantai tersebut. Untuk berhasil, Anda membutuhkan visibilitas dan wawasan ke seluruh alur kerja. Setelah Anda memahami bahwa AIOps harus diterapkan secara holistik untuk mencapai potensi penuhnya, akan jelas mengapa meninggalkan mainframe dari solusi ini menciptakan celah yang signifikan. Mainframe harus menjadi pusat dari solusi AIOps dan merupakan elemen penting dari sebagian besar alur kerja yang sangat penting bagi bisnis. Mencapai pendekatan holistik untuk AIOps membutuhkan alat dan proses cerdas yang menyediakan visibilitas cloud hibrida, menggunakan AI dan pembelajaran mesin dengan cara yang sederhana dan dapat dijelaskan, serta mengotomatiskan tindakan tepat waktu untuk menghindari dampak pada pelanggan. Solusi terintegrasi yang mudah digunakan dan menyediakan visibilitas real-time dapat mempercepat analisis akar penyebab dan kolaborasi, serta memberikan kebenaran bersama untuk organisasi Anda. Dalam video ini, kita melihat bagaimana solusi IBM Z AIOps terintegrasi menyediakan antarmuka yang ramah pengguna dan terintegrasi untuk membantu mempercepat waktu menuju nilai. Mempercepat Perjalanan Anda Menuju AIOps Selama bertahun-tahun, IBM telah bekerja dengan ratusan organisasi untuk membantu mereka mematangkan cara mereka menjalankan pusat data mereka. Untuk membuat pelajaran yang dipelajari dari interaksi klien ini lebih mudah diterima, IBM telah memproduksi kerangka kerja yang dapat digunakan sebagai panduan untuk mempercepat perjalanan Anda menuju AIOps. Untuk membantu Anda mempercepat perjalanan melalui tahapan kerangka AIOps di IBM Z, Anda perlu mengintegrasikan berbagai strategi: Deteksi: Identifikasi masalah potensial sesegera mungkin, idealnya sebelum masalah tersebut mengganggu bisnis Anda. Untuk mencapai ini, Anda perlu fokus pada tiga area: pemantauan tumpukan penuh dari infrastruktur Anda, observabilitas cloud hibrida end-to-end dari aplikasi Anda, dan deteksi anomali AI. Keputusan: Pisahkan masalah dengan cepat, lakukan analisis mendalam tentang metrik dan akar penyebab untuk memutuskan tindakan selanjutnya. Berbagai praktik dan teknologi digunakan untuk mencapai tujuan ini, termasuk analitik operasional real-time, korelasi anomali, analisis kinerja, dan manajemen kapasitas. Tindakan: Terapkan otomatisasi dan kolaborasi yang lebih baik melalui obrolan dan dasbor yang mudah digunakan. Ini termasuk penerapan otomatisasi cerdas, otomatisasi beban kerja prediktif, otomatisasi penyimpanan, dan langkah-langkah ketahanan—semua dengan tujuan mengurangi kebutuhan intervensi manual dan memberikan solusi otomatisasi terintegrasi di seluruh infrastruktur cloud hibrida Anda. Menilai Posisi Anda dalam Perjalanan AIOps Anda Perjalanan menuju AIOps bersifat bertahap, dan setiap pelanggan akan mengikuti jalur yang sedikit berbeda. Tidak peduli dari mana Anda memulai perjalanan menuju AIOps, mengambil pendekatan hibrida yang terintegrasi dengan dukungan AI dapat membantu Anda menyederhanakan operasi untuk efisiensi yang lebih besar, membuka potensi data, dan memberikan nilai bisnis yang sesungguhnya.
Tag: AI
Kecerdasan Buatan yang siap untuk bisnis dimulai dengan data yang siap untuk Kecerdasan Buatan.
