เมื่อระบบ IT ซับซ้อนขึ้น ความท้าทายขององค์กรไม่ใช่แค่การตรวจพบปัญหา แต่คือการเข้าใจว่าปัญหาเกิดจากอะไร ส่งผลกระทบต่อธุรกิจอย่างไร และควรจัดการจากจุดไหนก่อน
ปัจจุบันระบบ IT ขององค์กรไม่ได้ทำงานอยู่บน Server เพียงไม่กี่เครื่องอีกต่อไป แต่กระจายอยู่บน Cloud, Container, Microservices และเริ่มมี AI/LLM เข้ามาเป็นส่วนหนึ่งของบริการมากขึ้น ธุรกรรมเพียงรายการเดียวอาจต้องผ่าน
หลายสิบ Service ก่อนจะส่งมอบผลลัพธ์ถึงผู้ใช้งาน
ความซับซ้อนนี้ทำให้การดูแลระบบเปลี่ยนไป เมื่อเกิดปัญหา ทีม IT อาจได้รับ Alert พร้อมกันจำนวนมากจาก
หลายเครื่องมือ แต่ยังไม่สามารถระบุได้ทันทีว่าต้นเหตุอยู่ตรงไหน ต้องใช้เวลาตรวจสอบ Logs วิเคราะห์ความสัมพันธ์ของระบบ และประสานงานหลายทีม ขณะที่บริการสำคัญของธุรกิจอาจกำลังได้รับผลกระทบ
จากมุมมองของ คุณศศวัฒน์ ทิพย์อาสน์, Solution Consultant, MFEC ประเด็นสำคัญของการดูแล Enterprise IT ในวันนี้จึงไม่ใช่เพียงการตรวจพบความผิดปกติ แต่คือความสามารถในการเชื่อมโยงข้อมูลเพื่อให้เข้าใจต้นเหตุและ
ผลกระทบที่เกิดขึ้นจริง
นี่เป็นเหตุผลที่องค์กรควรเริ่มมองไกลกว่า Monitoring แบบเดิม ไปสู่แนวทาง AI-Powered Observability ที่ช่วยเปลี่ยนข้อมูลจากระบบ IT ให้เป็นข้อมูลสำหรับการวิเคราะห์และตัดสินใจ
เมื่อ Monitoring บอกได้ว่าอะไรผิดปกติ
แต่ยังไม่เพียงพอต่อการตัดสินใจ
Monitoring ยังคงเป็นพื้นฐานสำคัญของการดูแลระบบ IT เพราะช่วยติดตามสถานะ ประสิทธิภาพ และแจ้งเตือน
เมื่อค่าต่าง ๆ ผิดไปจากเงื่อนไขที่กำหนด
อย่างไรก็ตาม ในระบบที่มีองค์ประกอบเชื่อมต่อกันจำนวนมาก การตรวจพบความผิดปกติเพียงอย่างเดียว
อาจไม่เพียงพอ
ตัวอย่างเช่น เมื่อผู้ใช้งาน Mobile Banking พบว่าแอปพลิเคชันทำงานช้าลง ปัญหาอาจเกี่ยวข้องกับ Application, Database, Network หรือ Third-party API ที่เชื่อมต่ออยู่ การแจ้งเตือนจากแต่ละระบบช่วยบอกว่ามีสิ่งผิดปกติเกิดขึ้น แต่ทีม IT ยังต้องหาคำตอบต่อว่าองค์ประกอบใดเป็นต้นเหตุ และความผิดปกตินั้นส่งผลต่อธุรกรรมของลูกค้าอย่างไร
