مدیریت پایگاه داده با بلوغ فناوریهای هوش مصنوعی به سرعت در حال تحول است. این بررسی تعاملی به بررسی این موضوع میپردازد که اتوماسیون در کجا میدرخشد، تخصص انسانی در کجا ضروری باقی میماند و آینده برای متخصصان پایگاه داده چه خواهد بود.
ظهور هوش مصنوعی در مدیریت پایگاه داده
ادغام اتوماسیون مبتنی بر هوش مصنوعی و تجزیه و تحلیل هوشمند در مدیریت پایگاه داده، نحوه برخورد مدیران پایگاه داده (DBA) با کار خود را تغییر میدهد و کارایی را افزایش میدهد و در عین حال چالشهای جدیدی را معرفی میکند. از آنجایی که سازمانها به ایجاد و جذب دادههای بیشتری ادامه میدهند، تقاضا برای مدیران پایگاه داده به طور تصاعدی در حال افزایش است:
- حجم بیشتری از دادهها که نیاز به مدیریت دارند
- انواع متنوعتری از دادهها در منابع بیشتر
- نیاز به دسترسی سریعتر و حداقل زمان خرابی
- فشار برای مدیریت بیشتر با تعداد نسبتاً کمتری از مدیران پایگاه داده
وظایفی که هوش مصنوعی اکنون میتواند خودکار کند
نگهداری روتین
رویکرد سنتی: زمانبندی و نظارت دستی پشتیبانگیری، وصلهها و بهروزرسانیهای امنیتی. رویکرد هوش مصنوعی: سیستمهایی مانند پایگاه داده مستقل اوراکل (Oracle's Autonomous Database) به طور خودکار از پشتیبانگیری و وصلهگذاری بدون دخالت انسان مراقبت میکنند.
تجربه یک مدیر پایگاه داده: «سال گذشته، من روزانه 3-4 ساعت را صرف این میکردم که مطمئن شوم کارهای پشتیبانگیری ما با موفقیت انجام میشود و پنجرههای نگهداری را برای وصلهگذاری زمانبندی کنم. این یک کار خستهکننده بود. اکنون با مجموعه اتوماسیون مجهز به هوش مصنوعی، این اتفاق بدون فکر کردن من رخ میدهد. من در واقع وقت داشتم تا به پروژه مهاجرت پایگاه داده بپردازم که ماهها در حال تعویق بود. این سیستم حتی یک خلاصه روزانه ساده از کارهایی که در طول شب انجام داده است را برای من ارسال میکند - اگرچه صادقانه بگویم، من فقط زمانی که حوصلهام سر میرود نگاهی به آن میاندازم.»
مقایسه زمانی: کاری که زمانی 3-4 ساعت در روز را مصرف میکرد، اکنون به طور خودکار انجام میشود و مدیران پایگاه داده را برای کارهای استراتژیک آزاد میکند.
تنظیم عملکرد
رویکرد سنتی: بررسی دستی طرحهای اجرا، آمارها و پرسوجوهای کند. رویکرد هوش مصنوعی: بهینهسازی پرسوجو با هوش مصنوعی میتواند طرحهای دسترسی پرسوجو موجود را تجزیه و تحلیل کند و بر اساس معیارهای اجرای واقعی، مشاوره تنظیم ارائه دهد.
تجربه یک مدیر پایگاه داده: «یادتان میآید زمانی که مجبور بودیم به صورت دستی طرحهای اجرا را غربال کنیم و روزها را صرف این میکردیم که بفهمیم چرا آن یک گزارش به طور ناگهانی 20 دقیقه به جای 20 ثانیه طول میکشد؟ ابزار جدید نظارت بر عملکرد مبتنی بر یادگیری ماشین ما هفته گذشته قبل از اینکه کاربران متوجه شوند، مشکلی را در پرسوجوهای مدیریت موجودی ما شناسایی کرد. مشخص کرد که ما بر اساس تغییر الگوهای پرسوجو به یک شاخص اضافی نیاز داریم و حتی اسکریپت ایجاد را برای من تولید کرد. من هنوز قبل از پیادهسازی آن را بررسی کردم - از روی عادت، فکر میکنم - اما دقیق بود. این ابزار به طور مداوم هزاران پرسوجو را به طور همزمان نظارت میکند، کاری که من هرگز نمیتوانستم به صورت دستی انجام دهم.»
بهرهوری: هوش مصنوعی میتواند به طور مداوم هزاران پرسوجو را به طور همزمان نظارت کند، کاری که هیچ مدیر پایگاه داده انسانی نمیتواند انجام دهد.
