ಘಟನೆ ನಿರ್ವಹಣೆ ಮತ್ತು ಮರಣೋತ್ತರ ಪರೀಕ್ಷೆ: ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯೊಂದಿಗೆ ಮೂಲ ಕಾರಣ ವಿಶ್ಲೇಷಣೆ

ಲಾಭಗಳು:

• ಘಟನೆಯ ಜೀವನ ಚಕ್ರವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವ ಸಾಮರ್ಥ್ಯ (ಪತ್ತೆಹಚ್ಚುವಿಕೆ, ಚಿಕಿತ್ಸೆಯ ಸರದಿ ನಿರ್ಧಾರ, ತಗ್ಗಿಸುವಿಕೆ, ನಿರ್ಣಯ, ಮರಣೋತ್ತರ ಪರೀಕ್ಷೆ), MTTD/MTTR ಮೆಟ್ರಿಕ್ಸ್ ಮತ್ತು 'ಮೊದಲು ತಗ್ಗಿಸಿ, ನಂತರ ತನಿಖೆ' ತತ್ವ
• ಘಟನೆಯ ಸಮಯದಲ್ಲಿ ಊಹೆಗಳನ್ನು ಕಿರಿದಾಗಿಸಲು ಮತ್ತು ದೋಷರಹಿತ ಮರಣೋತ್ತರ ಸ್ಕೆಚ್ ಅನ್ನು ತಯಾರಿಸಲು AI ಅನ್ನು ಬಳಸುವ ಸಾಮರ್ಥ್ಯ, ಪ್ರತಿ ಮೂಲ ಕಾರಣವನ್ನು ಡೇಟಾದೊಂದಿಗೆ ಮೌಲ್ಯೀಕರಿಸುತ್ತದೆ
• ಪೋಸ್ಟ್‌ಮಾರ್ಟಮ್ ಅನ್ನು ದೂಷಿಸದ ಭಾಷೆಯಲ್ಲಿ ಬರೆಯುವ ಶಿಸ್ತನ್ನು ಅನ್ವಯಿಸುವ ಸಾಮರ್ಥ್ಯ ಮತ್ತು ಈವೆಂಟ್ ಡೇಟಾವನ್ನು ಮರೆಮಾಚುವ ಮೂಲಕ ಹಂಚಿಕೊಳ್ಳುವುದು.

ಪ್ರತಿಯೊಂದು ವ್ಯವಸ್ಥೆಯು ಅಂತಿಮವಾಗಿ ಒಡೆಯುತ್ತದೆ. ವ್ಯತ್ಯಾಸವೆಂದರೆ ಈ ಅನಿವಾರ್ಯ ಘಟನೆಗೆ ಉತ್ತಮ ತಂಡಗಳು ಹೇಗೆ ತಯಾರಾಗುತ್ತವೆ ಮತ್ತು ಅವರು ಹೇಗೆ ಕಲಿಯುತ್ತಾರೆ. ಘಟನೆಯು ಅನಿರೀಕ್ಷಿತ ಘಟನೆಯಾಗಿದ್ದು ಅದು ಸೇವೆಯನ್ನು ಅಡ್ಡಿಪಡಿಸುತ್ತದೆ ಅಥವಾ ಅಡ್ಡಿಪಡಿಸುತ್ತದೆ ಎಂದು ಬೆದರಿಕೆ ಹಾಕುತ್ತದೆ: ಸೇವಾ ಕ್ರ್ಯಾಶ್, ಪ್ರತಿಕ್ರಿಯೆ ಸಮಯಗಳು ಗಗನಕ್ಕೇರುತ್ತಿವೆ, ಡೇಟಾ ನಷ್ಟ. ಘಟನೆ ನಿರ್ವಹಣೆ ಎಂದರೆ ಘಟನೆಯನ್ನು ಪತ್ತೆ ಹಚ್ಚುವುದು, ತಗ್ಗಿಸುವುದು, ಘಟನೆಯನ್ನು ಆದಷ್ಟು ಬೇಗ ಪರಿಹರಿಸುವುದು ಮತ್ತು ನಂತರ ಅದರಿಂದ ಕಲಿಯುವುದು. ಇದು DevOps ಮತ್ತು SRE (ಸೈಟ್ ವಿಶ್ವಾಸಾರ್ಹತೆ ಇಂಜಿನಿಯರಿಂಗ್) ವೃತ್ತಿಪರರನ್ನು ಹಗಲು ರಾತ್ರಿ ಓಡಿಸುವ ಶಿಸ್ತು.

