Tweet
Tweet

Slide 1

Slide 1 text

元祖 AIOps！ メトリクス異常検知からはじめよう 〜さようなら Lookout for Metrics〜 4th Mar, OpsJAWS Meetup#33 『AIOps』 Kento Kimura

Slide 2

Slide 2 text

自己紹介 ● 所属：Technical Solutions / Sales Engineer ● 担当：パブリッククラウドのアーキテクト知識を活かした 　Datadog のプリセールス技術支援 ● 活動： 2023 Japan AWS Jr.Champion → AWS Community Builder(Cloud Operations) JAWS-UG にたまに出没する犬のロゴの会社の人です🐶 JAWS DAYS 2025 には個人スポンサー・当日スタッフとして参加しました🦈 好きな AWS サービスは CloudWatch Application Signals 木村 健人 (Kento Kimura) Datadog Japan GK Experience データセンター運用保守 → パブリッククラウド技術支援 → プリセールス技術支援 Community JAWS-UG, Jagu'e'r, CloudNative Days

Slide 3

Slide 3 text

おはなし 3 01 AIOps on AWS 02 AIOps について考える 03 Lookout for Metrics と異常検知 04 これからの異常検知 05 まとめ

Slide 4

Slide 4 text

4 AIOps on AWS

Slide 5

Slide 5 text

詳しくは OpsJAWS #27『EC2の運用と監視』 5 引用「AIOpsを活用してAWS監視を体験してみた 〜EC2も監視できるよ〜」 https://speakerdeck.com/hiashisan/opsjaws27-aiops-aws

Slide 6

Slide 6 text

6 AIOps について考える

Slide 7

Slide 7 text

AIOps AIOps = Artificial Intelligence for IT Operations

Slide 8

Slide 8 text

AIOps のかんたんな歴史 8 2016 AIOps の概念が登場 Gartner の提唱により、 AI × IT Operations を 組み合わせた造語が生まれる 2020~ プラットフォームとして AIOps が提供され始める 監視プラットフォームに機能と して異常検出・パターン化・比 較機能などが備わる ~2016 IT 運用の効率化のため、 機械学習とビッグ データを利用 する試みが始まる IT 運用は大量の監視データを扱 うため、AI 活用に向いていた 2017 AIOps の普及期 AIOps の様々な手法が 活用され始める 独自の機械学習アルゴリズムを 活用してログ・メトリクスの 異常検知を行う取り組みが主流 2023~ 生成 AI を活用した AIOps が 登場する 自然言語検索・運用 AI エー ジェント・ポストモーテムの 自動生成などの取り組みが行 われる Amazon Lookout for Metrics CloudWatch Logs features CloudWatch Anomaly Detection とAWS上の異常検知

Slide 9

Slide 9 text

Amazon.com の技術から構築 された、時系列データ内の異 常を検出するサービス 工業製品の視覚的な欠陥を コンピューター ビジョンを使 用して発見するサービス 産業機器を監視し、機器の異 常な動作を検出し、潜在的な 障害を特定するサービス Lookout 3兄弟 9 Amazon Lookout for Equipment Amazon Lookout for Metrics Amazon Lookout for Vision 2025 年 10 月 31 日に廃止 2024 年 10 月 17 日に廃止済 (コンソールには残っている) 2025 年 9 月 12 日に廃止 （現在は新規利用不可）

Slide 10

Slide 10 text

Lookout for Metrics の代わりに各機能を使おう 10 CloudWatch Anomaly Detection をはじめ として、OpenSearch, Redshift, QuickSight, Glue Data Quality, SageMaker Canvas は それぞれ異常検出(検知)の機能を持っている 監視データ転送不要で プラットフォーム上で 異常検知ができる時代！！

Slide 11

Slide 11 text

AWS サービス廃止からの学び 工場・産業機器を主な対象とする Vertical AI は AWS では必要無くなった？ これからは Bedrock や SageMaker で Vertical AI (Agent) が構築されていく 11

Slide 12

Slide 12 text

12 Lookout for Metrics と異常検知

Slide 13

Slide 13 text

Amazon Lookout for Metrics Lookout for Metrics の構造 13 検出器 ：データセットを監視して異常を検出するリソース データソース ：AWS 内外から収集できる時系列メトリクス データセット ：検出器によるデータのコピー、タイムスタンプと値のフィールドを分析する メトリクス ：タイムスタンプ × 値のフィールド(メジャー) 警告 ：SNS や Lambda をターゲットとする通知やワークフローの実行 Datasource Metrics Amazon AppFlow Amazon S3 Amazon RDS Dataset Detector Alert COPY AWS Lambda Amazon SNS

Slide 14

Slide 14 text

Lookout for Metrics の良かったところ CloudWatch Anomaly Detection のように、異常検知の機能を持たない プラットフォームに自分でカスタマイズした専用の異常検知機能を用意できた🤔 14

Slide 15

Slide 15 text

Lookout for Metrics の良かったところと今 CloudWatch Anomaly Detection のように、異常検知の機能を持たない プラットフォームに自分でカスタマイズした専用の異常検知機能を用意できた AIOps 黎明期には様々な対象にオリジナルの異常検知に需要がありそうだった 　→各データセットに基づく、精度の高い異常検知ができる…？ 思ったよりも AIOps の体制や機能を自分たちで作り上げることが大変で、 異常検知もそれほどさまざまなパターンが必要ではなかった 　→異常検知の閾値や季節・周期性の考慮とアルゴリズムの選択で十分 15

Slide 16

Slide 16 text

16 異常検知のモデルを一から触るより プラットフォームにある機能を そのまま使ったらいいよね

Slide 17

Slide 17 text

17 これからの異常検知

Slide 18

Slide 18 text

18 これからの異常検知 メトリクス

Slide 19

Slide 19 text

19 異常検知のモデルを一から触るより プラットフォームにある機能を そのまま使ったらいいよね

Slide 20

Slide 20 text

メトリクス異常検知に求められる要素 ① 低コストな計算： プラットフォーム側の負荷軽減や即時検知のために、 軽量なアルゴリズムを採用する ② 誤検知を減らす： 時系列メトリクスの特性に合わせて季節・周期性の考慮 閾値の設定やアルゴリズムの変更が必要 ③ 組み込みの機能： 利用者が追加の運用負荷を感じることなく、 簡単に利用開始できてカスタマイズできること 20

Slide 21

Slide 21 text

CloudWatch Anomaly Detection (in Alarm) 21 異常検出を選ぶ 条件を選ぶ 閾値の設定

Slide 22

Slide 22 text

22 まとめ

Slide 23

Slide 23 text

まとめ ● AIOps といっても、異常検知から運用 AI エージェントまでさまざま ● 異常検知は様々な監視プラットフォームに組み込まれていて すぐに始められる！ ● Lookout for Metrics の廃止から学んだこと： 異常検知のカスタマイズよりも、システムの改善に時間をかけよう ● CloudWatch Anomaly Detection は設定も簡単 23

Slide 24

Slide 24 text

Thank you