สิ่งที่องค์กรต้องการจึงไม่ใช่การมี Dashboard หรือ Alert เพิ่มขึ้นเพียงอย่างเดียว แต่คือความสามารถในการเชื่อมโยงข้อมูลจากหลายระบบ เพื่อให้เห็นความสัมพันธ์ระหว่างเหตุการณ์ทางเทคนิคกับบริการที่ธุรกิจกำลังส่งมอบ คำถามสำคัญจึงเปลี่ยนจากระบบไหนมีปัญหา เป็นปัญหานี้เกิดจากอะไร กระทบใคร และควรแก้ไขตรงไหนก่อน
AI-Powered Observability: เปลี่ยนข้อมูลจำนวนมากให้เป็นความเข้าใจระบบ
Observability คือแนวทางทำความเข้าใจสถานะและพฤติกรรมภายในของระบบ ผ่านข้อมูลที่ระบบสร้างขึ้น เช่น Metrics, Logs, Traces และข้อมูลประสบการณ์ของผู้ใช้งานจริง
เมื่อผสาน AI เข้ากับ Observability เทคโนโลยีสามารถช่วยวิเคราะห์ข้อมูลจำนวนมาก ค้นหาความสัมพันธ์ระหว่างเหตุการณ์ และสนับสนุนการระบุสาเหตุของปัญหาได้รวดเร็วและเป็นระบบมากขึ้น
ความแตกต่างสำคัญไม่ได้อยู่ที่การแทนที่ Monitoring ทั้งหมด แต่เป็นการต่อยอดจากการตรวจจับความผิดปกติ
ไปสู่การทำความเข้าใจบริบทของปัญหา
- จาก Alert สู่ Root Cause: เชื่อมโยงเหตุการณ์จากหลายองค์ประกอบ เพื่อช่วยระบุสาเหตุที่ควรตรวจสอบก่อน
- จาก System Visibility สู่ Business Visibility: มองเห็นว่าความผิดปกติของระบบเกี่ยวข้องกับบริการ ธุรกรรม หรือประสบการณ์ของผู้ใช้งานอย่างไร
- จาก Reactive สู่ Proactive Operations: ใช้ข้อมูลและการวิเคราะห์แนวโน้มเพื่อช่วยตรวจจับความเสี่ยงก่อนขยายเป็นปัญหาใหญ่
- จาก Manual Investigation สู่ AI-Assisted Operations: ลดงานตรวจสอบซ้ำ ๆ และช่วยให้ทีม IT มีข้อมูลประกอบการตัดสินใจได้เร็วขึ้น
สำหรับ CIO และ CTO ประเด็นนี้มีความสำคัญมากกว่าประสิทธิภาพของเครื่องมือ เพราะเกี่ยวข้องโดยตรงกับความสามารถขององค์กรในการดูแลบริการดิจิทัลให้มีความต่อเนื่อง แม้ระบบเบื้องหลังจะซับซ้อนขึ้นเรื่อย ๆ
AI จะวิเคราะห์ปัญหาได้ดี ต้องเข้าใจความสัมพันธ์ของระบบจริง
การนำ AI เข้ามาช่วยวิเคราะห์ปัญหาระบบ IT ไม่ได้หมายความว่า AI จะสามารถให้คำตอบที่ถูกต้องได้โดยอัตโนมัติ
คุณภาพของการวิเคราะห์ยังขึ้นอยู่กับข้อมูลที่ AI สามารถเข้าถึงได้ ความครบถ้วนของบริบท และความสามารถในการตรวจสอบความสัมพันธ์ระหว่างองค์ประกอบต่าง ๆ ภายในระบบ
หนึ่งในแนวทางเทคโนโลยีที่ตอบโจทย์นี้คือ Dynatrace แพลตฟอร์ม Observability ที่นำ AI มาใช้ร่วมกับข้อมูลและความสัมพันธ์ของระบบ IT
ภายใต้แนวทาง Dynatrace Intelligence เทคโนโลยี AI มีบทบาทสำคัญสองด้าน ได้แก่