ಎರಡು ನಿರ್ಣಾಯಕ ಮೆಟ್ರಿಕ್‌ಗಳು ಈವೆಂಟ್‌ನ ಗುಣಮಟ್ಟವನ್ನು ಅಳೆಯುತ್ತವೆ: MTTD (ಪತ್ತೆಹಚ್ಚಲು ಸರಾಸರಿ ಸಮಯ) ಮತ್ತು MTTR (ಚೇತರಿಸಿಕೊಳ್ಳಲು ಸರಾಸರಿ ಸಮಯ). ಎರಡನ್ನೂ ಕುಗ್ಗಿಸುವುದು ಗುರಿಯಾಗಿದೆ. AI ಇಲ್ಲಿ ಎರಡು ದೊಡ್ಡ ಮೌಲ್ಯಗಳನ್ನು ಸೇರಿಸುತ್ತದೆ: ಸಂಭವನೀಯ ಮೂಲ ಕಾರಣವನ್ನು ಸಂಕುಚಿತಗೊಳಿಸಲು ಈವೆಂಟ್‌ನ ಸಮಯದಲ್ಲಿ ಲಾಗ್‌ಗಳು ಮತ್ತು ಮೆಟ್ರಿಕ್‌ಗಳನ್ನು ತ್ವರಿತವಾಗಿ ಸಂಕ್ಷಿಪ್ತಗೊಳಿಸುವುದು ಮತ್ತು ಈವೆಂಟ್‌ನ ನಂತರ ಮರಣೋತ್ತರ ಪರೀಕ್ಷೆಯನ್ನು (ಘಟನೆಯ ನಂತರದ ತನಿಖಾ ವರದಿ) ತ್ವರಿತವಾಗಿ ರಚಿಸುವುದು. ಆದರೆ ಈವೆಂಟ್‌ಗಳ ಕೋರ್ಸ್ ಬಗ್ಗೆ ನಿರ್ಧಾರಗಳು - ಯಾವ ಸೇವೆಯನ್ನು ಆಫ್ ಮಾಡಬೇಕು, ರೋಲ್‌ಬ್ಯಾಕ್, ಗ್ರಾಹಕರಿಗೆ ಏನು ಹೇಳಬೇಕು - ನಿಮ್ಮದಾಗಿದೆ.

ಘಟನೆಯ ಜೀವನ ಚಕ್ರ

1. ಪತ್ತೆ: ಅಲಾರಾಂ ಧ್ವನಿಸುತ್ತದೆ ಅಥವಾ ಗ್ರಾಹಕರ ದೂರು ಬರುತ್ತದೆ. ಎಷ್ಟು ಬೇಗ ಅಷ್ಟು ಒಳ್ಳೆಯದು.
2. ಚಿಕಿತ್ಸೆಯ ಸರದಿ ನಿರ್ಧಾರ: ಇದು ಎಷ್ಟು ಗಂಭೀರವಾಗಿದೆ? ಡೊಮೇನ್ ಎಂದರೇನು? ತೀವ್ರತೆಯ ಮಟ್ಟವನ್ನು ನಿಗದಿಪಡಿಸಲಾಗಿದೆ-ಸಾಮಾನ್ಯವಾಗಿ SEV1 (ಅತ್ಯಂತ ನಿರ್ಣಾಯಕ, ಸಂಪೂರ್ಣ ವ್ಯವಸ್ಥೆ) SEV4 (ಮೈನರ್) ಗೆ.
3. ನಿಮ್ಮ ಪ್ರತಿಕ್ರಿಯೆ ತಂಡವನ್ನು ಜೋಡಿಸಿ. ನಿರ್ಣಾಯಕ ಘಟನೆಗಳಲ್ಲಿ, ಘಟನೆಯ ಕಮಾಂಡರ್ ಸಮನ್ವಯವನ್ನು ಊಹಿಸುತ್ತಾನೆ.
4. ತಗ್ಗಿಸಿ: ಮೊದಲು ರಕ್ತಸ್ರಾವವನ್ನು ನಿಲ್ಲಿಸಿ - ಆಗಾಗ್ಗೆ ರೋಲ್ಬ್ಯಾಕ್ ಅಥವಾ ಧ್ವಜವನ್ನು ಆವರಿಸುವುದು. ನೀವು ನಂತರ ಮೂಲ ಕಾರಣವನ್ನು ಕಂಡುಕೊಳ್ಳುವಿರಿ.
5. ಪರಿಹರಿಸಿ: ಶಾಶ್ವತ ಪರಿಹಾರವನ್ನು ಅನ್ವಯಿಸಿ.
6. ಕಲಿಯಿರಿ (ಪೋಸ್ಟ್‌ಮಾರ್ಟಮ್): ಏನಾಯಿತು, ಅದು ಏಕೆ ಸಂಭವಿಸಿತು, ಅದು ಮತ್ತೆ ಸಂಭವಿಸದಂತೆ ನಾವು ಹೇಗೆ ತಡೆಯುತ್ತೇವೆ?

ಸಲಹೆ: ಘಟನೆಯ ಸಮಯದಲ್ಲಿ ಅತ್ಯಂತ ದುಬಾರಿ ತಪ್ಪುಗಳಲ್ಲಿ ಒಂದು ರಕ್ತಸ್ರಾವವನ್ನು ನಿಲ್ಲಿಸುವುದನ್ನು ವಿಳಂಬಗೊಳಿಸುತ್ತದೆ ಏಕೆಂದರೆ "ಮೊದಲು ನಿಖರವಾದ ಮೂಲ ಕಾರಣವನ್ನು ಪಡೆಯೋಣ." ನಿಯಮ: ಮೊದಲ ಇಳಿಕೆ (ಮರುಸ್ಥಾಪನೆ/ಸೇವೆಯನ್ನು ಮರುಸ್ಥಾಪಿಸಿ), ನಂತರ ವಿಚಾರಿಸಿ. ತಿಳಿದಿರುವ-ಉತ್ತಮ ಆವೃತ್ತಿಗೆ ಹಿಂತಿರುಗುವುದು ಸಾಮಾನ್ಯವಾಗಿ ತ್ವರಿತವಾದ ತಗ್ಗಿಸುವಿಕೆಯಾಗಿದೆ.

