به گزارش Salesforce، پلتفرم داخلی پیشبینی این شرکت هر شب نزدیک به چهار میلیون پیشبینی تولید میکند و اکنون از عاملهای علم داده خودتکاملیاب برای بهبود این فرایند بهره میبرد. خروجی این سامانه در تصمیمهایی مانند میزان ظرفیت ابری رزروشده، انتخاب بارهای کاری برای مهاجرت و ارزیابی بودجه زیرساخت نقش دارد.
پیشبینیهایی که از نتیجه واقعی یاد میگیرند
پیشبینی در مقیاس زیرساخت جهانی تنها به اجرای یک مدل محدود نمیشود. دادهها و شرایط عملیاتی تغییر میکنند و مدلی که در یک دوره عملکرد مناسبی داشته، ممکن است بعدا دقت سابق را نداشته باشد. رویکرد معرفیشده از سوی Salesforce با تکیه بر عاملهای علم داده، چرخه بررسی عملکرد و اصلاح پیشبینی را پیوستهتر میکند.
ایده اصلی این است که سامانه پس از مشخصشدن نتیجه واقعی، عملکرد پیشبینیهای قبلی را ارزیابی کند و از خطاها برای دورهای بعدی یاد بگیرد. به این ترتیب، اصلاح مدل از یک فعالیت کاملا دستی و مقطعی به فرایندی تبدیل میشود که میتواند در چرخه عملیاتی تکرار شود. با این حال، اهمیت پیشبینیها برای تصمیمهای زیرساختی باعث میشود سنجش نتایج و کنترل تغییرات همچنان بخش ضروری سامانه باقی بماند.
مقیاس نزدیک به چهار میلیون پیشبینی شبانه نشان میدهد که حتی بهبودهای کوچک در دقت یا پایداری میتواند بر برنامهریزی ظرفیت و جابهجایی بارهای کاری اثر بگذارد. از سوی دیگر، یک اصلاح نامعتبر نیز ممکن است تصمیمهای بعدی را تحت تأثیر قرار دهد؛ بنابراین ارزش چنین عاملهایی به توانایی آنها در یادگیری صرف محدود نیست و به ارزیابی قابل اتکای تغییرات نیز وابسته است.
اهمیت این رویکرد برای اتوماسیون سازمانی
این تجربه نمونهای از عبور اتوماسیون سازمانی از اجرای قواعد ثابت به سامانههایی است که عملکرد خود را با دادههای تازه بازبینی میکنند. برای تیمهای توسعه نرمافزار و زیرساخت، پیام اصلی آن است که عامل هوشمند میتواند علاوه بر تولید خروجی، چرخه تشخیص خطا و پیشنهاد بهبود را نیز پوشش دهد.
البته گزارش Salesforce درباره یک پلتفرم داخلی در مقیاس جهانی است و بهمعنای عرضه یک قابلیت عمومی برای همه کاربران نیست. کسبوکارهایی که به سمت چنین اتوماسیونی میروند، پیش از هر چیز به داده قابل اعتماد، معیار روشن برای سنجش دقت و سازوکاری برای نظارت بر تغییرات نیاز دارند.
در مجموع، Salesforce عاملهای خودتکاملیاب را به بخشی از فرایند پیشبینی زیرساختی خود پیوند داده است؛ رویکردی که هدف آن، تبدیل نتایج واقعی هر چرخه به ورودی بهبود برای پیشبینیهای بعدی است.