- Deterministic AI หรือ Causal AI ใช้ข้อมูลและความสัมพันธ์ที่ตรวจพบจากระบบจริงเพื่อวิเคราะห์สาเหตุของปัญหา ช่วยให้ทีม IT สามารถตรวจสอบเหตุผลเบื้องหลังผลการวิเคราะห์ได้ แทนที่จะพึ่งพาการคาดเดาจากข้อมูลที่ไม่ครบถ้วน
- Agentic AI ช่วยต่อยอดจากการวิเคราะห์ไปสู่การดำเนินงาน เช่น การแนะนำขั้นตอนแก้ไขหรือการทำ Automation ภายใต้สิทธิ์และขอบเขตการควบคุมที่องค์กรกำหนด
เบื้องหลังการทำงานดังกล่าวมีองค์ประกอบเทคโนโลยีที่สนับสนุนกัน ได้แก่ OneAgent สำหรับรวบรวมข้อมูลจากระบบ, Smartscape สำหรับแสดงความสัมพันธ์ขององค์ประกอบต่าง ๆ และ Grail สำหรับจัดการข้อมูล Observability หลายประเภทให้อยู่ในบริบทที่นำมาวิเคราะห์ร่วมกันได้
สิ่งที่สำคัญต่อองค์กรจึงไม่ใช่เพียงความสามารถของ AI แต่คือการมีข้อมูลและความสัมพันธ์ของระบบที่เพียงพอให้ AI วิเคราะห์ได้อย่างมีเหตุผล
เพราะ AI ที่เข้าถึงข้อมูลได้มาก ไม่ได้หมายความว่าจะเข้าใจระบบได้ดีเสมอไป หากข้อมูลเหล่านั้นขาดบริบทที่เชื่อมโยงกัน
จาก Observability Platform สู่ AI ที่องค์กรใช้งานอยู่ ผ่าน MCP
อีกหนึ่งประเด็นที่ MFEC มองว่ามีความสำคัญต่อการพัฒนา AI-Driven IT Operations คือการทำให้ข้อมูล Observability สามารถเชื่อมต่อกับ AI Assistant หรือ AI Agent ที่องค์กรใช้งานอยู่แล้ว
หลายองค์กรเริ่มใช้เครื่องมืออย่าง ChatGPT, Claude, GitHub Copilot หรือพัฒนา AI Agent ของตนเองเพื่อช่วยสนับสนุนการทำงาน แต่ AI เหล่านี้อาจยังไม่สามารถเข้าถึงสถานะและข้อมูลการทำงานจริงของระบบ IT ภายในองค์กรได้
Model Context Protocol (MCP) เป็นมาตรฐานเปิดที่ช่วยให้ AI เชื่อมต่อกับเครื่องมือและแหล่งข้อมูลภายนอกผ่านรูปแบบการเชื่อมต่อที่เป็นมาตรฐาน
Dynatrace มี MCP Server ที่สามารถนำมาใช้เป็นส่วนหนึ่งของสถาปัตยกรรมการเชื่อมต่อ เพื่อให้ AI ที่ได้รับอนุญาตเรียกใช้ข้อมูล Observability สำหรับการวิเคราะห์และตอบคำถามเกี่ยวกับระบบได้
ตัวอย่างเช่น แทนที่ทีม IT จะต้องเปิดหลาย Dashboard เพื่อตรวจสอบปัญหาของระบบชำระเงิน ผู้ใช้งานอาจสอบถามผ่าน AI Assistant ว่า “ขณะนี้มีปัญหาอะไรที่อาจส่งผลกระทบต่อระบบชำระเงิน และควรตรวจสอบส่วนไหนก่อน?”