ಅಪರಾಧ-ಮುಕ್ತ ಮರಣೋತ್ತರ ಸಂಸ್ಕೃತಿ

ಆರೋಗ್ಯಕರ ತಂಡಗಳ ಬೆನ್ನೆಲುಬು ದೋಷರಹಿತ ಪೋಸ್ಟ್‌ಮಾರ್ಟಮ್ ಸಂಸ್ಕೃತಿಯಾಗಿದೆ: ಗುರಿ "ಯಾರು ಮಾಡಿದರು" ಅಲ್ಲ, ಆದರೆ "ಯಾವ ವ್ಯವಸ್ಥೆ ಮತ್ತು ಪ್ರಕ್ರಿಯೆಯು ಈ ತಪ್ಪನ್ನು ಅನುಮತಿಸಿದೆ?" ಎಂಬುದು ಪ್ರಶ್ನೆಯಾಗಿದೆ. ಶಿಕ್ಷೆಯಾಗುತ್ತದೆ ಎಂದು ತಿಳಿದರೆ ಜನರು ತಪ್ಪನ್ನು ಮರೆಮಾಚುತ್ತಾರೆ; ಗುಪ್ತ ದೋಷವನ್ನು ಪುನರಾವರ್ತಿಸಲಾಗುತ್ತದೆ. ಮರಣೋತ್ತರ ಪರೀಕ್ಷೆಯು ಆರೋಪದ ವರದಿಯಲ್ಲ, ಆದರೆ ಕಲಿಕೆಯ ದಾಖಲೆಯಾಗಿದೆ.

ಉತ್ತಮ ಮರಣೋತ್ತರ ಪರೀಕ್ಷೆಯು ಒಳಗೊಂಡಿರುತ್ತದೆ: ಸಾರಾಂಶ, ಪ್ರಭಾವ (ಎಷ್ಟು ಬಳಕೆದಾರರು, ಎಷ್ಟು ಸಮಯ, ಎಷ್ಟು ಹಣ), ಟೈಮ್‌ಲೈನ್, ಮೂಲ ಕಾರಣ(ಗಳು), ಯಾವುದು ಚೆನ್ನಾಗಿ/ಕೆಟ್ಟದ್ದಾಗಿದೆ, ಮತ್ತು ಕ್ರಿಯೆಯ ಐಟಂಗಳು-ಕಾಂಕ್ರೀಟ್ ಅಳತೆಗಳು, ಪ್ರತಿಯೊಂದೂ ಮಾಲೀಕರು ಮತ್ತು ದಿನಾಂಕದೊಂದಿಗೆ.

ಎಚ್ಚರಿಕೆ: AI ನೊಂದಿಗೆ ಪೋಸ್ಟ್‌ಮಾರ್ಟಮ್‌ಗಳನ್ನು ಬರೆಯುವಾಗ, ಆಪಾದಿತ ಭಾಷೆಯನ್ನು ತೊಡೆದುಹಾಕಲು ಮರೆಯದಿರಿ (ಅವುಗಳೆಂದರೆ "ವ್ಯಕ್ತಿ X ತಪ್ಪು ಮಾಡಿದೆ"). ಈವೆಂಟ್ ಡೇಟಾವನ್ನು AI ಗೆ ನೀಡುವಾಗ ಕ್ಲೈಂಟ್ ಐಡಿಗಳು, ಆಂತರಿಕ ಐಪಿಗಳು ಮತ್ತು ರಹಸ್ಯಗಳನ್ನು ಮಾಸ್ಕ್ ಮಾಡಿ - ಪೋಸ್ಟ್‌ಮಾರ್ಟಮ್‌ಗಳನ್ನು ಹೆಚ್ಚಾಗಿ ವ್ಯಾಪಕವಾಗಿ ಹಂಚಿಕೊಳ್ಳಲಾಗುತ್ತದೆ.

ಮೂಲ ಕಾರಣ ವಿಶ್ಲೇಷಣೆ: 5 ಏಕೆ ಮತ್ತು AI

ಒಂದು ಶ್ರೇಷ್ಠ ತಂತ್ರವೆಂದರೆ "5 ಏಕೆ": "ಏಕೆ?" ಒಂದು ಸಮಸ್ಯೆಗೆ. ಮತ್ತೆ ಮತ್ತೆ ಕೇಳುವ ಮೂಲಕ, ನೀವು ಬಾಹ್ಯ ರೋಗಲಕ್ಷಣದಿಂದ ನಿಜವಾದ ಮೂಲಕ್ಕೆ ಹೋಗುತ್ತೀರಿ. "ಸೇವೆಯು ಕ್ರ್ಯಾಶ್ ಆಗಿದೆ. ಏಕೆ? ಮೆಮೊರಿ ಹೊರಗಿದೆ. ಏಕೆ? ಸೋರಿಕೆಯಾಗಿದೆ. ಏಕೆ? ಲೈಬ್ರರಿ ನವೀಕರಣ..." AI ಈ ಸರಪಳಿಯನ್ನು ತ್ವರಿತವಾಗಿ ನಿರ್ಮಿಸಲು ಮತ್ತು ಸಂಭವನೀಯ ಶಾಖೆಗಳನ್ನು ಸೂಚಿಸುತ್ತದೆ - ಆದರೆ ನಿಮ್ಮ ಡೇಟಾದೊಂದಿಗೆ ನೀವು ಪ್ರತಿ "ಏಕೆ" ಅನ್ನು ಪರಿಶೀಲಿಸಬೇಕು; AI ಸಮಂಜಸವಾದ ಆದರೆ ತಪ್ಪು ಸರಪಳಿಯನ್ನು ಸಹ ನಿರ್ಮಿಸಬಹುದು.

