Script Apresentação
Slide 1: Título
● Apresentador: Olá a todos, meu nome é Júlia Maia Guimarães Rodrigues.
● Apresentador: E eu sou Marielly da Silva de Oliveira.
● Apresentador: Hoje vamos apresentar nosso trabalho sobre "Gerência de Falhas
em Redes – Uma Abordagem Usando Aprendizado de Máquinas".
● Apresentador: Este trabalho foi orientado pelo Prof. Dr. Cledson Oliveira de Souza.
Slide 2: Sumário
● Apresentador: Vamos abordar os seguintes tópicos:
1. Introdução
2. Gerência de Falhas em Redes – Visão Geral
3. Implementação de Boas Práticas do ITIL no Ambiente de Service Desk
4. Aprendizado de Máquina na Gerência de Falhas
5. Descrição dos Resultados
6. Conclusões e Trabalhos Futuros
Slide 3: Introdução 1
A necessidade de garantir o funcionamento contínuo das redes de
telecomunicações é crucial.
Buscamos soluções que assegurem a disponibilidade e confiabilidade das redes,
minimizando o impacto de interrupções.
E aqui entra a Gerência de Falhas em Redes, que é o foco do nosso trabalho.
Slide 4: Introdução 2
Historicamente, a gerência de falhas em redes utilizava abordagens mais
tradicionais. O monitoramento era feito de forma manual e a resposta era reativa, ou
seja, as falhas eram corrigidas após serem detectadas. Esse método, embora eficaz
em certas situações, apresentava limitações, como o tempo de resposta mais longo
e a dificuldade em prever e prevenir problemas antes que eles afetassem os
usuários.
Com o avanço da tecnologia, passamos a adotar abordagens mais modernas para a
gerência de falhas. Isso inclui o uso de aprendizado de máquina, que nos permite
automatizar o processo de gerenciamento de falhas e nosso trabalho explora esse
tema.
Slide 5: Motivação
À medida que as instituições crescem, os serviços que elas oferecem se tornam
cada vez mais complexos e críticos. Gerenciar esses serviços de maneira eficaz é
um desafio constante, pois qualquer falha pode impactar significativamente o
funcionamento das instituições.
Muitos processos ainda são realizados manualmente, o que pode ser ineficiente e
propenso a erros. Com as tecnologias disponíveis hoje, é possível automatizar
muitos desses processos. Por exemplo, categorização de chamados.
Para otimizar ainda mais os processos, podemos adotar melhores práticas baseadas
em frameworks. são conjuntos de diretrizes, boas práticas e ferramentas projetados
para ajudar as organizações a gerenciar serviços de TI de maneira eficiente e eficaz.
Por exemplo, frameworks como ITIL (Information Technology Infrastructure Library) e
COBIT (Control Objectives for Information and Related Technologies) são
amplamente utilizados e serão comentados mais a frente.
Slide 5: Objetivo
Agora vamos falar sobre os objetivos principais deste trabalhp. Vamos explorar três
pontos principais: contribuir com melhorias na gerência de falhas de rede, seguir as
diretrizes do framework ITIL e avaliar a incorporação de técnicas de inteligência
artificial na categorização de chamados.
O primeiro ponto é melhorar a gerência de falhas de rede. Isso envolve a
identificação de gargalos, lacunas (gaps) e não conformidades que possam estar
afetando a eficiência e a eficácia dos serviços de rede. Ao identificar esses pontos
críticos, podemos implementar ações corretivas e preventivas que ajudarão a
minimizar interrupções e a garantir a continuidade dos serviços.
O segundo objetivo é aderir às diretrizes do framework ITIL. Como discutimos
anteriormente, ITIL oferece uma série de boas práticas para a gestão de serviços de
TI. Seguindo essas diretrizes, podemos padronizar os processos, melhorar a
qualidade dos serviços oferecidos e garantir o alinhamento com as melhores
práticas do mercado.
O terceiro objetivo é explorar o uso de inteligência artificial, especificamente
apredizado de máquina para aprimorar a classificação dos chamados. O apredizado
de máquina pode ajudar a analisar grandes volumes de dados de maneira rápida e
precisa, identificando padrões e tendências que podem não ser facilmente
detectáveis manualmente. Isso pode aumentar a assertividade na classificação dos
chamados, garantindo que eles sejam encaminhados corretamente e resolvidos
mais rapidamente.
Slide 6: Gerência de Falhas em Redes
Gerenciamento de falhas é essencial para a manutenção da rede. Isso significa
que, para garantir que uma rede funcione corretamente e sem interrupções, é crucial
ter um sistema eficiente de gerenciamento de falhas.
Fornece apoio aos administradores da rede. Esse gerenciamento oferece suporte
contínuo aos administradores, ajudando-os a detectar e resolver problemas
rapidamente.