AI สามารถใช้ข้อมูล Observability ที่เชื่อมต่ออยู่เพื่อช่วยค้นหาปัญหาที่เกี่ยวข้องและแสดงข้อมูลประกอบการตรวจสอบ ทั้งนี้ขึ้นอยู่กับสิทธิ์การเข้าถึง การตั้งค่าระบบ และความสามารถของเครื่องมือที่นำมาใช้งานร่วมกัน
แนวทางดังกล่าวยังสามารถต่อยอดไปสู่การช่วยสร้าง Query สำหรับวิเคราะห์ข้อมูล ตรวจสอบเหตุการณ์ในระบบ Kubernetes หรือสนับสนุนการตรวจสอบผลกระทบจากการเปลี่ยนแปลง Application ได้
สำหรับ MFEC การเชื่อมต่อผ่าน MCP จึงไม่ใช่เพียงการเพิ่มช่องทางให้ AI ตอบคำถาม แต่เป็นแนวทางออกแบบการทำงานที่ทำให้ AI สามารถใช้ข้อมูลจากระบบจริงมาสนับสนุนการปฏิบัติงานของทีม IT
อย่างไรก็ตาม การออกแบบต้องคำนึงถึงสิทธิ์การเข้าถึงข้อมูล ความปลอดภัย และขอบเขตการดำเนินการของ AI โดยเฉพาะเมื่อขยายจากการอ่านและวิเคราะห์ข้อมูลไปสู่ Automation ที่อาจส่งผลต่อระบบ Production
เมื่อ Observability ต้องตอบโจทย์ Business Continuity
การลงทุนด้าน Observability ไม่ควรถูกประเมินจากจำนวนระบบที่ตรวจสอบได้เพียงอย่างเดียว แต่ควรพิจารณาว่าข้อมูลเหล่านั้นช่วยให้ทีม IT ดูแลบริการสำคัญของธุรกิจได้ดีขึ้นอย่างไร
ในมุมของการดำเนินงาน AI-Powered Observability มีศักยภาพในการสนับสนุนองค์กรหลายด้าน
1. ลดเวลาการสืบค้นสาเหตุของปัญหา
การเชื่อมโยงข้อมูลจากหลายระบบช่วยลดภาระการตรวจสอบเหตุการณ์แยกส่วน และทำให้ทีม IT สามารถมุ่งไปยังองค์ประกอบที่มีแนวโน้มเป็นต้นเหตุได้เร็วขึ้น
2. จัดลำดับความสำคัญตามผลกระทบต่อธุรกิจ
ปัญหาทางเทคนิคแต่ละรายการไม่ได้มีความสำคัญเท่ากัน การเห็นความสัมพันธ์ระหว่างระบบกับบริการทางธุรกิจช่วยให้ทีมพิจารณาได้ว่าปัญหาใดควรได้รับการจัดการก่อน
3. สนับสนุนการป้องกันปัญหาก่อนกระทบผู้ใช้งาน
การวิเคราะห์ความผิดปกติและแนวโน้มของข้อมูลช่วยให้ทีม IT มองเห็นสัญญาณความเสี่ยงและวางแผนรับมือได้ดีขึ้น แม้จะไม่สามารถป้องกันเหตุขัดข้องได้ทุกกรณี
4. ลดภาระงานซ้ำและพัฒนาการทำงานของทีม IT
AI-Assisted Analysis และ Automation สามารถช่วยลดขั้นตอนที่ต้องดำเนินการด้วยตนเองในบางกระบวนการ
เพื่อให้ทีมมีเวลามากขึ้นกับการปรับปรุงระบบและการวางแผนเชิงกลยุทธ์
5. รองรับการดูแลระบบ AI ขององค์กร
เมื่อองค์กรนำ LLM และ AI Agent มาใช้งานจริงมากขึ้น การติดตามประสิทธิภาพ พฤติกรรมการทำงาน และต้นทุนของ AI Workloads ก็กลายเป็นอีกส่วนหนึ่งของการบริหารระบบ IT
ประโยชน์เหล่านี้เป็นทิศทางที่องค์กรสามารถนำไปใช้กำหนดเป้าหมายของโครงการได้ โดยผลลัพธ์จริงจะขึ้นอยู่กับสถาปัตยกรรมเดิม คุณภาพข้อมูล และขอบเขตการนำเทคโนโลยีไปใช้งาน
เริ่มจากความเข้าใจระบบจริง ก่อนขยับสู่ AI-Driven Operations
แม้ AI-Powered Observability จะมีความสามารถในการวิเคราะห์ข้อมูลและสนับสนุน Automation แต่การนำไปใช้งานในองค์กรไม่จำเป็นต้องเริ่มจากการทำทุกอย่างให้เป็นอัตโนมัติทันที