ತೀವ್ರತೆಯ ಕೋಷ್ಟಕ

ಮಟ್ಟ

ಪರಿಣಾಮ

ಉದಾಹರಣೆ

ಹಸ್ತಕ್ಷೇಪ

SEV1

ಸಂಪೂರ್ಣ ವ್ಯವಸ್ಥೆ/ನಿರ್ಣಾಯಕ ವ್ಯಾಪಾರ ನಷ್ಟ

ಪಾವತಿಯನ್ನು ಸಂಪೂರ್ಣವಾಗಿ ಕೈಬಿಡಲಾಗಿದೆ

ತಕ್ಷಣ, ಇಡೀ ತಂಡ, ಕಮಾಂಡರ್

SEV2

ಪ್ರಮುಖ ಅಪಸಾಮಾನ್ಯ ಕ್ರಿಯೆ

ಲಾಗಿನ್‌ಗಳು ವಿಫಲವಾಗಿವೆ

ವೇಗದ, ಆನ್-ಕಾಲ್ + ಬೆಂಬಲ

SEV3

ಭಾಗಶಃ/ಸೀಮಿತ ಪರಿಣಾಮ

ವರದಿ ನೀಡಲು ವಿಳಂಬವಾಗಿದೆ

ಕೆಲಸದ ಸಮಯದಲ್ಲಿ

SEV4

ಸಣ್ಣ / ಸೌಂದರ್ಯವರ್ಧಕ

ಮುದ್ರಣದೋಷ

ಸಾಮಾನ್ಯ ಕೆಲಸದ ಸಾಲು

ಮೂರು ಸಣ್ಣ ಪ್ರಕರಣಗಳು

ಪ್ರಕರಣ 1 - MTTR 45 ನಿಮಿಷದಿಂದ 8 ನಿಮಿಷಗಳವರೆಗೆ. ಪಾವತಿ ಸೇವೆ ಕ್ರ್ಯಾಶ್ ಆಗಿದೆ. ಕರ್ತವ್ಯದಲ್ಲಿದ್ದ ಇಂಜಿನಿಯರ್ ಮುಖವಾಡದ ಲಾಗ್‌ಗಳನ್ನು ಮತ್ತು ಕೊನೆಯ ನಿಯೋಜನೆ ಮಾಹಿತಿಯನ್ನು AI ಗೆ ನೀಡಿದರು ಮತ್ತು "ಕಳೆದ 20 ನಿಮಿಷಗಳಲ್ಲಿ ಹೆಚ್ಚು ಸಂಭವನೀಯ ಪ್ರಚೋದಕ ಯಾವುದು?" ಎಂದು ಕೇಳಿದರು. ಕೊನೆಯ ನಿಯೋಜನೆಯ ಅದೇ ನಿಮಿಷದಲ್ಲಿ ಕುಸಿತವು ಪ್ರಾರಂಭವಾಯಿತು ಎಂದು AI ತೋರಿಸಿದೆ. ಎಂಜಿನಿಯರ್ ತಕ್ಷಣವೇ ಆ ಆವೃತ್ತಿಯನ್ನು ಹಿಂದಕ್ಕೆ ಪಡೆದರು; ಸೇವೆಯು 8 ನಿಮಿಷಗಳಲ್ಲಿ ಮರಳಿತು. ಮೂಲ ಕಾರಣವನ್ನು (ಹೊಸ ಆವೃತ್ತಿಯಲ್ಲಿ ಸಂಪರ್ಕ ಪೂಲ್ ದೋಷ) ನಂತರ ಅನುಕೂಲಕರವಾಗಿ ತನಿಖೆ ಮಾಡಲಾಯಿತು.

ಪ್ರಕರಣ 2-20 ನಿಮಿಷಗಳಲ್ಲಿ ಮರಣೋತ್ತರ ಪರೀಕ್ಷೆಯ ರೇಖಾಚಿತ್ರ. SEV2 ನಂತರ, ತಂಡವು ದಣಿದಿತ್ತು ಮತ್ತು ವರದಿಯನ್ನು ಬರೆಯುವ ಶಕ್ತಿಯನ್ನು ಹೊಂದಿರಲಿಲ್ಲ; ಆಗಾಗ್ಗೆ ವರದಿ ವಾರಗಟ್ಟಲೆ ವಿಳಂಬವಾಗುತ್ತಿತ್ತು. ಈ ಸಮಯದಲ್ಲಿ, ಅವರು AI ಗೆ ಟೈಮ್‌ಲೈನ್ ಮತ್ತು ಘಟನೆಯ ಟಿಪ್ಪಣಿಗಳನ್ನು ನೀಡಿದರು ಮತ್ತು ಅಪರಾಧ-ಮುಕ್ತ ಪೋಸ್ಟ್‌ಮಾರ್ಟಮ್ ಸ್ಕೆಚ್ ಅನ್ನು ತಯಾರಿಸಿದರು. AI ಪ್ರಭಾವ, ಟೈಮ್‌ಲೈನ್ ಮತ್ತು ಕ್ರಿಯೆಯ ಐಟಂಗಳಿಗಾಗಿ ಅಚ್ಚುಕಟ್ಟಾದ ಚೌಕಟ್ಟನ್ನು ರಚಿಸಿದೆ; ತಂಡವು ಅದನ್ನು ಸತ್ಯಗಳಿಂದ ತುಂಬಿ 20 ನಿಮಿಷಗಳಲ್ಲಿ ಪ್ರಕಟಿಸಿತು. ಪಾಠ ಕಳೆದುಹೋಗಲಿಲ್ಲ.

