IBM Watson AIOps實現智能化IT維運

IBM Watson AIOps協助IT維運團隊完整且精確的了解各種IT事件，有效提供即時見解，讓團隊快速解決複雜的IT問題，大幅減少服務的中斷。

IBM Watson AIOps是一個智能化的IT維運管理平台，協助企業在基礎架構層面導入自動化監控及管理流程，協助資訊長預測未來業務並達到預期成效，並可將內部資源集中運用於高價值的工作，建構回應速度更快、更長執行時間的智慧型維運模式。IBM Watson AIOps收集來自於資訊設備中的各種事件、警示、以及運行監控等數據，經過AI模型建立、分析後，透過訊息對話 (ChatOps) 的方式呈現診斷資訊，並且將相關的資訊進行整合，自動化地對IT異常事件進行自我檢測、診斷及回應，主動避免事故發生，降低營運中斷的風險。

IBM Watson AIOps主要特色包含：

• 資料庫連通性
  IBM Watson AIOps解決方案建置於Red Hat OpenShift混合雲容器化架構中，無論是否為結構化資料，均能即時監控並提供明確且快速的異常分析及調查，從而使IT維運團隊能夠在最短時間內診斷出關鍵錯誤。
• 工具協作互通性
  IBM Watson AIOps與IBM Netcool、PagerDuty、LogDNA以及Sysdig等其他監控工具合作，支援在跨資訊源（結構化或非結構化）中尋找特定模式，同時也可以在事件通知單中或通過Slack和Box等協作工具中尋找非結構化數據，並與之整合。

如需瞭解更多 IBM Watson AIOps的特色相關資訊，請立即聯繫北祥資訊。

AI小學堂 – 今天教您「時間遞迴神經網路」

人工智慧時代來臨，面對市場需求的變化以及未來的無限商機，北祥資訊將與您一起學習，讓AI小學堂成為您最佳的學習助手。第18堂課，我們為您介紹：時間遞迴神經網路 (Long Short-Term Memory Network, LSTM)。

在上一堂課我們介紹了目前最常用來處理時間序列問題的遞迴神經網路 (Recurrent Neural Network, RNN)，這個模型的特色就是具備內部記憶儲存能力，因此適用於學習和利用資料的時間依賴性並在一系列的資料中預測接下來會發生的內容。然而，傳統的RNN對於長時間的記憶處理表現並不好，因此在學術研究及實務上，大部分都會再改良其中的遞迴神經單元，其中最有名的就是德國科學家Hochreiter和Schmidhuber於1997年提出的長短期記憶模型 (Long Short-Term Memory Network, LSTM)。

LSTM是一種時間遞迴神經網路，適合於處理和預測時間序列中，間隔和延遲時間相對較長的重要事件。RNN本質上就是一個多層的神經網路模型，從輸入層、隱藏層到輸出層的求解過程中，需要以偏微分計算取得所需權重參數，也就是要找到梯度 (gradient)。以RNN處理1,000個時間序列資料集為例，這就是一個1,000層的神經網路，隨著層數的增加，梯度可能會發生指數型的下降或指數型上升，造成梯度消失 (vanishing gradient problem) 或梯度爆炸 (exploding gradient problem) 等難解的問題。

LSTM的發明就是要來解決梯度消失或梯度爆炸問題的RNN體系神經網路，它透過了一個新設計的梯度計算演算法以及為神經元建立較佳的激勵函數 (activation function) 來改善RNN於長期記憶上表現不佳的問題。一個基本的LSTM由四個單元組成，包含：

• 輸入控制閥 (Input Gate) 用以決定輸入的資料是否需要被儲存於記憶單元。
• 記憶單元 (Memory Cell) 用於儲存經運算後的資料，包含輸入、輸出的權重引數，以及用於輸出計算所建立的內部狀態。
• 輸出控制閥 (Output Gate) 用於決定是否將運算後的資料輸出。
• 遺忘控制閥 (Forget Gate) 用於決定什麼樣的資料需要從單元中丟棄。

輸入控制閥、輸出控制閥、遺忘控制閥的作用原理是將輸入值以及前一次演算的輸出值乘上一組權重，並分別透過激勵函數來調控讓輸入值通過的程度。透過這三個控制閥的調控，可以彈性控制在不同時間，讓神經網路對時間序列資料具備記憶效果並保持每個單元的運算穩定性。