Mengurangi Biaya Waktu Henti di Era Kecerdasan Buatan

Kemampuan untuk memprediksi kegagalan perangkat keras dengan tingkat akurasi tertentu menawarkan potensi penghematan yang luar biasa bagi penyedia layanan dengan investasi modal yang besar di bidang teknologi informasi (TI). Bagi pelanggan perusahaan yang mengoperasikan platform komputasi berkinerja tinggi (HPC) dan kecerdasan buatan (AI) yang mahal dan berskala besar, ketersediaan layanan mereka adalah segalanya: Sistem yang mati akan membuat pelanggan tidak dapat mengakses layanan dan sumber daya menjadi terkunci, sehingga tidak dapat digunakan dengan biaya yang besar. Pemadaman semacam ini dapat menyebabkan hilangnya pendapatan, berdampak pada produktivitas karyawan secara keseluruhan, dan merusak merek perusahaan. Bergantung pada industrinya, penelitian telah menunjukkan biaya rata-rata satu jam waktu henti yang tidak direncanakan dapat berkisar antara $100.000 per jam hingga lebih dari $500.000 per jam.[1] [2]

Memasukkan analisis kegagalan prediktif (PFA)

Dengan mengevaluasi data historis dalam jumlah besar, analisis kegagalan prediktif (PFA) dapat memberikan wawasan yang berharga tentang kemungkinan terjadinya pemadaman. Chipset, papan sirkuit, hard drive, dan koneksi yang disolder semuanya memiliki masa manfaat yang terbatas. Tren data kegagalan historis dapat menunjukkan cakrawala waktu untuk kegagalan di masa depan.

Untuk peralatan besar atau produsen mobil (dan pelanggan mereka), PFA berpotensi menawarkan peningkatan harapan hidup aset yang mengarah pada pengurangan pengeluaran di masa depan hingga 5%. PFA juga dapat digunakan untuk menjadwalkan pemeliharaan ketika operator dan teknisi tersedia lebih banyak dan lebih murah, sehingga menciptakan efisiensi dan penghematan hingga 20%[3].

Banyak faktor yang dapat memengaruhi kinerja PFA. Tergantung pada beban kerja rata-rata sistem yang bersangkutan, cakupan data historis yang digunakan, dan algoritme machine learning (ML) atau deep learning (DL) yang terlibat, keakuratan PFA dapat dipertanyakan.

Regresi linier dan polinomial sering digunakan untuk menentukan sisa masa manfaat (RUI), sementara Long Short-Term Memory (LSTM) dan algoritme hutan acak dapat digunakan untuk memperbaiki prediksi kegagalan dengan berbagai tingkat keberhasilan. [4] [5] [6] 

Meskipun jelas bahwa ada manfaat nyata dari PFA, namun hal ini tidak mudah dilakukan. Untuk memberikan tingkat ketersediaan layanan yang sama dan untuk melindungi nilai investasi modal, sebaiknya pertimbangkan untuk menambah program dukungan apa pun yang menggunakan PFA dengan kontrak tenaga kerja jarak jauh.

Tangan Jarak Jauh sebagai Polis Asuransi

Menggunakan remote hands bersama dengan PFA menawarkan manfaat untuk pemadaman yang direncanakan dan tidak direncanakan.  

Pemadaman terencana dapat dijadwalkan dengan baik sebelumnya, sehingga memungkinkan sumber daya untuk ditugaskan ketika mereka tersedia secara bebas dan paling terjangkau. Penyedia layanan jarak jauh juga menikmati skala ekonomis: Dengan sumber daya yang berlimpah untuk dikerahkan, penghematan yang signifikan dapat diperoleh daripada mempekerjakan, melatih, dan mengelola teknisi Anda sendiri. (Seorang teknisi yang dibebani sepenuhnya dapat dengan mudah menghabiskan biaya enam digit atau lebih setiap tahunnya tergantung pada keahlian yang diperlukan).

Dengan pemadaman yang tidak direncanakan, pemulihan layanan adalah perhatian utama. Pemadaman yang tidak direncanakan tanpa kontrak tenaga ahli jarak jauh akan membutuhkan waktu lebih lama untuk diselesaikan. Sumber daya yang dikerahkan untuk memecahkan masalah dan menyelesaikan masalah di lokasi pertama-tama harus diverifikasi, diasuransikan, dan diikutsertakan sebelum digunakan. Penyedia layanan jarak jauh, dengan sumber daya dalam skala besar, akan telah memeriksa dan menugaskan sumber daya yang menghasilkan waktu respons yang lebih cepat.

Investasi Teknologi Strategis

Bergantung pada sifat layanan, pemadaman berkelanjutan untuk lingkungan yang besar dapat dengan mudah menghabiskan biaya jutaan dolar. Kontrak tangan jarak jauh sendiri atau beroperasi sebagai bagian dari rencana pemulihan bencana yang lebih luas yang mencakup PFA, dapat diperlakukan sebagai pos pengeluaran, atau bahkan berpotensi dikapitalisasi sebagai bagian dari langganan perangkat lunak atau layanan yang lebih besar.