حل مسئله پیشبینیکننده
رویکرد سنتی: عیبیابی واکنشی پس از وقوع مشکلات. رویکرد هوش مصنوعی: استفاده از دادههای تاریخی و اطلاعات بلادرنگ برای پیشبینی خرابیهای احتمالی و ارائه توصیههایی برای اصلاح.
تجربه یک مدیر پایگاه داده: «بنابراین من در حال آماده شدن برای رفتن به مسابقات فوتبال دخترم در بعد از ظهر جمعه هستم که ابزار تحلیل پیشبینیکننده ما به من پیام میدهد: 'مشکل احتمالی ذخیرهسازی در PROD-DB3 در عرض 48 ساعت بر اساس الگوهای رشد فعلی.' در گذشته، من یکشنبه شب تماسهای وحشتناکی دریافت میکردم که پایگاه داده آفلاین شده است زیرا فضای آن تمام شده است. در عوض، من 10 دقیقه صرف اضافه کردن فضای ذخیرهسازی به حجم کردم قبل از اینکه بیرون بروم. آخر هفته من به طرز خوشایندی بدون وقفه باقی ماند، و هیچ کس در شرکت حتی نمیدانست که یک مشکل بالقوه در حال جوشش است. سیستم تخمین زد که ما حدود ساعت 7 بعد از ظهر یکشنبه به ذخیرهسازی بحرانی میرسیدیم - درست زمانی که دفاتر APAC ما کار دوشنبه خود را شروع میکنند.»
تاثیر: کاهش بالقوه زمان خرابی تا 70٪ از طریق تشخیص زودهنگام مشکلات قبل از اینکه بر کاربران تأثیر بگذارد.
نظارت امنیتی
رویکرد سنتی: بررسی دستی گزارشهای دسترسی و هشدارهای امنیتی. رویکرد هوش مصنوعی: الگوریتمهای یادگیری ماشین الگوهای دسترسی را تجزیه و تحلیل میکنند، رفتارهای غیرعادی را شناسایی میکنند و هشدارهایی را برای نقضهای امنیتی احتمالی ایجاد میکنند.
تجربه یک مدیر پایگاه داده: «نظارت امنیتی ما قبلاً شامل اسکن گزارشها توسط من هر زمان که میتوانستم وقت پیدا کنم - که صادقانه بگویم به اندازه کافی نبود. ابزار امنیتی هوش مصنوعی ما ماه گذشته چیز جالبی را علامتگذاری کرد: یکی از توسعهدهندگان ما در ساعت 2 بامداد از یک آدرس IP که قبلاً هرگز دیده نشده بود، به جداول کارت اعتباری مشتری دسترسی داشت. معلوم شد که او در تعطیلات خارج از کشور بود و برای رفع مشکل تولید بدون عبور از VPN وارد سیستم شده است. هیچ چیز مخربی نبود، اما دقیقاً همان چیزی بود که قبلاً از شکافها عبور میکرد. این سیستم 24 ساعته نظارت میکند و یاد میگیرد که چه چیزی برای هر کاربر عادی است، کاری که من هرگز نمیتوانستم به صورت دستی انجام دهم.»
بهبود پوشش: هوش مصنوعی میتواند 100٪ فعالیت پایگاه داده را به صورت 24 ساعته نظارت کند و شکافهای نظارت انسانی را از بین ببرد.
جایی که مدیران پایگاه داده انسانی هنوز از هوش مصنوعی بهتر عمل میکنند
حل مسئله پیچیده زمینهای
سناریوی دنیای واقعی: «در سهماهه گذشته، پلتفرم تجارت الکترونیک ما هر سهشنبه و پنجشنبه حدود ساعت 10 صبح این کاهش سرعتهای عجیب و غریب را داشت. هیچ چیز در ابزارهای نظارتی ما نشان داده نمیشد - CPU خوب بود، I/O نرمال بود، استفاده از حافظه خوب به نظر میرسید، هیچ مشکل مسدود کردن یا قفل کردن وجود نداشت. سیستم تنظیم عملکرد هوش مصنوعی همچنان همان بهینهسازیهای عمومی را پیشنهاد میکرد که قبلاً پیادهسازی کرده بودیم.
من بالاخره پس از گفتگو با تیم بازاریابی در دستگاه قهوه، ارتباط بین نقاط را برقرار کردم. معلوم شد که آنها در حال اجرای استخراج دادههای عظیم برای تجزیه و تحلیل کمپین دو هفتهای خود دقیقاً در آن زمانها بودند، و تاریخچه تراکنشهای مشتری ما را با اتصالهای پیچیدهای که آستانههای عادی ما را تحریک نمیکردند، اما باعث ایجاد اختلاف منابع کافی برای کاهش سرعت وبسایت میشدند.