Ferramentas de alerta e monitoramento de tráfego são cruciais. Ferramentas de
alerta e monitoramento de tráfego permitem identificar falhas e problemas de
desempenho antes que eles impactem os usuários finais.
Permite automatização de serviços de TI com ferramentas, como Ansible. A
automatização de serviços de TI, utilizando ferramentas como o Ansible, pode
aumentar a eficiência e reduzir o tempo de resposta para resolução de problemas.
O Ansible ajuda na gestão de falhas ao:
1. Detectar e resolver falhas automaticamente.
2. Recuperar rapidamente sistemas pós-falha.
3. Automatizar backups e restaurações.
4. Fornecer documentação e auditoria de processos.
5. Simular falhas para identificar e corrigir pontos fracos.
6. Enviar notificações e alertas em caso de falhas.
Melhora a confiabilidade e eficiência da rede. Com essas ferramentas e práticas,
a confiabilidade e a eficiência da rede são significativamente melhoradas, resultando
em menor tempo de inatividade e melhor desempenho geral.
ISO 10040: coordenação e controle de operação, administração, manutenção e
provisionamento de uma rede de comunicação. A norma ISO 10040 oferece
diretrizes para a coordenação e controle da operação, administração, manutenção e
provisionamento de redes de comunicação.
FCAPS: detecção, diagnóstico e resolução de problemas na infraestrutura de
rede. O modelo FCAPS é um framework que inclui a detecção, diagnóstico e
resolução de problemas na infraestrutura de rede, cobrindo diferentes aspectos
como falhas, configuração, contabilidade, desempenho e segurança."
Slide 7: Norma ISO
Vamos falar sobre a norma ISO e sua importância para o gerenciamento de redes de
comunicação.
Fundação: Surgiu após a Segunda Guerra Mundial e foi oficialmente fundada em
1947.
Objetivo: Estabelece princípios e práticas para o gerenciamento eficaz de redes de
comunicação.
Diretrizes principais:
Enfoque proativo: Monitoramento automatizado e alertas antecipados para detectar
falhas.
Monitoramento contínuo: Ferramentas em tempo real para detecção rápida de
problemas.
Análise de tendências: Identificação de padrões e medidas preventivas.
Melhoria contínua: Revisão regular e implementação de melhorias.
Essas diretrizes garantem uma rede mais confiável e eficiente, reduzindo o tempo de
inatividade e melhorando a qualidade do serviço.
Slide 8: FCAPS
Agora, vamos falar sobre o modelo FCAPS, que é essencial para o gerenciamento
de redes.
O modelo FCAPS é uma estrutura de gerenciamento de rede que abrange cinco
áreas principais, essenciais para a administração eficaz de redes de comunicação.
Componentes:
Fault/Falhas: Detecção, diagnóstico e resolução de problemas na rede.
Configuration/Configuração: Gerenciamento das configurações e inventário de
recursos de rede.
Accounting/Contabilidade: Monitoramento e controle de recursos e custos.
Performance/Desempenho: Monitoramento e otimização do desempenho da rede.
Security/Segurança: Proteção contra ameaças e garantia de integridade e
confidencialidade.
Cada uma dessas áreas é fundamental para garantir que a rede funcione de
maneira eficiente e segura, oferecendo suporte contínuo às operações de TI.
Slide 9: Tipos de Falhas
Vamos falar sobre os tipos de falhas que podemos encontrar na gestão de redes.
Vamos diferenciar entre incidentes e problemas.
Primeiramente, um incidente é um evento que causa interrupção ou redução na
qualidade do serviço. O foco principal ao lidar com um incidente é a restauração do
serviço. Queremos resolver o incidente da maneira mais rápida possível para
minimizar o impacto no usuário.
Por outro lado, um problema é a causa raiz subjacente de um ou mais incidentes. Ao
lidar com um problema, nosso objetivo é identificar essa causa raiz para prevenir a
recorrência de incidentes. Resolver um problema pode ser mais complexo e
demorado do que resolver um incidente, mas é crucial para prevenir a recorrência de
incidentes no futuro.
Resumindo, a principal diferença é que um incidente é focado na restauração
imediata do serviço, enquanto um problema é focado na identificação e resolução da
causa raiz para evitar que incidentes semelhantes aconteçam novamente.
Slide 10: Aprendizado de Máquina
Vamos falar sobre a aplicação do aprendizado de máquina na gerência de falhas.
Um sistema de aprendizado de máquina pode auto recuperar e prevenir falhas,
identificando problemas antes que causem interrupções significativas.
Existem estágios nas redes tradicionais que ainda não foram abordados pela IA,
representando uma oportunidade para melhorar a eficiência na gestão de falhas.