สิ่งสำคัญคือการทำความเข้าใจสถาปัตยกรรมขององค์กรก่อนว่า ระบบใดมีความสำคัญต่อธุรกิจ ข้อมูลจากแต่ละระบบเชื่อมโยงกันอย่างไร และกระบวนการปฏิบัติงานส่วนใดที่สามารถนำ AI เข้าไปช่วยได้อย่างเหมาะสม
ในฐานะ Strategic Technology & AI Enabler MFEC นำความเชี่ยวชาญด้าน Enterprise IT และการออกแบบ Solution มาช่วยองค์กรประเมินความพร้อมและวางแนวทางนำเทคโนโลยีไปใช้ให้สอดคล้องกับระบบและโจทย์ธุรกิจจริง
แนวทางการทำงานครอบคลุมตั้งแต่
- Assessment & Solution Design — ประเมินสถาปัตยกรรม ระบบที่เกี่ยวข้อง และออกแบบแนวทาง Observability ให้ตรงกับความต้องการขององค์กร
- Proof of Concept (POC) — ทดลองใช้งานบนระบบจริงในขอบเขตที่กำหนด เพื่อประเมินความเหมาะสมและพิสูจน์ความสามารถก่อนตัดสินใจลงทุน
- Implementation & Integration — ติดตั้ง ตั้งค่า และเชื่อมต่อแพลตฟอร์มเข้ากับระบบเดิม เช่น IT Service Management รวมถึงพิจารณาแนวทางเชื่อมต่อ AI ผ่าน MCP
- Ongoing Service & Optimization — ดูแลหลังการติดตั้งและวางแผนการใช้งานเทคโนโลยีให้เหมาะสมกับความต้องการและการลงทุนขององค์กร
องค์กรสามารถเริ่มจากการใช้ AI เพื่อช่วยวิเคราะห์และแนะนำแนวทางแก้ไข ก่อนพัฒนาไปสู่ Automation ที่มี
ผู้รับผิดชอบอนุมัติ และขยายระดับความเป็นอัตโนมัติเมื่อระบบ กระบวนการ และการกำกับดูแลมีความพร้อม
แนวทางนี้ช่วยให้องค์กรสามารถพัฒนา AI-Driven Operations อย่างเป็นขั้นตอน โดยยังคงให้ความสำคัญกับ
ความปลอดภัยและการควบคุมระบบ
อนาคตของ IT Operations ไม่ใช่แค่เห็นปัญหาเร็วขึ้น แต่ต้องเข้าใจและตัดสินใจได้ดีขึ้น
เมื่อองค์กรกำลังเดินหน้าสู่ AI-Native Enterprise ความสามารถในการดูแลระบบ IT ต้องพัฒนาไปพร้อมกับความ
ซับซ้อนของเทคโนโลยี
Monitoring ยังคงมีบทบาทสำคัญ แต่การบริหาร Enterprise IT ในระยะต่อไปจำเป็นต้องอาศัยความสามารถในการเชื่อมโยงข้อมูล วิเคราะห์ความสัมพันธ์ของระบบ และเข้าใจผลกระทบต่อบริการทางธุรกิจได้ชัดเจนขึ้น
AI-Powered Observability จึงเป็นมากกว่าการเพิ่ม AI ให้กับระบบ Monitoring แต่เป็นหนึ่งในแนวทางที่ช่วยให้องค์กรเปลี่ยนข้อมูลทางเทคนิคให้เป็นข้อมูลสำหรับการตัดสินใจ และเตรียมความพร้อมสู่การดำเนินงานที่ใช้ AI สนับสนุนมากขึ้น
เพราะสำหรับองค์กรที่ขับเคลื่อนธุรกิจด้วยเทคโนโลยี การรู้ว่าระบบมีปัญหาเป็นเพียงจุดเริ่มต้น แต่การเข้าใจและจัดการผลกระทบได้อย่างเหมาะสมต่างหากที่สร้างความแตกต่าง
MFEC พร้อมสนับสนุนองค์กรในการประเมินและออกแบบแนวทาง AI-Powered Observability ตั้งแต่การทำความเข้าใจระบบเดิม การเลือกใช้เทคโนโลยี ไปจนถึงการเชื่อมต่อ AI และพัฒนากระบวนการ IT Operations ให้ตอบโจทย์ธุรกิจ
ปรึกษาทีมผู้เชี่ยวชาญ MFEC เพื่อวางแนวทาง AI-Powered Observability สำหรับองค์กรของคุณ
ข้อมูลเชิงเทคนิค: ศศวัฒน์ ทิพย์อาสน์, Solution Consultant, MFEC