هوش مصنوعی آن را به طور کامل از دست داد زیرا فقط به معیارهای پایگاه داده به طور جداگانه نگاه میکرد. این یک مکالمه در راهرو و درک عملیات تجاری گستردهتر بود که آن را حل کرد. ما استخراجهای آنها را برای اجرا در طول شب دوباره زمانبندی کردیم، و مشکل به طور کامل ناپدید شد. هیچ مقدار تنظیم پرسوجو آن را برطرف نمیکرد!»
چرا انسانها در اینجا برتری دارند: اتصال رویدادهای به ظاهر نامرتبط در سیستمهای مختلف نیاز به درک زمینهای دارد که سیستمهای هوش مصنوعی در حال حاضر فاقد آن هستند.
پیمایش در سیاستهای سازمانی
سناریوی دنیای واقعی: «ما نیاز داشتیم که پارتیشنبندی را روی جدول تراکنش اصلی خود پیادهسازی کنیم تا عملکرد را بهبود بخشیم. از نظر فنی ساده بود، اما نیاز به یک پنجره نگهداری داشت. فروش میخواست آن را تا بعد از پایان سهماهه به تعویق بیندازد، بازاریابی قبل از راهاندازی کمپین بزرگ خود به آن نیاز داشت، امور مالی نگران گزارشدهی پایان ماه بود، و مدیرعامل در آن جمعه در حال نمایش سیستم به سرمایهگذاران بود.
ابزار مدیریت پروژه هوش مصنوعی فقط بر 'تاریخ پیادهسازی فنی بهینه' بدون آگاهی از این اولویتهای رقابتی اصرار داشت. من سه روز را در جلسات گذراندم، مصالحههای بیشماری انجام دادم، قهوه زیادی برای مردم خریدم، و حتی موافقت کردم که ساعت 2 صبح روز شنبه بیایم تا تأثیر آن را بر پروژه حیوان خانگی معاون کاهش دهم.
در نهایت، همه را با راهحلی که برای همه بخشها کار میکرد، همراه کردم. هوش مصنوعی ممکن است راهحل عالی از نظر فنی را به ما داده باشد، اما از نظر سیاسی در بدو ورود مرده بود. گاهی اوقات مدیریت پایگاه داده 20٪ مهارت فنی و 80٪ مذاکره و مدیریت روابط است.»
چرا انسانها در اینجا برتری دارند: مدیریت پایگاه داده اغلب نیاز به متعادل کردن الزامات فنی در برابر سیاستها و روابط تجاری دارد - یک مهارت منحصر به فرد انسانی.
تصمیمگیریهای اخلاقی مدیریت داده
سناریوی دنیای واقعی: «بنابراین بخش بازاریابی ما به من مراجعه کرد و میخواست دسترسی مستقیم به پایگاه داده مشتری برای یک کمپین هدفمند جدید داشته باشد. آنها این پیشنهاد کامل را در مورد شخصیسازی و بهبود تجربه مشتری داشتند. ابزار حاکمیت هوش مصنوعی درخواست آنها را در برابر سیاستهای استاندارد ما ارزیابی کرد و پیشنهاد داد که به آنها دسترسی خواندن به اکثر فیلدها داده شود.
اما چیزی با من جور در نمیآمد. میدانستم که آنها قصد دارند این دادهها را با اطلاعات شخص ثالث به گونهای ترکیب کنند که مشتریان ما احتمالاً هرگز هنگام ثبتنام پیشبینی نکرده بودند. از نظر فنی تحت سیاست حفظ حریم خصوصی گسترده ما مجاز است؟ بله. از نظر اخلاقی با آنچه مشتریان به طور منطقی انتظار دارند همسو است؟ من متقاعد نشده بودم.
من در نهایت با آنها کار کردم تا به جای آن یک مجموعه داده ناشناس ایجاد کنم و الگوهایی را که نیاز داشتند بدون افشای هویت مشتریان فردی به آنها دادم. هوش مصنوعی نمیتوانست این نوع قضاوت اخلاقی ظریف را انجام دهد زیرا پیامدهای فراتر از انطباق ساده با قانون را درک نمیکرد.»
چرا انسانها در اینجا برتری دارند: ملاحظات اخلاقی نیاز به درک ظریف از ارزشهای سازمانی و زمینههای نظارتی دارد که هوش مصنوعی نمیتواند به طور کامل درک کند.
تفسیر الزامات مبهم
سناریوی دنیای واقعی: «تیم مالی بلیتی را ارسال کرد که فقط میگفت: 'نیاز به پایگاه داده برای اجرای سریعتر برای بستن پایان ماه.' همین بود. هیچ جزئیات، هیچ پرسوجو یا گزارش خاصی ذکر نشد.
