TechTalkThai ศูนย์รวมข่าว Enterprise IT ออนไลน์แห่งแรกในประเทศไทย
เมื่อระบบ IT ซับซ้อนขึ้น ความท้าทายขององค์กรไม่ใช่แค่การตรวจพบปัญหา แต่คือการเข้าใจว่าปัญหาเกิดจากอะไร ส่งผลกระทบต่อธุรกิจอย่างไร และควรจัดการจากจุดไหนก่อน
ปัจจุบันระบบ IT ขององค์กรไม่ได้ทำงานอยู่บน Server เพียงไม่กี่เครื่องอีกต่อไป แต่กระจายอยู่บน Cloud, Container, Microservices และเริ่มมี AI/LLM เข้ามาเป็นส่วนหนึ่งของบริการมากขึ้น ธุรกรรมเพียงรายการเดียวอาจต้องผ่านหลายสิบ Service ก่อนจะส่งมอบผลลัพธ์ถึงผู้ใช้งาน
ความซับซ้อนนี้ทำให้การดูแลระบบเปลี่ยนไป เมื่อเกิดปัญหา ทีม IT อาจได้รับ Alert พร้อมกันจำนวนมากจากหลายเครื่องมือ แต่ยังไม่สามารถระบุได้ทันทีว่าต้นเหตุอยู่ตรงไหน ต้องใช้เวลาตรวจสอบ Logs วิเคราะห์ความสัมพันธ์ของระบบ และประสานงานหลายทีม ขณะที่บริการสำคัญของธุรกิจอาจกำลังได้รับผลกระทบ
จากมุมมองของ คุณศศวัฒน์ ทิพย์อาสน์, Solution Consultant, MFEC ประเด็นสำคัญของการดูแล Enterprise IT ในวันนี้จึงไม่ใช่เพียงการตรวจพบความผิดปกติ แต่คือความสามารถในการเชื่อมโยงข้อมูลเพื่อให้เข้าใจต้นเหตุและผลกระทบที่เกิดขึ้นจริง
นี่เป็นเหตุผลที่องค์กรควรเริ่มมองไกลกว่า Monitoring แบบเดิม ไปสู่แนวทาง AI-Powered Observability ที่ช่วยเปลี่ยนข้อมูลจากระบบ IT ให้เป็นข้อมูลสำหรับการวิเคราะห์และตัดสินใจ
เมื่อ Monitoring บอกได้ว่าอะไรผิดปกติ แต่ยังไม่เพียงพอต่อการตัดสินใจ
Monitoring ยังคงเป็นพื้นฐานสำคัญของการดูแลระบบ IT เพราะช่วยติดตามสถานะ ประสิทธิภาพ และแจ้งเตือนเมื่อค่าต่าง ๆ ผิดไปจากเงื่อนไขที่กำหนด
อย่างไรก็ตาม ในระบบที่มีองค์ประกอบเชื่อมต่อกันจำนวนมาก การตรวจพบความผิดปกติเพียงอย่างเดียวอาจไม่เพียงพอ
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
- ลดเวลาการสืบค้นสาเหตุของปัญหา
การเชื่อมโยงข้อมูลจากหลายระบบช่วยลดภาระการตรวจสอบเหตุการณ์แยกส่วน และทำให้ทีม IT สามารถมุ่งไปยังองค์ประกอบที่มีแนวโน้มเป็นต้นเหตุได้เร็วขึ้น
- จัดลำดับความสำคัญตามผลกระทบต่อธุรกิจ
ปัญหาทางเทคนิคแต่ละรายการไม่ได้มีความสำคัญเท่ากัน การเห็นความสัมพันธ์ระหว่างระบบกับบริการทางธุรกิจช่วยให้ทีมพิจารณาได้ว่าปัญหาใดควรได้รับการจัดการก่อน
- สนับสนุนการป้องกันปัญหาก่อนกระทบผู้ใช้งาน
การวิเคราะห์ความผิดปกติและแนวโน้มของข้อมูลช่วยให้ทีม IT มองเห็นสัญญาณความเสี่ยงและวางแผนรับมือได้ดีขึ้น แม้จะไม่สามารถป้องกันเหตุขัดข้องได้ทุกกรณี
- ลดภาระงานซ้ำและพัฒนาการทำงานของทีม IT
AI-Assisted Analysis และ Automation สามารถช่วยลดขั้นตอนที่ต้องดำเนินการด้วยตนเองในบางกระบวนการ เพื่อให้ทีมมีเวลามากขึ้นกับการปรับปรุงระบบและการวางแผนเชิงกลยุทธ์
- 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 ที่มีผู้รับผิดชอบอนุมัติ และขยายระดับความเป็นอัตโนมัติเมื่อระบบ กระบวนการ และการกำกับดูแลมีความพร้อม
แนวทางนี้ช่วยให้องค์กรสามารถพัฒนา AI-Driven Operations อย่างเป็นขั้นตอน โดยยังคงให้ความสำคัญกับความปลอดภัยและการควบคุมระบบ
อนาคตของ IT Operations ไม่ใช่แค่เห็นปัญหาเร็วขึ้น แต่ต้องเข้าใจและตัดสินใจได้ดีขึ้น
เมื่อองค์กรกำลังเดินหน้าสู่ AI-Native Enterprise ความสามารถในการดูแลระบบ IT ต้องพัฒนาไปพร้อมกับความซับซ้อนของเทคโนโลยี
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
