# Dec 16th, 2023: \[PT\] Sinfonia da Eficiência: AIOps Orquestrando a Excelência Operacional
**URL:** https://discuss.elastic.co/t/dec-16th-2023-pt-sinfonia-da-eficiencia-aiops-orquestrando-a-excelencia-operacional/347297
**Category:** Advent Calendar
**Created:** [December 16, 2023, 8:00am UTC](https://discuss.elastic.co/t/dec-16th-2023-pt-sinfonia-da-eficiencia-aiops-orquestrando-a-excelencia-operacional/347297 "2023-12-16T08:00:54Z")
**Posts on this page:** 2
**Page:** 1
### Author:  [@Priscilla\_Parodi](https://discuss.elastic.co/u/Priscilla_Parodi)
#### Post date: [December 16, 2023, 8:00am UTC](https://discuss.elastic.co/t/dec-16th-2023-pt-sinfonia-da-eficiencia-aiops-orquestrando-a-excelencia-operacional/347297/1 "2023-12-16T08:00:54Z")
This post is also available [in english](https://discuss.elastic.co/t/347295).
Antes de explorarmos o **AIOps** , vamos esclarecer alguns conceitos-chave relacionados a alguns (não todos 😅) dos diferentes " **Ops**":
- **DevOps: DEV + OPS**
Você provavelmente já ouviu falar do **DevOps**. É uma metodologia que integra o trabalho da equipe de desenvolvimento de software ( **Dev** ) e a equipe de operações ( **Ops** ), facilitando a entrega por meio de colaboração e automação.
- **DataOps: DATA + OPS**
Reconhecendo o crescimento contínuo de dados e os desafios associados, você pode entender o **DataOps** como a aplicação dos princípios e práticas do DevOps **aos dados**. É um processo para permitir que os dados certos cheguem ao lugar certo gerenciando todo o **ciclo de vida dos dados**.
- **MLOps: ML + DEV + OPS**
Da mesma forma, o **MLOps** (Operações de Machine Learning) pode ser visto como a aplicação dos princípios do DevOps **aos pipelines de machine learning** , onde a colaboração entre funções operacionaliza o processo de machine learning, garantindo a confiabilidade e o desempenho **dos modelos de ML**.
- **AIOps: AI + DEVOPS**
O **AIOps** (Operações de Inteligência Artificial) junta-se a essa mistura de termos e também está relacionado à IA/ML. No entanto, enquanto o MLOps se concentra no desenvolvimento e implementação de modelos de ML, o **AIOps** se concentra na **gestão das operações de TI** com a aplicação de capacidades de inteligência artificial (IA) para otimizar os resultados do negócio.
**O AIOps não substitui o DevOps!** É uma **evolução** dentro do **mesmo ciclo**. O AIOps utiliza a inteligência artificial para automatizar, simplificar, acelerar e otimizar os processos de operações de TI.
**Então, o que posso fazer com o AIOps?**
Tudo começa com dados...
Isso pode incluir:
- Logs, métricas e traces
- Dados de desempenho e eventos
- Dados de infraestrutura e rede
- Dados de aplicações
- Dados relacionados a incidentes
- Dados históricos
Para começar, em (Kibana -\> Analytics -\> Machine Learning) você verá diferentes capacidades de IA.
**[Anomaly detection](https://www.elastic.co/guide/en/kibana/current/xpack-ml-anomalies.html)** (detecção de anomalias) constrói um modelo de probabilidade com base em padrões de dados, e você pode executar o trabalho continuamente para identificar eventos anormais ao longo do tempo. Com isso, é possível identificar anomalias e gerar alertas para resolver e evitar problemas antes que ocorram.
Exemplos do que você pode fazer incluem, mas não estão limitados a:
- Identificar anomalias em logs categorizados com base no padrão das mensagens
- Estimar a probabilidade de um valor de série temporal ocorrer em uma data futura
- Identificar fields (campos) que influenciam ou contribuem para anomalias
**[Data Frame analytics](https://www.elastic.co/guide/en/kibana/current/xpack-ml-dfanalytics.html)** é uma análise de várias variáveis que permite analisar seus dados usando algoritmos de **classificação** , detecção de **outliers** e **regressão**. Com ela, você pode prever diferentes classes ou categorias com base em seus campos, detectar pontos com dados significativamente diferentes de outros valores e também estimar as relações entre diferentes campos.
Exemplos do que você pode fazer incluem, mas não estão limitados a:
- Prever categorias de erro com base em mensagens de logs históricas
- Estimar as relações entre diferentes métricas para entender como as mudanças em uma métrica podem influenciar outras
**[Natural Language Processing](https://www.elastic.co/guide/en/machine-learning/current/ml-nlp-overview.html)** (Processamento de Linguagem Natural) permite interpretar e manipular **texto em linguagem humana**. Você pode importar e fazer o deploy de modelos treinados no Elasticsearch; os modelos estarão disponíveis em 'Trained Models', e você pode utilizá-los para enriquecer seus dados.
