आर्टिफिशियल इंटेलिजेंस के युग में डाउनटाइम की लागत को कम करना

हार्डवेयर विफलताओं को कुछ हद तक सटीकता के साथ पूर्वानुमान लगाने की क्षमता सूचना प्रौद्योगिकी (IT) में बड़े पूंजी निवेश वाले सेवा प्रदाताओं के लिए भारी बचत की संभावना प्रदान करती है। बड़े पैमाने पर महंगे high-performance computing (HPC) और artificial intelligence (AI) प्लेटफॉर्म संचालित करने वाले enterprise ग्राहकों के लिए, उनकी सेवा उपलब्धता ही सब कुछ है: एक बंद सिस्टम ग्राहकों को लॉक आउट कर देता है और संसाधनों को फंसा देता है, जिससे वे महंगी कीमत पर बेकार हो जाते हैं। इस प्रकार की आउटेज से राजस्व का नुकसान हो सकता है, कर्मचारियों की समग्र उत्पादकता प्रभावित हो सकती है, और कंपनी के ब्रांड को नुकसान पहुंच सकता है। उद्योग के आधार पर, अध्ययनों से पता चला है कि एक घंटे की अनपेक्षित डाउनटाइम की औसत लागत $100,000 प्रति घंटे से लेकर $500,000 प्रति घंटे से भी अधिक हो सकती है।[1] [2]

Predictive failure analysis (PFA) की शुरुआत

बड़ी मात्रा में ऐतिहासिक डेटा का मूल्यांकन करके, predictive failure analysis (PFA) आउटेज की संभावना में मूल्यवान अंतर्दृष्टि प्रदान कर सकता है। Chipsets, circuit boards, hard drives, और soldered connections सभी का एक सीमित उपयोगी जीवन होता है। ऐतिहासिक विफलता डेटा में रुझान भविष्य की विफलताओं के लिए एक समय सीमा की ओर इशारा कर सकते हैं।

बड़े उपकरण या automobile निर्माताओं (और उनके ग्राहकों) के लिए, PFA संभावित रूप से asset life expectancy में सुधार प्रदान कर सकता है जिससे भविष्य के खर्च में 5% तक की कमी हो सकती है। PFA का उपयोग maintenance को तब schedule करने के लिए भी किया जा सकता है जब operators और technicians अधिक उपलब्ध और सस्ते होते हैं, जिससे 20% तक की दक्षता और बचत हो सकती है।[3]

PFA के प्रदर्शन को कई कारक प्रभावित कर सकते हैं। संबंधित सिस्टम के औसत workload, उपयोग किए गए ऐतिहासिक डेटा के दायरे, और शामिल machine learning (ML) या deep learning (DL) algorithms के आधार पर, PFA की सटीकता पर सवाल उठाए जा सकते हैं।

Linear और polynomial regressions का उपयोग अक्सर remaining useful life (RUI) निर्धारित करने के लिए किया जाता है, जबकि Long Short-Term Memory (LSTM) और random forest algorithms का उपयोग विफलता predictions को विभिन्न degrees की सफलता के साथ परिष्कृत करने के लिए किया जा सकता है।[4] [5] [6]

जबकि यह स्पष्ट है कि PFA के साथ ठोस फायदे हैं, यह fool-proof नहीं है। service availability के समान स्तर को प्रदान करने और पूंजी निवेश के मूल्य की रक्षा करने के लिए, PFA का उपयोग करने वाले किसी भी support program को remote hands contract के साथ बढ़ाने पर विचार करना समझदारी है।

Insurance Policy के रूप में Remote Hands

PFA के साथ remote hands का उपयोग planned और unplanned दोनों outages के लिए फायदे प्रदान करता है।

एक planned outage को काफी पहले से schedule किया जा सकता है, जिससे resources को तब assign करने की अनुमति मिलती है जब वे स्वतंत्र रूप से उपलब्ध और सबसे किफायती होते हैं। Remote hands providers भी economies of scale का आनंद उठाते हैं: deploy करने के लिए पर्याप्त संसाधनों के साथ, अपने technicians को hiring, training, और managing करने पर महत्वपूर्ण बचत हो सकती है। (एक fully burdened engineer की लागत आवश्यक skillsets के आधार पर सालाना आसानी से six-figures या अधिक हो सकती है)।

किसी भी unplanned outage के साथ, सेवा की बहाली प्राथमिक चिंता है। remote hands contract के बिना एक unplanned outage को हल करने में अधिक समय लगेगा। समस्या को onsite troubleshoot और solve करने के लिए deploy किए गए resources को पहले verified, insured, और onboarded करना होगा। Remote hands provider, scale पर resources के साथ, पहले से ही vetted और assigned resources रखेगा जिसके परिणामस्वरूप तेज response time होगा।