ಪ್ರಕರಣ 3 - ತಪ್ಪಾದ ಮೂಲ ಕಾರಣ ಸಿಕ್ಕಿಬಿದ್ದಿದೆ. ಒಂದು ಸಂದರ್ಭದಲ್ಲಿ, AI "ಮೂಲ ಕಾರಣ ಡೇಟಾಬೇಸ್ ಓವರ್‌ಲೋಡ್" ಎಂದು ಹೇಳಿದೆ ಮತ್ತು ಇದು ಸಮಂಜಸವೆಂದು ತೋರುತ್ತದೆ. ಆದರೆ ಎಂಜಿನಿಯರ್ ಮೆಟ್ರಿಕ್‌ಗಳನ್ನು ದೃಢಪಡಿಸಿದರು: ಘಟನೆಯ ಸಮಯದಲ್ಲಿ ಡೇಟಾಬೇಸ್ ಲೋಡ್ ಸಾಮಾನ್ಯವಾಗಿತ್ತು. ನಿಜವಾದ ಕಾರಣ ಬಾಹ್ಯ DNS ಸಮಸ್ಯೆಯಾಗಿದೆ. AI ಯ ಆರಂಭಿಕ ಕಲ್ಪನೆಯು ದ್ರವವಾಗಿದೆ ಆದರೆ ತಪ್ಪಾಗಿದೆ; ಡೇಟಾದೊಂದಿಗೆ ಮೌಲ್ಯೀಕರಿಸುವಿಕೆಯು ತಪ್ಪಾದ ತೀರ್ಮಾನದೊಂದಿಗೆ ವರದಿಯನ್ನು ಪ್ರಕಟಿಸುವುದನ್ನು ತಡೆಯುತ್ತದೆ.

ನಾಲ್ಕು ನಕಲಿಸಬಹುದಾದ ಟೆಂಪ್ಲೇಟ್‌ಗಳು

1) ಘಟನೆಯ ಸಮಯದಲ್ಲಿ ತ್ವರಿತ ಚಿಕಿತ್ಸೆಯ ಸರದಿ ನಿರ್ಧಾರ:

ನಾವು ನಿರ್ಮಾಣ ಕಾರ್ಯಕ್ರಮವನ್ನು ಅನುಭವಿಸುತ್ತಿದ್ದೇವೆ. ಮುಖವಾಡದ ಲಕ್ಷಣಗಳು: [SYMPTOM]. ಕೊನೆಯ ಬದಲಾವಣೆಗಳು: [ಕೊನೆಯ ನಿಯೋಜನೆ/ಬದಲಾವಣೆ]. ನನಗೆ ನೀಡಿ:(1) ಸಂಭವನೀಯತೆಯ ಕ್ರಮದಲ್ಲಿ 3 ಸಂಭವನೀಯ ಮೂಲ ಕಾರಣದ ಊಹೆಗಳು,(2) ಪ್ರತಿಯೊಂದನ್ನು 1 ನಿಮಿಷದಲ್ಲಿ ಪರಿಶೀಲಿಸುವ ಆದೇಶ/ಮೆಟ್ರಿಕ್, (3) ವೇಗವಾದ ಸುರಕ್ಷಿತ ತಗ್ಗಿಸುವಿಕೆಯ ಹಂತ (ಉದಾ. ರೋಲ್‌ಬ್ಯಾಕ್). ಕಟ್ಟುನಿಟ್ಟಾಗಿ ಹೇಳುವುದಾದರೆ; ನಾನು ಪ್ರತಿ ಊಹೆಯನ್ನು ಪರಿಶೀಲಿಸಬೇಕು ಎಂದು ಹೇಳಿ.

2) ಮುಗ್ಧ ಮರಣೋತ್ತರ ಸ್ಕೆಚ್:

ಕೆಳಗಿನ ಘಟನೆಯ ಟಿಪ್ಪಣಿಗಳಿಂದ ದೋಷರಹಿತ ಪೋಸ್ಟ್‌ಮಾರ್ಟಮ್ ರೇಖಾಚಿತ್ರವನ್ನು ಬರೆಯಿರಿ. ವಿಭಾಗಗಳು: ಸಾರಾಂಶ, ಪರಿಣಾಮ (ಬಳಕೆದಾರ/ಅವಧಿ/ವೆಚ್ಚ), ಟೈಮ್‌ಲೈನ್, ಮೂಲ ಕಾರಣ(ಗಳು), ಯಾವುದು ಚೆನ್ನಾಗಿತ್ತು, ಯಾವುದು ಕೆಟ್ಟದಾಗಿದೆ, ಕ್ರಿಯೆಯ ಐಟಂಗಳು (ಪ್ರತಿಯೊಂದೂ ಮಾಲೀಕರು + ದಿನಾಂಕ ಕ್ಷೇತ್ರದೊಂದಿಗೆ). ಹೆಸರಿಸುವಿಕೆ, ಪ್ರಕ್ರಿಯೆ ಮತ್ತು ವ್ಯವಸ್ಥೆಯ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸಿ. ಟಿಪ್ಪಣಿಗಳು: [ಮುಖವಾಡ]