سیستم بلیط هوش مصنوعی ما به طور خودکار آن را به عنوان یک مسئله عملکرد عمومی طبقهبندی کرد و پیشنهاد داد که اسکریپتهای تنظیم استاندارد را اجرا کنید. وقتی با مدیر مالی تماس گرفتم، معلوم شد که آنها در واقع با یک گزارش تطبیق خاص دست و پنجه نرم میکنند که پس از افزایش حجم دادههای اخیر، اجرای آن به جای 30 دقیقه، 4 ساعت طول میکشد.
پس از یک مکالمه 15 دقیقهای که در آن سؤالات هدفمندی در مورد فرآیند آنها پرسیدم، متوجه شدم که آنها واقعاً فقط از 3 مورد از 15 بخش گزارش در طول بستن پایان ماه استفاده میکنند. ما یک نسخه ساده ایجاد کردیم که در 10 دقیقه اجرا شد، و آنها هیجانزده شدند.
هوش مصنوعی ممکن است کل گزارش را به طور حاشیهای بهینه کرده باشد، اما به این فکر نمیکرد که بپرسد 'آیا واقعاً به همه این اطلاعات در حال حاضر نیاز دارید؟' گاهی اوقات، بهترین راهحل اصلاً فنی نیست.»
چرا انسانها در اینجا برتری دارند: مدیران پایگاه داده انسانی از سالها تجربه برای تفسیر آنچه کاربران واقعاً نیاز دارند در مقابل آنچه درخواست میکنند استفاده میکنند.
محدودیتهای هوش مصنوعی در دنیای واقعی
توهمات هوش مصنوعی در توصیههای پایگاه داده
سناریوی دنیای واقعی: «من ماه گذشته تقریباً سکته قلبی کردم وقتی دستیار جدید هوش مصنوعی ما با اطمینان توصیه کرد که آنچه را که 'یک شاخص استفاده نشده' در جدول تراکنشهای ما مینامید، حذف کنید. نمودارهایی را به من نشان داد که نشان میداد شاخص برای هفتهها در عملیات روزانه عادی استفاده نشده است و سربار ذخیرهسازی و نگهداری را که صرفهجویی میکردیم محاسبه کرد.
خدا را شکر که فقط توصیهاش را اجرا نکردم! این شاخص برای فرآیند تطبیق مالی پایان ماه ما کاملاً حیاتی است. ممکن است برای هفتهها بیکار بماند، اما وقتی امور مالی گزارشهای خود را در آخرین روز ماه اجرا میکنند، آن شاخص زمان اجرا را از ساعتها به دقیقه کاهش میدهد.
هوش مصنوعی فقط به یک پنجره 30 روزه از الگوهای استفاده معمولی نگاه میکرد و ماهیت چرخهای کسب و کار ما را به طور کامل از دست داد. آنقدر به توصیهاش مطمئن بود که اگر من کم تجربهتر بودم، ممکن بود فقط به آن اعتماد کنم. این قطعا یک رویداد تولید رزومه برای پایان ماه بود!»
راهحلهای کوکیبر برای محیطهای منحصربهفرد
سناریوی دنیای واقعی: «ما در حال برنامهریزی مهاجرت خود از SQL Server محلی به Azure SQL Database بودیم، و من از ابزار برنامهریزی هوش مصنوعی خود خواستم تا یک استراتژی مهاجرت ایجاد کند. این طرح زیبا و مفصل را با تمام بهترین شیوههای استاندارد به من داد - مهاجرت مرحلهای، پروتکلهای آزمایش، رویههای بازگشت، و کارها.
مشکل؟ این به طور کامل از دست داد که ما این برنامه قدیمی باستانی را داریم که از پرسوجوهای SQL تعبیهشده با نکاتی استفاده میکند که خاص SQL Server هستند و با Azure SQL ناسازگار هستند. توسعهدهندگان ما سالها پیش آن پرسوجوها را تغییر دادند تا حول مشکلات عملکرد خاصی با توزیع دادههای غیرعادی ما کار کنند.
من سه هفته را با تیم توسعه برای بازنویسی آن پرسوجوها گذراندم، کاری که هوش مصنوعی هرگز علامتگذاری نکرد زیرا الگوی مهاجرت آن برای محیطهای 'استاندارد' ساخته شده بود. محیط ما از سال 2010 'استاندارد' نبوده است! اگر از طرح هوش مصنوعی بدون بررسی انسانی پیروی میکردیم، مهاجرت به طرز چشمگیری با شکست مواجه میشد.»