Strategic Technology Investment

सेवा की प्रकृति के आधार पर, एक बड़े environment के लिए sustained outage की लागत आसानी से millions dollars हो सकती है। एक remote hands contract अपने आप में या PFA को शामिल करने वाली व्यापक disaster recovery plan के हिस्से के रूप में संचालित होकर, expense line item के रूप में treat किया जा सकता है, या संभावित रूप से एक बड़े software या service subscription के हिस्से के रूप में capitalized भी किया जा सकता है।

operational costs में थोड़ी वृद्धि आपको prolonged service outage से जुड़े millions dollars के नुकसान से बचा सकती है।

Remote hands support में निवेश को justify करने के लिए आपको कौन सा approach उपयोग करना चाहिए? Corporate finance metrics कंपनी से कंपनी में अलग होते हैं, लेकिन कुछ illustrations दिए जा सकते हैं।

Case Study

आप एक साल के लिए North America के data centers में तीन environments को cover करने के लिए $250,000 के remote hands contract का मूल्यांकन कर रहे हैं। आपकी downtime की अनुमानित लागत $100,000 प्रति घंटा है (stranded या idle resources, lost revenue, brand impact, आदि सहित)। पिछली बार जब आपने failed hardware के कारण outage का अनुभव किया था, तो आपकी application छह घंटे के लिए down थी। कंपनी पर net impact $600,000 था।

Corporate finance IT spend को approve नहीं करेगा जब तक कि निवेश 10% की hurdle rate (जिसे कभी-कभी minimum acceptable rate of return या MAAR के रूप में जाना जाता है) को clear नहीं करता।

Remote hands contract का एक अपेक्षित फायदा unplanned outage के लिए mean-time-to-recovery (MTTR) को कम करना है। अनुमान बताते हैं कि MTTR को काफी कम किया जा सकता है। पिछली outage के लिए MTTR में 50% की कमी से तीन घंटे तेज service restore करके $300,000 की बचत हुई होती।

क्या corporate finance को future unplanned downtime को कम करने में मदद के लिए insurance policy के रूप में इस remote hands contract की खरीदारी को authorize करना चाहिए?

हम ROI के लिए एक simple formula का उपयोग करेंगे:

ROI = (Net Profit / Cost of Investment) * 100

इस मामले में, net profit $250,000 contract की लागत को घटाकर $300,000 की बचत होगी, या $50,000।

ROI = ($300,000-$250,000)/$250,000 * 100

$50,000 को $250,000 से भाग देने पर 20% मिलता है, या finance द्वारा आवश्यक MARR का दोगुना।

(यह ध्यान रखें, यह return केवल एक outage के मुकाबले measured है। एक साल में multiple unplanned outages के साथ बचत काफी अधिक होगी।)

Corporate finance को remote hands contract में निवेश को approve करना चाहिए।

Summary

Artificial intelligence ने predictive failure analysis के क्षेत्र में बड़ी प्रगति की है, और PFA की प्रभावशीलता आने वाले महीनों और वर्षों में केवल बढ़ेगी।

इस बीच, investment protection की आवश्यकता बनी रहती है। Remote hands contract में strategic investment unplanned outages के financial impact को कम करने में मदद कर सकता है, जबकि planned downtime windows की flexibility को capitalize करने में आपकी सहायता कर सकता है।

Notes

[](#_ftnref1)1[] https://medium.com/@brijesh_soni/why-random-forests-outperform-decision-trees-a-powerful-tool-for-complex-data-analysis-47f96d9062e7

[2] Yadav, D. K., Kaushik, A., & Yadav, N. (n.d.). Predicting machine failures using machine learning and deep learning algorithms. ScienceDirect. https://www.elsevier.com/locate/smse

[3] https://www.bakerhughes.com/bently-nevada/blog/unplanned-downtime-key-disruptor-industry

[4] https://medium.com/@jatin2707/machine-failure-prediction-a-comprehensive-guide-524726c3b1fd

[5] https://www.atlassian.com/incident-management/kpis/cost-of-downtime

[6] From "Predictive Maintenance: Deloitte's Approach" https://www2.deloitte.com/content/dam/Deloitte/us/Documents/process-and-operations/us-predictive-maintenance.pdf

विषय: Remote hands, machine learning (ML), artificial intelligence (AI), deep learning (DL), productivity, data centers, cloud, predictive failure analysis (PFA), recurrent neural network (RNN), high-performance computing (HPC), corporate finance, strategic investments, linear regression, Long Short-Term Memory (LSTM), random forests, portfolio theory.