3) 5 ಏಕೆ ವಿಶ್ಲೇಷಣೆ:

ಕೆಳಗಿನ ರೋಗಲಕ್ಷಣದಿಂದ ಪ್ರಾರಂಭಿಸಿ "5 ವೈಸ್" ಸರಣಿಯನ್ನು ನಿರ್ಮಿಸಿ: [SYMPTOM]. ಪ್ರತಿ ಹಂತದಲ್ಲಿ ಒಂದಕ್ಕಿಂತ ಹೆಚ್ಚು ಸಂಭವನೀಯ ಶಾಖೆಗಳು ಇದ್ದಲ್ಲಿ ತೋರಿಸಿ. ಪ್ರತಿ "ಏಕೆ" ಪಕ್ಕದಲ್ಲಿ ನಾನು ಅದನ್ನು ಪರಿಶೀಲಿಸಲು ನೋಡುವ ಸಾಕ್ಷ್ಯವನ್ನು (ಲಾಗ್/ಮೆಟ್ರಿಕ್) ಬರೆಯಿರಿ. ಕೊನೆಯಲ್ಲಿ, ಯಾವ ಹಂತಗಳನ್ನು ಇನ್ನೂ ಪರಿಶೀಲಿಸಲಾಗಿಲ್ಲ ಎಂಬುದನ್ನು ಗುರುತಿಸಿ.

4) ಕ್ರಿಯಾಶೀಲ ವಸ್ತುಗಳನ್ನು ರಚಿಸುವುದು:

ಈ ಮೂಲ ಕಾರಣದ ಪ್ರಕಾರ, ಅದೇ ಈವೆಂಟ್ ಮರುಕಳಿಸದಂತೆ ತಡೆಯುವ ಕ್ರಿಯೆಯ ಐಟಂಗಳನ್ನು ಸೂಚಿಸಿ. ಪ್ರತಿ ಐಟಂ ಅನ್ನು ವರ್ಗೀಕರಿಸಿ: (ಎ) ತಡೆಗಟ್ಟುವಿಕೆ, ಪತ್ತೆ ಅಥವಾ ಕಡಿತ, (ಬಿ) ಅಂದಾಜು ಪ್ರಯತ್ನ, (ಸಿ) ಪರಿಣಾಮ. ಹೆಚ್ಚಿನ ಪ್ರಭಾವ/ಪ್ರಯತ್ನ ಅನುಪಾತದ ಮೂಲಕ ವಿಂಗಡಿಸಿ. ಮೂಲ ಕಾರಣ: [X]

ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್ / ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್

ದುರ್ಬಲ: "ಸೇವೆ ಕ್ರ್ಯಾಶ್ ಆಗಿದೆ, ನಾನು ಏನು ಮಾಡಬೇಕು?"

ಫಲಿತಾಂಶ: ಸಂದರ್ಭವಿಲ್ಲ; AI ನಿಮ್ಮ ಪ್ರಕರಣಕ್ಕೆ ಹೊಂದಿಕೆಯಾಗದ ಸಾಮಾನ್ಯ ಶಿಫಾರಸುಗಳನ್ನು ಮಾಡಬಹುದು ಮತ್ತು ನಿರ್ಣಾಯಕ ಮೂಲ ಕಾರಣದೊಂದಿಗೆ ಸಹ ಬರಬಹುದು.

ಪ್ರಬಲ: "ಉತ್ಪಾದನಾ ಪಾವತಿ ಸೇವೆಯು 5 ನಿಮಿಷಗಳವರೆಗೆ 5xx ಅನ್ನು ನೀಡುತ್ತಿದೆ. ಕೊನೆಯ ನಿಯೋಜನೆಯು 6 ನಿಮಿಷಗಳ ಹಿಂದೆ. ಸಂಭವನೀಯತೆಯ ಕ್ರಮದಲ್ಲಿ 3 ಮೂಲ ಕಾರಣದ ಊಹೆಗಳನ್ನು ನೀಡಿ, ಅವುಗಳಲ್ಲಿ ಪ್ರತಿಯೊಂದನ್ನು ಪರಿಶೀಲಿಸುವ ಆಜ್ಞೆಯನ್ನು ತಿಳಿಸಿ ಮತ್ತು ವೇಗವಾಗಿ ಸುರಕ್ಷಿತ ತಗ್ಗಿಸುವಿಕೆಯನ್ನು ಸೂಚಿಸಿ. ನಿರ್ದಿಷ್ಟವಾಗಿರಬೇಡ, ನಾನು ಪರಿಶೀಲಿಸಬೇಕಾಗಿದೆ ಎಂದು ತಿಳಿಸಿ."