Sedikit peningkatan dalam biaya operasional dapat melindungi Anda dari kerugian jutaan dolar yang terkait dengan pemadaman layanan yang berkepanjangan.

Pendekatan apa yang harus Anda gunakan untuk menjustifikasi investasi dalam dukungan tenaga kerja jarak jauh? Metrik keuangan perusahaan berbeda-beda dari satu perusahaan ke perusahaan lainnya, namun beberapa ilustrasi dapat diambil.

Studi Kasus

Anda sedang mengevaluasi kontrak tenaga kerja jarak jauh sebesar $250.000 untuk mencakup tiga lingkungan di pusat data di Amerika Utara selama satu tahun. Perkiraan biaya waktu henti Anda adalah $100.000 per jam secara keseluruhan (termasuk sumber daya yang terbengkalai atau menganggur, kehilangan pendapatan, dampak merek, dll.). Terakhir kali Anda mengalami pemadaman karena perangkat keras yang rusak, aplikasi Anda tidak berfungsi selama enam jam. Dampak bersihnya bagi perusahaan adalah $600.000.

Keuangan perusahaan tidak akan menyetujui pengeluaran TI kecuali jika investasi tersebut memenuhi tingkat rintangan (kadang-kadang dikenal sebagai tingkat pengembalian minimum yang dapat diterima atau MAAR) sebesar 10%.

Manfaat yang diantisipasi dari kontrak remote hands adalah mengurangi mean-time-to-recovery (MTTR) untuk pemadaman yang tidak direncanakan. Diperkirakan bahwa MTTR dapat dikurangi secara signifikan. Pengurangan MTTR sebesar 50% untuk pemadaman sebelumnya akan menghemat $300.000 dengan memulihkan layanan tiga jam lebih cepat.

Haruskah bagian keuangan perusahaan mengesahkan pembelian kontrak tenaga kerja jarak jauh ini sebagai polis asuransi untuk membantu mengurangi waktu henti yang tidak terencana di masa depan?

Kami akan menggunakan rumus sederhana untuk ROI:

ROI = (Laba Bersih / Biaya Investasi) * 100

Dalam kasus ini, keuntungan bersihnya adalah penghematan $300.000 dikurangi biaya kontrak $250.000, atau $50.000.

ROI = ($300.000 - $250.000) / $250.000 * 100

$50.000 dibagi $250.000 adalah 20%, atau dua kali lipat dari MARR yang disyaratkan oleh pihak keuangan.

(Perlu diingat, pengembalian ini hanya diukur dari satu kali pemadaman. Dengan beberapa kali pemadaman tak terencana dalam satu tahun, penghematannya akan jauh lebih tinggi).

Keuangan perusahaan harus menyetujui investasi dalam kontrak tangan jarak jauh.

Ringkasan

Kecerdasan buatan telah membuat langkah besar dalam bidang analisis kegagalan prediktif, dan efektivitas PFA hanya akan meningkat dalam beberapa bulan dan tahun mendatang.

Sementara itu, kebutuhan akan perlindungan investasi tetap ada. Investasi strategis dalam kontrak tenaga ahli jarak jauh dapat membantu mengurangi dampak finansial dari pemadaman yang tidak direncanakan, sekaligus membantu Anda memanfaatkan fleksibilitas jendela waktu henti yang terencana.

Catatan

[1] https://medium.com/@brijesh_soni/mengapa-hutan-acak-mengungguli-pohon-keputusan-sebuah-alat-yang-ampuh-untuk-analisis-data-kompleks-47f96d9062e7

[2] Yadav, D. K., Kaushik, A., & Yadav, N. (n.d.). Memprediksi kegagalan mesin menggunakan pembelajaran mesin dan algoritma pembelajaran mendalam. ScienceDirect. https://www.elsevier.com/locate/smse

[3] https://www.bakerhughes.com/bently-nevada/blog/unplanned-downtime-key-disruptor-industry

[4] https://medium.com/@jatin2707/prediksi-kegagalan-mesin-sebuah-panduan-komprehensif-524726c3b1fd

[5] https://www.atlassian.com/incident-management/kpis/cost-of-downtime

[6] Dari "Pemeliharaan Prediktif: Pendekatan Deloitte " https://www2.deloitte.com/content/dam/Deloitte/us/Documents/process-and-operations/us-predictive-maintenance.pdf

Topik: Tangan jarak jauh, pembelajaran mesin (ML), kecerdasan buatan (AI), pembelajaran mendalam (DL), produktivitas, pusat data, cloud, analisis kegagalan prediktif (PFA), jaringan saraf berulang (RNN), komputasi berkinerja tinggi (HPC), keuangan perusahaan, investasi strategis, regresi linier, Memori Jangka Pendek (LSTM), hutan acak, teori portofolio.