Pada tahun 2026, lebih dari 80% perusahaan akan menerapkan API Kecerdasan Buatan atau aplikasi generatif Kecerdasan Buatan. Model-model AI dan data yang digunakan untuk pelatihan dan penyesuaian halusnya dapat meningkatkan aplikasi dari yang umum menjadi berdampak, menawarkan nilai nyata kepada pelanggan dan bisnis. Sebagai contoh, pengalaman penggemar golf yang didorong AI generatif Master menggunakan data real-time dan historis untuk memberikan wawasan dan komentar untuk lebih dari 20.000 klip video. Kualitas dan jumlah data dapat membuat atau menghancurkan kesuksesan AI, dan organisasi yang efektif memanfaatkan dan mengelola data mereka akan memperoleh manfaat terbesar. Namun, hal ini tidak semudah itu. Data berkembang pesat, baik dari segi volume maupun variasi. Menurut International Data Corporation (IDC), pada tahun 2025, data yang disimpan akan tumbuh 250% di seluruh platform on-prem dan cloud. Dengan pertumbuhan datang kompleksitas. Berbagai aplikasi data dan format membuat lebih sulit bagi organisasi untuk mengakses, mengatur, mengelola, dan menggunakan semua data mereka untuk AI secara efektif. Para pemimpin harus memikir ulang penggunaan pendekatan on-prem yang menghambat dan ekosistem data monolitik sambil mengurangi biaya dan memastikan tata kelola data yang tepat serta akses self-service ke lebih banyak data melintasi sumber data yang berbeda. Memperluas skala data dan AI dengan teknologi, orang, dan proses Mengaktifkan data sebagai pembeda untuk AI membutuhkan keseimbangan antara teknologi, orang, dan proses. Untuk memperluas kasus penggunaan AI, Anda perlu memahami tujuan strategis data Anda, yang kemungkinan telah berubah karena AI generatif. Sesuaikan strategi data Anda dengan arsitektur yang akan datang, dengan mempertimbangkan investasi teknologi yang ada, tata kelola, dan manajemen otomatis yang terintegrasi. Manfaatkan AI untuk membantu otomatisasi tugas-tugas seperti onboarding data, klasifikasi data, organisasi, dan tagging. Hal ini akan memerlukan evolusi dalam proses manajemen data dan pembaruan jalur pembelajaran. Membangun dasar data yang terbuka dan terpercaya Organisasi harus berfokus pada membangun dasar data yang terbuka dan terpercaya untuk mengakses data yang dapat dipercaya untuk AI. Terbuka menciptakan dasar untuk menyimpan, mengelola, mengintegrasikan, dan mengakses data yang dibangun dengan kapabilitas terbuka dan interoperabel yang meliputi implementasi hibrid cloud, penyimpanan data, format data, mesin kueri, tata kelola, dan metadata. Hal ini memungkinkan integrasi yang lebih mudah dengan investasi teknologi yang sudah ada sambil menghilangkan silo data dan mempercepat transformasi berbasis data. Menciptakan dasar data yang terpercaya memungkinkan manajemen data dan metadata berkualitas tinggi, andal, aman, dan diatur sehingga dapat disampaikan untuk aplikasi analitik dan AI sambil memenuhi kebutuhan privasi data dan kepatuhan regulasi. Empat komponen berikut membantu membangun dasar data yang terbuka dan terpercaya. Memodernisasi infrastruktur data Anda menuju cloud hibrid untuk aplikasi, analitika, dan AI generatif. Mengadopsi strategi multicloud dan hibrid menjadi keharusan, yang memerlukan database yang mendukung implementasi fleksibel di seluruh cloud hibrid. Gartner memprediksi bahwa 95% inisiatif digital baru akan dikembangkan pada platform native cloud, yang penting untuk teknologi AI yang membutuhkan penyimpanan data massal dan skalabilitas. Mendorong aplikasi berbasis data, analitika, dan AI dengan database yang tepat dan strategi data lakehouse yang terbuka Untuk menyimpan dan menganalisis data, Anda harus menggunakan database yang sesuai dengan beban kerja, jenis data, dan kinerja harga yang tepat. Hal ini memastikan