ವ್ಯತ್ಯಾಸ: ಎರಡನೇ ಪ್ರಾಂಪ್ಟ್ ರೋಗಲಕ್ಷಣ, ಸಮಯ ಮತ್ತು ಕೊನೆಯ ಬದಲಾವಣೆಯನ್ನು ನೀಡುತ್ತದೆ; ಇದು ಊಹೆ + ಪರಿಶೀಲನೆ + ಕಡಿತವನ್ನು ಬಯಸುತ್ತದೆ ಮತ್ತು AI ಅನ್ನು ನಿಖರವಾಗಿರಿಸುತ್ತದೆ.

ಸಾಮಾನ್ಯ ತಪ್ಪುಗಳು

• ತಗ್ಗಿಸುವ ಮೊದಲು ನಿಖರವಾದ ಮೂಲ ಕಾರಣವನ್ನು ಹುಡುಕುವುದು. ಇದು ರಕ್ತಸ್ರಾವವನ್ನು ನಿಲ್ಲಿಸುವುದನ್ನು ವಿಳಂಬಗೊಳಿಸುತ್ತದೆ ಮತ್ತು MTTR ಅನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ.
• AI ಯ ಮೊದಲ ಊಹೆಯನ್ನು ಪರಿಶೀಲಿಸದೆಯೇ ಪ್ರಕಟಿಸುವುದು. ದ್ರವ ಆದರೆ ತಪ್ಪು ಮೂಲ ಕಾರಣಗಳು ವರದಿಯಲ್ಲಿ ಸೋರಿಕೆಯಾಗುತ್ತವೆ.
• ಆರೋಪಿಸುವ ಭಾಷೆ. ಅನಾಮಧೇಯವಾಗಿ ಬರೆದ ಪೋಸ್ಟ್‌ಮಾರ್ಟಮ್ ಮರೆಮಾಚುವಿಕೆ ಮತ್ತು ಪುನರಾವರ್ತಿತ ದೋಷವನ್ನು ಉತ್ತೇಜಿಸುತ್ತದೆ.
• ಬುಲೆಟ್ ಪಾಯಿಂಟ್‌ಗಳಿಲ್ಲದ ಕ್ರಿಯೆ-ಆಧಾರಿತ ವರದಿ. ಮಾಲೀಕರು ಮತ್ತು ದಿನಾಂಕವಿಲ್ಲದ ಪ್ರಸ್ತಾಪವನ್ನು ಎಂದಿಗೂ ಕಾರ್ಯಗತಗೊಳಿಸಲಾಗುವುದಿಲ್ಲ.
• ಈವೆಂಟ್ ಡೇಟಾವನ್ನು ಮರೆಮಾಚದೆ ಹಂಚಿಕೊಳ್ಳಲಾಗುತ್ತಿದೆ. ಪೋಸ್ಟ್ಮಾರ್ಟಮ್ ವ್ಯಾಪಕ ಪ್ರೇಕ್ಷಕರಿಗೆ ಹೋಗುತ್ತದೆ; ರಹಸ್ಯ/ವೈಯಕ್ತಿಕ ಮಾಹಿತಿ ಸೋರಿಕೆಯಾಗಿದೆ.
• ರೋಲ್ಬ್ಯಾಕ್ ಮಾರ್ಗವನ್ನು ಮುಂಚಿತವಾಗಿ ಸಿದ್ಧಪಡಿಸುತ್ತಿಲ್ಲ. ರಿವರ್ಸಲ್ ಪ್ರಾಯೋಗಿಕವಾಗಿಲ್ಲದಿದ್ದರೆ, ಕಡಿತವನ್ನು ನಿಧಾನಗೊಳಿಸಲಾಗುತ್ತದೆ.

ಸಾರಾಂಶದಲ್ಲಿ

ಘಟನೆ ನಿರ್ವಹಣೆಯು ಅನಿವಾರ್ಯ ಘಟನೆಗಳಿಂದ ತ್ವರಿತವಾಗಿ ಪತ್ತೆಹಚ್ಚುವುದು, ತಗ್ಗಿಸುವುದು, ಪರಿಹರಿಸುವುದು ಮತ್ತು ಕಲಿಯುವುದು; MTTD ಮತ್ತು MTTR ಪ್ರಮುಖ ಮೆಟ್ರಿಕ್‌ಗಳಾಗಿವೆ. ಸುವರ್ಣ ನಿಯಮವೆಂದರೆ "ಮೊದಲು ತಗ್ಗಿಸಿ, ನಂತರ ತನಿಖೆ" ಮತ್ತು ತಿಳಿದಿರುವ-ಉತ್ತಮ ಆವೃತ್ತಿಗೆ ಹಿಂತಿರುಗುವುದು ಸಾಮಾನ್ಯವಾಗಿ ವೇಗವಾದ ತಗ್ಗಿಸುವಿಕೆಯಾಗಿದೆ. ಈವೆಂಟ್‌ನ ಸಮಯದಲ್ಲಿ ಲಾಗ್‌ಗಳನ್ನು ಸಂಕ್ಷೇಪಿಸುವುದು, ಊಹೆಗಳನ್ನು ಸಂಕುಚಿತಗೊಳಿಸುವುದು ಮತ್ತು ಈವೆಂಟ್‌ನ ನಂತರ ದೋಷರಹಿತ ಪೋಸ್ಟ್‌ಮಾರ್ಟಮ್ ಸ್ಕೆಚ್‌ಗಳನ್ನು ಉತ್ಪಾದಿಸುವಲ್ಲಿ AI ಅಮೂಲ್ಯವಾಗಿದೆ - ಆದರೆ ಪ್ರತಿಯೊಂದು ಮೂಲ ಕಾರಣದ ಊಹೆಯನ್ನು ಡೇಟಾದೊಂದಿಗೆ ಮೌಲ್ಯೀಕರಿಸುವುದು, ಆಪಾದನೆಯ ಭಾಷೆ ಮತ್ತು ಮಾಸ್ಕ್ ಈವೆಂಟ್ ಡೇಟಾವನ್ನು ಮೌಲ್ಯೀಕರಿಸುವುದು ನಿಮ್ಮ ಜವಾಬ್ದಾರಿಯಾಗಿದೆ.