A categorização simplifica a gestão de incidentes, desde a identificação até a
resolução e avaliação, permitindo uma resposta mais rápida e precisa.
Modelos LLM podem ser usados para a categorização de chamados, entendendo e
processando grandes volumes de dados textuais. Por exemplo, categorizando
automaticamente descrições de falhas enviadas pelos usuários.
Outra aplicação importante é o Processamento de Linguagem Natural. Tarefas de
PLN como modelagem de linguagem, classificação de texto e extração de
informações são extremamente úteis na gerência de falhas.
Slide 11: Modelos
Vamos falar sobre a diferença entre os modelo PNL e CNN.
CNN requer mais recursos computacionais devido à natureza intensiva de suas
operações de convolução, especialmente em grandes conjuntos de dados. Tem
limitação na captura de dependências de longo alcance, focando mais em
características locais, o que pode ser uma limitação em tarefas que exigem
compreensão profunda do contexto textual. Beneficia-se significativamente de
grandes volumes de dados para treinamento, onde pode aprender padrões mais
complexos e representações mais ricas.
PNL é mais eficiente em lidar com grandes volumes de dados textuais devido a
métodos otimizados de processamento. Capaz de capturar estruturas gramaticais
complexas e dependências linguísticas de longo alcance. Funciona bem com
conjuntos de dados menores, permitindo treinamento eficiente mesmo com volumes
moderados de dados.
Slide 12: PNL
A figura mostra os principais componentes de um pipeline genérico para o
desenvolvimento de sistemas de PNL orientados por dados, e a seguir serão
descritos seus blocos.
1. Aquisição de Dados: São coletados dados textuais de diversas fontes relevantes
para o projeto.
2. Limpeza de Texto: Realizam-se a limpeza dos dados textuais para remover erros,
como erros de digitação, caracteres especiais e palavras irrelevantes.
3. Pré-Processamento: Aplicam-se técnicas de pré-processamento como
tokenização, remoção de stop words e lematização.
Tokenização divide o texto em unidades menores, como palavras ou frases. A
remoção de stop words elimina palavras comuns e irrelevantes, enquanto a
lematização reduz palavras à sua forma base, considerando o contexto.
Ao tratar a base de dados neste trabalho, enfrentamos desafios significativos na
limpeza do texto, como a remoção de linhas com dados nulos. Além disso, na etapa
de pré-processamento, padronizamos o cabeçalho da base e formatamos as datas.
4. Engenharia de Recursos: Visa a tradução de características do texto em um vetor
numérico compreensível para os algoritmos. Técnicas como TF-IDF que calcula a
importância de uma palavra no texto em relação ao corpo do texto. Também
N-Grams que considera sequências de N palavras como características. Em vez de
considerar apenas palavras individuais. "gosto de" seria uma característica em um
modelo de bigramas.
5. Modelagem: São construídos e treinados modelos de aprendizado de máquina
utilizando os dados processados.
6. Avaliação: É avaliado o desempenho dos modelos utilizando métricas
apropriadas. No caso deste trabalho a métrica escolhida foi a acurácia.
7. Implantação: É implementado o modelo em um ambiente de produção onde ele
pode ser utilizado para fazer previsões em dados novos. Nesse trabalho o ambiente
foi o VS code.
8. Monitoramento e Atualização: Eé feito o monitoramento do desempenho do
modelo ao longo do tempo e são realizadas atualizações conforme necessário.
9. Aprimoramento do Modelo: Baseado no feedback e nas avaliações contínuas, é
possível melhorar o modelo.
Slide 13: Resolução de chamados
Destaca-se no gráfico um pico de resolução de chamados no dia 16 de agosto de
2023, alcançando 824 chamados resolvidos, um resultado substancialmente
superior à média do período analisado.
480 deles estão relacionados à categoria de ``Inscrição Online", o que
possivelmente se relaciona com um início de período letivo. Percebe-se que os
incidentes abertos são provenientes de um mesmo problema no sistema de
inscrição e portanto, foram encerrados a partir de uma mesma solução.
Seguindo as diretrizes do ITIL, é crucial analisar em detalhes esse pico de resolução
para identificar as práticas e processos que contribuíram para o alto desempenho, a
fim de replicá-los em situações futuras.
Slide 14: Abertura de chamados
Alinhado ao gráfico anterior, no dia 15 de agosto de 2023 tivemos um pico de
abertura de 1.300 chamados. Essa correlação entre o aumento repentino na
abertura de chamados e a subsequente resolução em massa, sugere a possibilidade
de uma incidência específica ou evento crítico que desencadeou uma demanda
extraordinária de suporte, neste caso o período de inscrição online já comentado
anteriormente, que gerou 618 ocorrências abertas neste dia.
