Metric Manager, AI utsprungen från Watson
Compose IT har i tidigare artiklar nämnt Metric Manager (tidigare kallad Predictive Insights) från IBM och det är dags att berätta om våra erfarenheter så här långt.
Inledningsvis ville vi ta reda på vilket värde Metric Manager kunde tillföra våra kunder och deras IT miljöer och för att göra det satte vi upp Metric Manager i vårt egna labb och började testa med produktionsdata. Parallellt fick vi också den fantastiska möjligheten att besöka IBM i Cork på Irland där vi träffade de personer som utvecklat Metric Manager.
Metric Manager kommer ursprungligen från Watson, IBM’s forskningsprogram inom artificiell intelligens (AI). Målet är att använda AI för att utvinna värde från indikatorvärden. Metric Manager kan läsa in tidsserier av indikatorer från flera olika typer av källor och använder att antal utvalda algoritmer från Watson för att analysera inmatningen. Algoritmerna arbetar tillsammans och självständigt för att skapa dynamiska mönster som beskriver tidseriernas normalbeteende. Mönstren skapas i realtid och anpassas allt eftersom indikatorernas beteende förändras. Genom att ständigt fortsätta lära sig det normala beteendet för indikatorerna blir det möjligt att få värde som inte går att utvinna med statiska gränsvärden. Eftersom Metric Manager vet vad som är normalt för alla tidpunkter så kan den larma så fort en avvikelse sker och därmed eliminerar man risken att upptäcka ett fel försent eller få falsk larm.
Genom att veta det normala beteendet för varje indikator blir det också möjligt att hitta relationer mellan indikatorer. Metric Manager hittar relationer genom att hitta de indikatorer som vid upprepade tillfällen har påverkat varandra t.ex. indikatorvärde 1 ökar samtidigt som indikatorvärde 2 minskar. Förmågan att hitta relationer gör det möjligt att reducera antalet alarm då de relaterade alarmen blir sammanslagna till ett. Det underlättar också vid felsökning då alla påverkade parter är kända.
Metric Managers kunskap om indikatorernas normala beteende kombinerat med dess förmåga att hitta relationer gör det möjligt för den att leva upp till sitt namn och faktiskt förutspå framtiden. Den kan förutspå hur en indikator förmodligen kommer bete sig inom de närmaste 6–12 intervallerna. Den kan också förutspå om en avvikande indikator kan orsaka avvikelse hos en annan indikator. Sammanfattat så ger Metric Manager dig möjligheten att agera innan ett problem faktiskt blir ett problem. Metric Manager ger dig möjligheten att vara proaktiv istället för reaktiv.
Produkter som Metric Manager erbjuder, rätt använt, ett fantastiskt värde. För att skapa detta värde måste man vara medveten om de utmaningar som kommer med att använda maskininlärning och AI.
Data ligger till grund för AI eftersom allt den vet är baserat på den information den får. Därför är det också data och framför allt kvalitén på data som innebär de största utmaningarna. Det är viktigt att man ger AI data av god kvalité som speglar verkligheten. Ger man den felaktigt, korrupt eller partisk information så påverkar det resultatet eftersom AI lär sig mönstren baserat på informationen över tid. Desto längre tid den tränas på felaktig information desto större effekt kommer det att ha på resultatet. Kvalitén på resultatet blir inte bättre än datakvalitén den är baserat på. God datakvalité är den viktigaste komponenten till ett bra resultat med det inte den ända. Informationen som ges till AI maskinen kan vara perfekt och ändå ge ett dåligt resultat om informationen inte analyseras på rätt sätt. Algoritmerna måste appliceras på rätt sätt eftersom vissa algoritmer är gjorda för en viss typ av data medan andra har ett generellt användningsområde. Det kan vara svårt att veta hur algoritmerna ska appliceras då vissa algoritmer samarbetar och andra arbetar självständigt. Metric Manager löser detta bättre än konkurrenterna och fattar beslutet åt oss genom att automatiskt veta vilka algoritmer som ska appliceras. Detta gör konfigurationen av Metric Manager enkel och smidigt samtidigt som du får mer tid att fokusera på det som är viktigt.
Nu undrar ni säkert hur det gick med labbet vi satte upp, hittade vi något intressant? Det korta svaret är JA. Vi körde både CSV filer med historiskt data och streamade JSON objekt med real-tids data i labbet. CSV filerna och JSON objekten innehöll två olika typer av fall. I det ena fallet trodde vi att Metric Manager skulle vara rätt lösning men visade sig vara svår att tillämpa. I det andra fallet så var Metric Manager värdefullt och hittade potentiella problem.
Mer information om våra erfarenheter och hur vårt arbete med Metric Manager fortskrider kommer här så håll ögonen öppna!