bahwa Anda memiliki dasar data yang dapat berkembang seiring dengan kebutuhan data Anda, di mana pun lokasi data Anda berada. Strategi data Anda harus mencakup penggunaan database yang dirancang dengan komponen terbuka dan terintegrasi, memungkinkan unifikasi dan akses data yang lancar untuk analitika lanjutan dan aplikasi AI dalam platform data. Ini memungkinkan organisasi Anda untuk mengambil wawasan berharga dan mendukung pengambilan keputusan yang berbasis informasi. Sebagai contoh, organisasi memerlukan database transaksional yang aman, andal, dan tahan lama untuk mengelola data operasional yang paling kritis. Dengan ketersediaan cloud hibrid, organisasi dapat menggunakan database mereka untuk memodernisasi aplikasi warisan, membangun aplikasi baru yang native cloud, dan mendukung asisten AI serta aplikasi perusahaan. Seiring dengan evolusi jenis data dan aplikasi, Anda mungkin memerlukan database NoSQL khusus untuk mengelola struktur data yang beragam dan memenuhi persyaratan aplikasi tertentu. Ini termasuk database time series, dokumen, pesan, nilai-kunci, pencarian teks penuh, dan in-memory, yang memenuhi berbagai kebutuhan seperti IoT, manajemen konten, dan aplikasi geospasial. Untuk mendukung beban kerja AI dan analitika di seluruh database transaksional dan khusus, Anda harus memastikan bahwa mereka dapat terintegrasi dengan lancar dengan arsitektur open data lakehouse tanpa duplikasi atau proses extract, transform, load (ETL) tambahan. Dengan data lakehouse terbuka, Anda dapat mengakses satu salinan data di mana pun lokasi data Anda berada. Data lakehouse terbuka menangani berbagai format terbuka (seperti Apache Iceberg di atas penyimpanan objek cloud) dan menggabungkan data dari berbagai sumber dan repositori yang ada di seluruh cloud hibrid. Data lakehouse yang paling efisien dari segi harga juga memungkinkan pemisahan penyimpanan dan komputasi dengan beberapa mesin kueri open source dan integrasi dengan mesin analitika lainnya untuk mengoptimalkan beban kerja demi kinerja harga yang lebih baik. Ini termasuk integrasi dengan mesin data warehouse Anda, yang sekarang harus seimbang antara pemrosesan data real-time dan pengambilan keputusan dengan penyimpanan objek yang efektif secara biaya, teknologi open source, dan lapisan metadata bersama untuk berbagi data dengan data lakehouse Anda. Dengan arsitektur data lakehouse terbuka, Anda sekarang dapat mengoptimalkan beban kerja data warehouse Anda untuk kinerja harga dan memodernisasi data lake tradisional dengan kinerja dan tata kelola yang lebih baik untuk AI. Perusahaan mungkin juga memiliki petabyte, bahkan eksabyte, data properti berharga yang disimpan di mainframe mereka yang perlu dibuka untuk wawasan baru dan model ML/AI. Dengan data lakehouse terbuka yang mendukung sinkronisasi data antara mainframe dan format terbuka seperti Iceberg, organisasi dapat lebih baik mengidentifikasi penipuan, memahami perilaku konstituen, dan membangun model AI prediktif untuk memahami, memprediksi, dan mempengaruhi hasil bisnis lanjutan. Sebelum membangun AI generatif yang terpercaya untuk bisnis Anda, Anda memerlukan arsitektur data yang tepat untuk mempersiapkan dan mentransformasi data yang berbeda menjadi data berkualitas. Untuk AI generatif, dasar data yang tepat mungkin mencakup berbagai pengetahuan yang mencakup database NoSQL untuk percakapan, database transaksional untuk data kontekstual, arsitektur data lakehouse untuk mengakses dan mempersiapkan data Anda untuk AI dan analitika, serta kemampuan vector-embedding untuk menyimpan dan mengambil embedding untuk generasi augmented retrieval (RAG). Lapisan metadata bersama, tata kelola untuk mengkatalogkan data Anda, dan data lineage memungkinkan keluaran AI yang…