No contexto do ITIL, esse padrão destaca a importância de estratégias proativas de
gerenciamento de incidentes, como o estabelecimento de processos de detecção
precoce e resposta rápida a eventos críticos. Além disso, evidencia a necessidade
de capacidade de escalonamento para lidar com picos de demanda, garantindo a
continuidade dos serviços e a satisfação do usuário.
Slide 14: Horário de abertura de chamados
Destaca-se que a maioria dos chamados foram abertos durante o horário comercial
(das 9h às 18h), porém também observamos uma quantidade significativa de
chamados abertos fora desse horário.
Essa distribuição de abertura de chamados ao longo do dia sugere a necessidade
de uma equipe de suporte capacitada e disponível para lidar com ocorrências em
diferentes momentos do dia, garantindo uma resposta eficaz e oportuna aos
usuários. No contexto do ITIL, essa análise ressalta a importância da gestão de
incidentes e do suporte contínuo fora do horário comercial, para assegurar a
disponibilidade e a continuidade dos serviços de TI.
Slide 15: Origem de contato dos chamados
Destaca-se que a maior quantidade de chamados foi registrada através de e-mail
totalizando 7.146 chamados. Além disso, há uma quantidade considerável de 2.783
chamados originados por meio de ferramentas de monitoramento.
Para o e-mail, recomenda-se a adoção de sistemas avançados de gerenciamento,
como Zendesk ou ServiceNow, que incluem recursos de priorização e respostas
predefinidas, alinhados com as melhores práticas do ITIL. Além disso, podem ser
aplicadas modelagens em Aprendizado de Máquina para categorização dos
chamados, conforme será apresentado mais a frente.
Para os chamados gerados por ferramentas de monitoramento, é fundamental
garantir que os alertas sejam precisos e relevantes, minimizando falsos positivos e
assegurando uma resposta imediata a incidentes críticos. A integração desses
sistemas com a central de suporte pode melhorar significativamente a eficiência
operacional.
Slide 16: SLA dos chamados
Destaca-se que a maior quantidade de chamados foi registrada no mês de agosto,
com 8.215 chamados resolvidos dentro do SLA e 208 fora do SLA. Em julho, foram
3.916 chamados dentro do SLA e 168 fora dele. Em junho, houve 565 chamados
dentro do SLA e 11 fora dele.
Acordo de Nível de Serviço. É um contrato entre um provedor de serviços e um
cliente que define o nível esperado de serviço. No caso deste trabalho o SLA era o
tempo mínimo de atendimento do chamado.
A quantidade de chamados resolvidos em agosto estão relacionados ao período de
inscrição online, conforme já comentado anteriormente.
Algumas recomendação de ações baseadas no ITIL para garantir o cumprimento do
SLA.
Revisão e Otimização de Processos: Analisar os processos de gerenciamento de
incidentes e requisições para identificar e eliminar gargalos que possam estar
causando atrasos.
Capacitação Contínua: Oferecer treinamento regular à equipe de TI para garantir
que todos estejam familiarizados com os procedimentos e ferramentas necessárias
para resolver chamados dentro do prazo.
Monitoramento e Automação: Utilizar ferramentas de monitoramento em tempo real
e automação para agilizar a detecção e resolução de problemas.
Feedback e Melhoria Contínua: Coletar feedback dos usuários e realizar análises
pós-incidente para identificar áreas de melhoria e ajustar os processos conforme
necessário.
Slide 17: Análise de categorias recorrentes dos chamados
A análise revelou que os problemas mais frequentes ocorrem nas áreas de rede e
conectividade, sistemas internos (como o portal da universidade e o SEI), e
manutenção de hardware e software. Melhorias na infraestrutura de rede,
atualizações nos sistemas internos, e manutenção preventiva de hardware são
essenciais para reduzir as falhas. Além disso, processos administrativos mais
intuitivos e um suporte ao usuário eficiente podem melhorar significativamente a
experiência dos usuários e a eficiência operacional do antendimento da instituição.
Para as categorias mais recorrentes, podemos seguir algumas recomendações
baseadas no ITIL.
- Implementar um sistema robusto de gerenciamento de incidentes para
minimizar o impacto das falhas e restaurar os serviços rapidamente.
- Identificar e eliminar as causas raizes dos incidentes. Fazer análises
detalhadas das categorias mais críticas, como Manutenção de Rede e
Internet e Portal Universidade.
- Implementar um ciclo de feedback contínuo para revisar e melhorar os
serviços de TI. Melhoria Contínua do Serviço (CSI)
- Definir SLAs claros para cada categoria de serviço, com tempos de resposta
e resolução específicos, especialmente para categorias críticas como
Inscrição Online para Alunos de Graduação.