ಅಪ್ಲಿಕೇಶನ್ ಕಾರ್ಯ

ಹಿಂದಿನ (ಅಥವಾ ಕಾಲ್ಪನಿಕ) ಘಟನೆಯನ್ನು ಪರಿಗಣಿಸಿ. (1) "ಸನ್ನಿವೇಶದಲ್ಲಿ ಕ್ಷಿಪ್ರ ಚಿಕಿತ್ಸೆಯ ಸರದಿ ನಿರ್ಧಾರ" ಟೆಂಪ್ಲೇಟ್‌ನೊಂದಿಗೆ AI ಊಹೆಗಳನ್ನು ಮತ್ತು ಪರಿಶೀಲನಾ ಹಂತಗಳನ್ನು ಉತ್ಪಾದಿಸುವಂತೆ ಮಾಡಿ; ಡೇಟಾದಿಂದ ಯಾವ ಊಹೆಯನ್ನು ದೃಢೀಕರಿಸಬಹುದು ಎಂಬುದನ್ನು ಗಮನಿಸಿ. (2) "ತಪ್ಪಿತಸ್ಥರಲ್ಲದ ಪೋಸ್ಟ್‌ಮಾರ್ಟಮ್ ಔಟ್‌ಲೈನ್" ಟೆಂಪ್ಲೇಟ್ ಅನ್ನು ಬಳಸಿಕೊಂಡು ವರದಿಯನ್ನು ಸ್ಕೆಚ್ ಮಾಡಿ ಮತ್ತು ಅದನ್ನು ಸತ್ಯಗಳೊಂದಿಗೆ ಭರ್ತಿ ಮಾಡಿ. (3) ಕನಿಷ್ಠ ಎರಡು ಕ್ರಿಯಾಶೀಲ ವಸ್ತುಗಳನ್ನು ಗುರುತಿಸಿ ಮತ್ತು ಪ್ರತಿಯೊಂದಕ್ಕೂ ಮಾಲೀಕರು ಮತ್ತು ದಿನಾಂಕವನ್ನು ನಿಯೋಜಿಸಿ.

ಪರಿಶೀಲನಾಪಟ್ಟಿ

• [ ] ಘಟನೆಯ ಸಮಯದಲ್ಲಿ, ನಾನು ಮೊದಲು ತಗ್ಗಿಸಲು (ರೋಲ್‌ಬ್ಯಾಕ್/ಶಟ್‌ಡೌನ್) ಯೋಚಿಸಿದೆ ಮತ್ತು ನಂತರದವರೆಗೆ ಮೂಲ ಕಾರಣವನ್ನು ಬಿಟ್ಟಿದ್ದೇನೆ.
• [ ] ಲಾಗ್/ಮೆಟ್ರಿಕ್‌ನೊಂದಿಗೆ AI ಯ ಪ್ರತಿಯೊಂದು ಮೂಲ ಕಾರಣದ ಊಹೆಯನ್ನು ನಾನು ಪರಿಶೀಲಿಸಿದ್ದೇನೆ.
• [ ] ನಾನು ಅದನ್ನು ಪೋಸ್ಟ್‌ಮಾರ್ಟಮ್ ಅನ್ನು ದೂಷಿಸದ ಭಾಷೆಯಲ್ಲಿ ಬರೆದಿದ್ದೇನೆ, ಪ್ರಕ್ರಿಯೆ ಮತ್ತು ವ್ಯವಸ್ಥೆಯ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸಿದೆ.
• [ ] ನಾನು ಪ್ರತಿ ಕ್ರಿಯಾಶೀಲ ಐಟಂಗೆ ಮಾಲೀಕರು ಮತ್ತು ದಿನಾಂಕವನ್ನು ನಿಯೋಜಿಸಿದ್ದೇನೆ.
• [ ] ನಾನು AI ಗೆ ನೀಡಿದ ಈವೆಂಟ್ ಡೇಟಾದಿಂದ ರಹಸ್ಯ ಮತ್ತು ವೈಯಕ್ತಿಕ ಮಾಹಿತಿಯನ್ನು ಮರೆಮಾಚಿದ್ದೇನೆ.
• [ ] ನಾನು ಪ್ರಭಾವದ ಪ್ರಕಾರ ತೀವ್ರತೆಯ ಮಟ್ಟವನ್ನು ಸರಿಯಾಗಿ ನಿಯೋಜಿಸಿದ್ದೇನೆ.