Exemplos do que você pode fazer incluem, mas não estão limitados a:
- Enriquecer dados relacionados a incidentes com valores de análise de sentimento
- Identificar o idioma e traduzir mensagens de tickets de suporte
- Analisar e correlacionar dados de texto não estruturado, identificando palavras-chave e considerando ambiguidades e contexto
**[AIOps Labs](https://www.elastic.co/guide/en/kibana/current/xpack-ml-aiops.html)** fornece métodos estatísticos para ajudar a interpretar o comportamento de seus dados. Com a **log rate analysis** (análise de taxa de logs), você pode identificar razões para aumentos ou diminuições nos volumes de logs; com a **log pattern analysis** (análise de padrões de logs), você pode encontrar padrões em mensagens de log; e com a **change point detection** (detecção de pontos de mudança), você pode detectar pontos de mudança em uma métrica.
O **[AI Assistant](https://www.elastic.co/guide/en/security/current/security-assistant.html)**, alimentado por um [connector](https://www.elastic.co/guide/en/kibana/8.11/openai-action-type.html) para o OpenAI, também pode contribuir com sua estratégia de AIOps. Ele oferece a capacidade de utilizar o OpenAI GPT-4+ para explicar mensagens de erro, sugerir soluções e solicitar, analisar e visualizar seus dados.
Exemplos do que você pode fazer incluem, mas não estão limitados a:
- **Obter informações contextuais**. Ao identificar contribuintes estatisticamente significativos para picos de log por meio da análise de taxa de logs, o AI Assistant explica possíveis causas e sugere soluções eficazes.
- **Ter conversas com o AI Assistant**. Adicione informações externas à base de conhecimento do assistente e obtenha informações e insights adicionais em tempo real.
Ele executa a **summarize function** (função de resumo), que é uma função projetada para resumir o conteúdo da conversa, e o resultado será armazenado.
```auto
{
"name": "summarize",
"args": {
"id": "log_rate_spike_test",
"text": "The log rate spike in the PostgreSQL database running in a Kubernetes environment was a test and has been resolved. It should not be considered as an issue in the future.",
"is_correction": false,
"confidence": "high",
"public": true
}
}
```
E então, ele executa a função ' **recall**', uma função projetada para recuperar aprendizados anteriores. O AI Assistant utiliza o [ELSER](https://www.elastic.co/guide/en/machine-learning/8.11/ml-nlp-elser.html), o motor de busca semântica da Elastic, para recuperar dados do índice de sua base de conhecimento interna e criar respostas **RAG** (geração aumentada por recuperação).
Observe que o texto agora é diferente e inclui informações atualizadas.
Você também pode integrar dados externos (GitHub issues, arquivos Markdown, tickets do Jira, arquivos de texto, etc.) no Elasticsearch e reindexar seus dados na base de conhecimento do AI Assistant.
```auto
POST _reindex
{
"source": {
"index": "", // nome do índice onde seus documentos internos estão armazenados
"_source": [
"", // nome do campo que contém o texto de seus documentos internos.
"", // nome do campo de data/hora, timestamp.
"namespace",
"is_correction",
"public", // verdadeiro ou falso. Se verdadeiro, o documento está disponível para os usuários no espaço definido. Se falso, o documento é restrito ao usuário indicado no campo de user.name.
"confidence"
]
},
"dest": {
"index": ".kibana-observability-ai-assistant-kb-000001",
"pipeline": ".kibana-observability-ai-assistant-kb-ingest-pipeline" // este pipeline contém o modelo Elastic Learned Sparse EncodeR.
},
"script": {
"inline": "ctx._source.text = ctx._source.remove(\"\");ctx._source.namespace=\"\";ctx._source.is_correction=false;ctx._source.public=;ctx._source.confidence=\"high\";ctx._source['@timestamp'] = ctx._source.remove(\"\");ctx._source['user.name'] = \"\""
}
}
```
Como você pode ver, além do DevOps, **você pode incluir o AIOps em sua estratégia de observabilidade com o Elasticsearch** e implementar estratégias como essas para aprimorar a eficiência, lidar proativamente com problemas e continuar a melhorar o desempenho e a confiabilidade do seu sistema.
Na Sinfonia da Eficiência, o AIOps orquestra a excelência operacional para que você possa desfrutar de uma temporada de festas harmoniosa.
Boas Festas!
---
### Author:  [@system](https://discuss.elastic.co/u/system)
#### Post date: [January 13, 2024, 8:01am UTC](https://discuss.elastic.co/t/dec-16th-2023-pt-sinfonia-da-eficiencia-aiops-orquestrando-a-excelencia-operacional/347297/2 "2024-01-13T08:01:08Z")
This topic was automatically closed 28 days after the last reply. New replies are no longer allowed.