การลดต้นทุนของช่วงเวลาที่ระบบหยุดทำงานในยุคปัญญาประดิษฐ์

ความสามารถในการทำนายความล้มเหลวของฮาร์ดแวร์ได้ในระดับหนึ่งนำเสนอศักยภาพการประหยัดต้นทุนอย่างมหาศาลสำหรับผู้ให้บริการที่มีการลงทุนด้านเทคโนโลยีสารสนเทศ (IT) จำนวนมาก สำหรับลูกค้าองค์กรที่ดำเนินการแพลตฟอร์ม high-performance computing (HPC) และ artificial intelligence (AI) ราคาแพงในระดับใหญ่ การพร้อมใช้งานของบริการถือเป็นสิ่งสำคัญที่สุด: ระบบที่ล่มจะทำให้ลูกค้าเข้าไม่ได้และทรัพยากรติดอยู่ ทำให้ไม่สามารถใช้งานได้ในราคาที่แพงมาก การขัดข้องประเภทนี้สามารถทำให้เกิดการสูญเสียรายได้ ส่งผลกระทบต่อประสิทธิภาพการทำงานของพนักงานโดยรวม และทำลายแบรนด์ของบริษัท ขึ้นอยู่กับอุตสาหกรรม การศึกษาแสดงให้เห็นว่าต้นทุนเฉลี่ยของการหยุดทำงานที่ไม่ได้วางแผนหนึ่งชั่วโมงอาจอยู่ในช่วง $100,000 ต่อชั่วโมงถึงมากกว่า $500,000 ต่อชั่วโมง[1] [2]

เข้าสู่ Predictive failure analysis (PFA)

ด้วยการประเมินข้อมูลในอดีตจำนวนมาก predictive failure analysis (PFA) สามารถให้ข้อมูลเชิงลึกอันมีค่าเกี่ยวกับความน่าจะเป็นของการขัดข้อง ชิปเซต แผงวงจร ฮาร์ดดิสก์ และการเชื่อมต่อบัดกรี ล้วนมีอายุการใช้งานที่จำกัด แนวโน้มในข้อมูลความล้มเหลวในอดีตอาจชี้ให้เห็นถึงช่วงเวลาสำหรับความล้มเหลวในอนาคต

สำหรับผู้ผลิตอุปกรณ์ขนาดใหญ่หรือรถยนต์ (และลูกค้าของพวกเขา) PFA มีศักยภาพในการปรับปรุงอายุการใช้งานของสินทรัพย์ ทำให้ลดการใช้จ่ายในอนาคตได้ถึง 5% PFA ยังสามารถใช้เพื่อกำหนดตารางการบำรุงรักษาเมื่อผู้ดำเนินการและช่างเทคนิคมีอิสระมากขึ้นและราคาถูกกว่า สร้างประสิทธิภาพและการประหยัดได้ถึง 20%[3]

ปัจจัยหลายประการสามารถส่งผลกระทบต่อประสิทธิภาพของ PFA ขึ้นอยู่กับภาระงานเฉลี่ยของระบบที่เป็นปัญหา ขอบเขตของข้อมูลในอดีตที่ใช้ และอัลกอริทึม machine learning (ML) หรือ deep learning (DL) ที่เกี่ยวข้อง ความแม่นยำของ PFA อาจถูกตั้งข้อสงสัย

Linear และ polynomial regressions มักใช้เพื่อกำหนด remaining useful life (RUI) ในขณะที่ Long Short-Term Memory (LSTM) และ random forest algorithms สามารถใช้เพื่อปรับปรุงการทำนายความล้มเหลวด้วยระดับความสำเร็จที่แตกต่างกัน [4] [5] [6]

แม้ว่าจะเห็นชัดว่ามีประโยชน์ที่จับต้องได้จาก PFA แต่มันไม่ใช่สิ่งที่แน่นอน เพื่อให้บริการในระดับเดียวกันและเพื่อปกป้องมูลค่าของการลงทุน การพิจารณาเสริมโปรแกรมสนับสนุนใดๆ ที่ใช้ PFA ด้วยสัญญา remote hands จึงเป็นสิ่งที่ฉลาด

Remote Hands เป็นกรมธรรม์ประกันภัย

การใช้ remote hands ร่วมกับ PFA ให้ประโยชน์สำหรับทั้งการขัดข้องที่วางแผนและไม่ได้วางแผน

การขัดข้องที่วางแปนสามารถกำหนดตารางล่วงหน้าได้ดี จึงช่วยให้สามารถจัดสรรทรัพยากรได้เมื่อพร้อมใช้งานและราคาไม่แพง ผู้ให้บริการ remote hands ยังได้รับประโยชน์จากการประหยัดต่อขนาด: ด้วยทรัพยากรที่มีให้ใช้อย่างเพียงพอ สามารถประหยัดได้อย่างมากเมื่อเทียบกับการจ้าง ฝึกอบรม และจัดการช่างเทคนิคของคุณเอง (วิศวกรคนหนึ่งที่มีต้นทุนครบถ้วนสามารถมีต้นทุนหกหลักหรือมากกว่านั้นต่อปีขึ้นอยู่กับทักษะที่จำเป็น)

