The Expert in the Machine (ผู้เชี่ยวชาญในเครื่องจักร)

ผม พูดถึงเครื่องมือมากมายในบทนี้ อาจจะมากกว่าบทอื่นใดในหนังสือเล่มนี้ ส่วนหนึ่งเป็นเพราะการเปลี่ยนแปลงพื้นฐานจากการมองโลกในแง่ monitoring เพียงอย่างเดียว ไปสู่การคิดว่าจะทำให้ระบบของเรา observable มากขึ้นได้อย่างไร การเปลี่ยนพฤติกรรมนี้ต้องการ tooling เพื่อช่วยสนับสนุนมัน อย่างไรก็ตาม มันจะเป็นความผิดพลาดที่จะมองการเปลี่ยนแปลงนี้ว่าเป็นเรื่องของเครื่องมือใหม่ ๆ เพียงอย่างเดียว อย่างที่ผมหวังว่าผมได้อธิบายไปแล้ว ถึงกระนั้น ด้วย vendor จำนวนมากที่แข่งขันกันแย่งความสนใจของเรา เราก็ต้องระมัดระวังด้วยเช่นกัน

มากว่าทศวรรษแล้วที่ผมเห็น vendor หลายรายอ้างว่าระบบของพวกเขามีความฉลาดในระดับหนึ่ง ที่จะตรวจจับปัญหาได้อย่างมหัศจรรย์และบอกเราได้แม่นยำว่าเราต้องทำอะไรเพื่อแก้ไขสิ่งต่าง ๆ สิ่งนี้ดูเหมือนจะมาเป็นระลอก แต่ด้วยกระแสล่าสุดรอบ ๆ machine learning (ML) และ artificial intelligence (AI) ที่เพิ่มขึ้นเรื่อย ๆ ผมเห็นการอ้างเรื่อง automated anomaly detection มากขึ้น ผมสงสัยว่าสิ่งนี้จะมีประสิทธิภาพแค่ไหนในแบบ fully automated และแม้จะเป็นแบบนั้นก็ยังเป็นปัญหาที่จะสมมติว่า expertise ทั้งหมดที่คุณต้องการสามารถถูก automate ออกไปได้

แรงขับเคลื่อนส่วนใหญ่รอบ ๆ AI มักจะเป็นการพยายาม codify expert knowledge ให้เป็นระบบอัตโนมัติ แนวคิดที่ว่าเราสามารถ automate ความเชี่ยวชาญออกไปได้ อาจดึงดูดใจบางคน แต่มันก็เป็นแนวคิดที่อันตรายในพื้นที่นี้ด้วย อย่างน้อยก็ตามความเข้าใจปัจจุบันของเรา ทำไมต้อง automate ความเชี่ยวชาญออกไปด้วย? เพื่อที่คุณจะได้ไม่ต้องลงทุนกับการมี expert operator รันระบบของคุณ ผมไม่ได้พยายามจะพูดถึงเรื่องความปั่นป่วนของแรงงานที่เกิดจากความก้าวหน้าทางเทคโนโลยีตรงนี้—แต่มากกว่านั้น คือมีคนกำลังขายแนวคิดนี้อยู่ตอนนี้ และบริษัทต่าง ๆ ก็กำลังซื้อแนวคิดนี้อยู่ตอนนี้ ด้วยความหวังว่าเหล่านี้เป็นปัญหาที่แก้ได้จริง (และ automate ได้จริง) ความจริงคือตอนนี้ มันยังไม่ใช่

ผมเคยทำงานกับ startup ที่เน้น data science แห่งหนึ่งในยุโรปเมื่อไม่นานมานี้ startup นั้นทำงานกับบริษัทที่ให้บริการ hardware bed-monitoring ซึ่งสามารถรวบรวมข้อมูลหลายอย่างเกี่ยวกับผู้ป่วยได้ นักวิทยาศาสตร์ข้อมูลสามารถช่วยเห็น pattern ในข้อมูล แสดง cluster แปลก ๆ ของผู้ป่วยที่สามารถระบุได้โดยการ correlate แง่มุมต่าง ๆ ของข้อมูล นักวิทยาศาสตร์ข้อมูลสามารถพูดได้ว่า "ผู้ป่วยเหล่านี้ดูเกี่ยวข้องกัน" แต่ไม่มีความเข้าใจว่าความหมายของความสัมพันธ์นั้นคืออะไร มันต้องใช้แพทย์เพื่ออธิบายว่า cluster บางส่วนเหล่านี้หมายถึงผู้ป่วยที่โดยรวมแล้วป่วยหนักกว่าคนอื่น มันต้องการความเชี่ยวชาญเพื่อระบุ cluster และความเชี่ยวชาญอีกแบบเพื่อเข้าใจว่า cluster นี้หมายถึงอะไร และนำความรู้นั้นไปปฏิบัติจริง ย้อนกลับมาที่ tooling ของเราสำหรับ monitoring และ observability ผมนึกภาพเครื่องมือแบบนี้แจ้งเตือนใครสักคนว่า "มีบางอย่างดูแปลก ๆ" ได้ แต่การรู้ว่าจะทำอะไรกับข้อมูลนั้นยังคงต้องการความเชี่ยวชาญในระดับหนึ่ง

แม้ผมจะมั่นใจว่า feature อย่าง "automated anomaly detection" จะยังคงพัฒนาต่อไป เราต้องยอมรับว่าตอนนี้ ผู้เชี่ยวชาญในระบบคือ และจะยังคงเป็นมนุษย์ต่อไปอีกสักพัก เราสามารถสร้างเครื่องมือที่ช่วยให้ operator มีข้อมูลที่ดีขึ้นว่าต้องทำอะไร และเราสามารถมอบ automation เพื่อช่วย operator ดำเนินการตามการตัดสินใจของพวกเขาได้อย่างมีประสิทธิภาพมากขึ้น แต่สภาพแวดล้อมที่หลากหลายและซับซ้อนโดยพื้นฐานของระบบ distributed หมายความว่าเราต้องการ human operator ที่มีทักษะและได้รับการสนับสนุน เราอยากให้ผู้เชี่ยวชาญของเราใช้ความเชี่ยวชาญของพวกเขาในการถามคำถามที่ถูกต้องและตัดสินใจที่ดีที่สุดเท่าที่จะทำได้ เราไม่ควรขอให้พวกเขาใช้ความเชี่ยวชาญของพวกเขาไปกับการจัดการข้อบกพร่องของเครื่องมือที่ไม่ดี และเราก็ไม่ควรยอมจำนนต่อความคิดที่สะดวกสบายว่าเครื่องมือใหม่หรูหราบางอย่างจะแก้ปัญหาทั้งหมดของเราได้