ITIL好看不好吃?(四)

简介:
    一头是上级的要求、一头是员工的抵制。要想在“行驶中换轮子”,还真有些力不从心。他怎样解决运行管理的问题呢?
“南桔”成“北枳”
        王主任是某省电信公司计费业务中心主任。五、六十人的计费业务中心负责全省计费、经营分析等重要业务系统的建设和运行工作。 计费业务中心虽说人不少,但具体到每个系统,也就一、两个人负责。由于业务变化快、系统升级改造频繁,这些人的主要精力放在了项目建设和工程施工上,运行保障工作基本处在比较初级的自发状态:工作以“救火队”方式的被动响应为主,故障处理和系统维护过程基本没有记录和总结。王主任理解,ITIL(信息技术基础架构库)建设是管理项目,ITIL标准的确先进,咨询专家说得也绝对正确,大厂商昂贵的软件功能确实很多,但落实到本部门实际工作中,总感到很隔膜。听专家和厂家介绍起来头头是道,只要买了他们的产品和服务就能包治百病,但真花了很多钱之后似乎什么病也没治好,还说不清人家的东西哪里不好。是ITIL到了国内水土不服,还是国际大厂商开出的药方不对症?总不能说自己生的病不对吧?
        
ITIL在该企业中的应用归结下来主要有以下几方面问题: 
 ◆ 系统建设耗费大量部门资源,无力进行运行保障工作; 
 ◆ 部分员工不愿接受ITIL带来的变化; 
 ◆ 流程“一人多角”现象严重,执行层面阻力较大; 
 ◆ 流程工具使用情况不理想,系统建设成效不够显著。
 
勿让ITIL成“北枳”
        企业在IT运营过程中遇到的80%的问题是由管理原因导致,而管理问题需要采用管理的手段加以解决,这也是身为IT管理最佳实践的ITIL如此受到推崇的原因之一。 然而,尽管ITIL拥有国外各大企业成功实践的“纯正血统”,但正如“南桔北枳”的道理一样,对他人成功的简单移植却并不一定能够确保自己的成功。根据我们对国内各大企业的调查表明,国内企业上马ITIL的不少,但真正能够有效利用并体现其价值的却寥寥无己。大家讨论的话题也逐渐地由What转移到了How。如何在组织内部正确地实施ITIL,使其最佳实践的理念和方法在国内IT的土壤中生根发芽、茁壮成长,最终收获期望的果实,如何让“北枳”与“南桔”一样甜美,甚至超过“南桔”变成世人称道的“北桔”,成为一个严峻而富有挑战的现实问题。
 
北方如何收“南桔”-监控事件自动触发服务台请求
        为了更加方便的进行故障处理,同时在IT管理中也需要对所有出现的故障进行记录和统计,不放过任何漏网之鱼,所以,监控系统产生的重要故障报警自然不能轻易放过,如果有一种自动化的故障事件触发策略,当出现故障事件时,除了按照常规方式报警之外,还可以按照预定义规则触发故障处理流程给管理员,做到监控与运维的无缝集成,那么对于IT故障管理来讲,就解决了一个最大的服务台请求来源的问题。
        监控系统与服务台的紧密结合,从配置角度上来讲当然是越简单越好,比如我们所讲的“四步曲”,通过四步操作就能触发对应的服务台请求:
1.1 选择需要产生运维流程的IT资源

1.2 选择当产生某种事件时触发运维流程
1.3 选择触发流程的类型
1.4 选择流程处理人员
将这些内容设置完毕后可以在服务台中看到对应的故障单:
        另外一个重点,请求自动触发到服务台,一线处理人员在进行处理的过程中就会面对一个重要的问题,就是这个问题是否可以提供给我处理依据,可以将以往已经处理过得类似的处理方式提供给我做参考,所以这才是服务台的关键,自动化的根据故障的类型,关联出知识库中的对应条目,那就更好了,比如下面途中的示例:
点开操作按钮就可以看到具体的处理步骤了:
       
        所以,在IT运维管理的过程中,有一个非常重要的点就在于我们上述所讲到的:监控事件自动触发服务台请求,统一管理所有IT事故,同时,在进行请求处理的过程中,还可以自动的关联出对应的知识条目,这样一来就可以使IT运维的过程更加自动化,也方便了统计和管理。
 






本文转自赖永锋51CTO博客,原文链接:http://blog.51cto.com/mochasoft/146829 ,如需转载请自行联系原作者
相关文章
|
8天前
|
数据采集 人工智能 安全
|
4天前
|
机器学习/深度学习 人工智能 前端开发
构建AI智能体:七十、小树成林,聚沙成塔:随机森林与大模型的协同进化
随机森林是一种基于决策树的集成学习算法,通过构建多棵决策树并结合它们的预测结果来提高准确性和稳定性。其核心思想包括两个随机性:Bootstrap采样(每棵树使用不同的训练子集)和特征随机选择(每棵树分裂时只考虑部分特征)。这种方法能有效处理大规模高维数据,避免过拟合,并评估特征重要性。随机森林的超参数如树的数量、最大深度等可通过网格搜索优化。该算法兼具强大预测能力和工程化优势,是机器学习中的常用基础模型。
298 164
|
3天前
|
机器学习/深度学习 自然语言处理 机器人
阿里云百炼大模型赋能|打造企业级电话智能体与智能呼叫中心完整方案
畅信达基于阿里云百炼大模型推出MVB2000V5智能呼叫中心方案,融合LLM与MRCP+WebSocket技术,实现语音识别率超95%、低延迟交互。通过电话智能体与座席助手协同,自动化处理80%咨询,降本增效显著,适配金融、电商、医疗等多行业场景。
310 155
|
11天前
|
SQL 自然语言处理 调度
Agent Skills 的一次工程实践
**本文采用 Agent Skills 实现整体智能体**,开发框架采用 AgentScope,模型使用 **qwen3-max**。Agent Skills 是 Anthropic 新推出的一种有别于mcp server的一种开发方式,用于为 AI **引入可共享的专业技能**。经验封装到**可发现、可复用的能力单元**中,每个技能以文件夹形式存在,包含特定任务的指导性说明(SKILL.md 文件)、脚本代码和资源等 。大模型可以根据需要动态加载这些技能,从而扩展自身的功能。目前不少国内外的一些框架也开始支持此种的开发方式,详细介绍如下。
851 6
|
5天前
|
机器学习/深度学习 人工智能 前端开发
构建AI智能体:六十九、Bootstrap采样在大模型评估中的应用:从置信区间到模型稳定性
Bootstrap采样是一种通过有放回重抽样来评估模型性能的统计方法。它通过从原始数据集中随机抽取样本形成多个Bootstrap数据集,计算统计量(如均值、标准差)的分布,适用于小样本和非参数场景。该方法能估计标准误、构建置信区间,并量化模型不确定性,但对计算资源要求较高。Bootstrap特别适合评估大模型的泛化能力和稳定性,在集成学习、假设检验等领域也有广泛应用。与传统方法相比,Bootstrap不依赖分布假设,在非正态数据中表现更稳健。
241 113