สำหรับการขัดข้องที่ไม่ได้วางแผน การกู้คืนบริการเป็นข้อกังวลหลัก การขัดข้องที่ไม่ได้วางแผนโดยไม่มีสัญญา remote hands จะใช้เวลานานกว่าในการแก้ไข ทรัพยากรที่ใช้เพื่อแก้ปัญหาและแก้ไขปัญหาในที่ตั้งจะต้องได้รับการตรวจสอบ ประกันภัย และ onboard ก่อนการใช้งาน ผู้ให้บริการ remote hands ด้วยทรัพยากรในระดับใหญ่ จะได้ตรวจสอบและจัดสรรทรัพยากรแล้ว ส่งผลให้เวลาตอบสนองเร็วขึ้น

การลงทุนเทคโนโลยีเชิงกลยุทธ์

ขึ้นอยู่กับลักษณะของบริการ การขัดข้องอย่างต่อเนื่องสำหรับสภาพแวดล้อมขนาดใหญ่สามารถทำให้เสียค่าใช้จ่ายหลายล้านดอลลาร์ได้อย่างง่ายดาย สัญญา remote hands เพียงลำพังหรือดำเนินการเป็นส่วนหนึ่งของแผน disaster recovery ที่กว้างขึ้นซึ่งรวม PFA สามารถถือเป็นรายการค่าใช้จ่าย หรือแม้แต่นำไปรวมเป็นส่วนหนึ่งของซอฟต์แวร์หรือการสมัครสมาชิกบริการที่ใหญ่กว่า

การเพิ่มขึ้นเล็กน้อยในต้นทุนดำเนินการสามารถปกป้องคุณจากการสูญเสียหลายล้านดอลลาร์ที่เกี่ยวข้องกับการขัดข้องบริการที่ยาวนาน

คุณควรใช้แนวทางใดในการปรับใช้การลงทุนใน remote hands support? เมตริกการเงินขององค์กรแตกต่างกันไปตามบริษัท แต่สามารถวาดภาพประกอบได้ไม่กี่อย่าง

กรณีศึกษา

คุณกำลังประเมินสัญญา remote hands ในราคา $250,000 เพื่อครอบคลุมสามสภาพแวดล้อมในศูนย์ข้อมูลในอเมริกาเหนือเป็นเวลาหนึ่งปี ต้นทุนโดยรวมที่คาดการณ์ของการหยุดทำงานของคุณคือ $100,000 ต่อชั่วโมง (รวมถึงทรัพยากรที่ติดอยู่หรือไม่ได้ใช้งาน รายได้ที่สูญเสีย ผลกระทบต่อแบรนด์ ฯลฯ) ครั้งสุดท้ายที่คุณประสบการขัดข้องจากฮาร์ดแวร์ที่เสียหาย แอปพลิเคชันของคุณหยุดทำงานเป็นเวลาหกชั่วโมง ผลกระทบสุทธิต่อบริษัทคือ $600,000

การเงินขององค์กรจะไม่อนุมัติการใช้จ่าย IT เว้นแต่การลงทุนจะผ่านอัตราขั้นต่ำ (บางครั้งเรียกว่า minimum acceptable rate of return หรือ MARR) ที่ 10%

ประโยชน์ที่คาดหวังของสัญญา remote hands คือการลด mean-time-to-recovery (MTTR) สำหรับการขัดข้องที่ไม่ได้วางแผน การประมาณการชี้ให้เห็นว่า MTTR สามารถลดลงได้อย่างมีนัยสำคัญ การลด MTTR ลง 50% สำหรับการขัดข้องก่อนหน้าจะช่วยประหยัด $300,000 โดยการกู้คืนบริการเร็วกว่าสามชั่วโมง

การเงินขององค์กรควรอนุมัติการซื้อสัญญา remote hands นี้เป็นกรมธรรม์ประกันภัยเพื่อช่วยลดการหยุดทำงานที่ไม่ได้วางแผนในอนาคตหรือไม่?

เราจะใช้สูตรง่ายๆ สำหรับ ROI:

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

ในกรณีนี้ กำไรสุทธิจะเป็นการประหยัด $300,000 หักด้วยต้นทุนสัญญา $250,000 หรือ $50,000

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

$50,000 หารด้วย $250,000 คือ 20% หรือสองเท่าของ MARR ที่การเงินต้องการ

(โปรดจำไว้ว่า ผลตอบแทนนี้วัดจากการขัดข้องเพียงครั้งเดียว หากมีการขัดข้องที่ไม่ได้วางแผนหลายครั้งในปีเดียว การประหยัดจะสูงมากขึ้น)

การเงินขององค์กรควรอนุมัติการลงทุนในสัญญา remote hands

สรุป

Artificial intelligence ได้ก้าวหน้าอย่างมากในด้าน predictive failure analysis และประสิทธิภาพของ PFA จะเพิ่มขึ้นเท่านั้นในเดือนและปีต่อไป

ในระหว่างนี้ ความจำเป็นในการปกป้องการลงทุนยังคงอยู่ การลงทุนเชิงกลยุทธ์ในสัญญา remote hands สามารถช่วยลดผลกระทบทางการเงินจากการขัดข้องที่ไม่ได้วางแผน ขณะที่ช่วยให้คุณใช้ประโยชน์จากความยืดหยุ่นของหน้าต่างการหยุดทำงานที่วางแผนไว้

หมายเหตุ

[](#_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

หัวข้อ: Remote hands, machine learning (ML), artificial intelligence (AI), deep learning (DL), ประสิทธิภาพ, ศูนย์ข้อมูล, คลาวด์, predictive failure analysis (PFA), recurrent neural network (RNN), high-performance computing (HPC), การเงินขององค์กร, การลงทุนเชิงกลยุทธ์, linear regression, Long Short-Term Memory (LSTM), random forests, portfolio theory.