Predictive Infrastructure — זיהוי תקלה לפני שהיא מתרחשת

מאת צוות מדיה דיל · 09.08.2026 · Technology · 8 דק׳

במקום להגיב אחרי שהתקלה כבר קרתה, מערכת שמזהה מגמות מדרדרות ומתריעה לפני שהן הופכות לקריסה מלאה. איך בונים תחזית אמינה על תשתית, ומתי בכלל לסמוך עליה.

דיסק שמתמלא בהדרגה. שירות שזמן התגובה שלו עולה באיטיות לאורך שבועות, כל כך לאט שאף אדם לא שם לב מיום ליום. חיבורי מסד נתונים שהולכים ומתקרבים למגבלה המקסימלית בקצב שנראה קבוע - עד שיום אחד, בלי אזהרה, המערכת קורסת. הרוב המכריע של תקלות "פתאומיות" בפרודקשן הן בעצם לא פתאומיות בכלל - הן תוצאה של מגמה מדרדרת שהתקדמה בשקט ימים או שבועות לפני שהיא חצתה את הסף שהפך אותה לתקלה גלויה. Predictive Infrastructure עוסק בדיוק בפער הזה - זיהוי המגמה בשלב שבו עוד אפשר לפעול, במקום להמתין לרגע שבו היא כבר הפכה לקריסה.

ההבדל בין ניטור ריאקטיבי לניטור פרואקטיבי

ניטור מסורתי הוא ריאקטיבי מטבעו - הוא מגיב לחציית סף. שימוש בדיסק עולה מעל 90%, שלח התראה. הגישה הזו שימושית, אבל היא מגיעה מאוחר מדי במקרים רבים: כשהתראה על 90% תפוסה מגיעה, כבר יש חלון זמן קצר מאוד לפעול לפני שהדיסק מתמלא לגמרי. ניטור פרואקטיבי מסתכל לא רק על הערך הנוכחי, אלא על קצב השינוי - אם הדיסק גדל בקצב קבוע של 2% ביום, אפשר לחשב במדויק מתי הוא יגיע ל-100%, ולהתריע הרבה לפני, כשעדיין יש זמן להגיב בשקט.

ההבדל הזה - בין "מה המצב עכשיו" לבין "לאן זה הולך" - הוא הליבה של הגישה הפרואקטיבית. הוא דורש לא רק שמירת ערכים נוכחיים אלא ניתוח מגמה על פני חלון זמן, וזיהוי דפוסי צמיחה (ליניארית, מעריכית, מדורגת) שמאפשרים תחזית אמינה. חשוב להבין שהתחזית הזו לא מדע מדויק - היא הערכה סטטיסטית עם רמת ביטחון, לא קביעה ודאית, וצריך להתייחס אליה בהתאם.

המעבר הזה מהותי גם מבחינה תרבותית בצוות. צוות שרגיל להגיב לתקלות צריך ללמוד "לסמוך" על התראה שאומרת "בעוד שבועיים תהיה בעיה" ולא רק על התראה שאומרת "יש בעיה עכשיו". זה דורש שינוי בתהליכי העבודה - הקצאת זמן לטיפול במגמות מדרדרות באופן שוטף, לא רק תגובה למשברים.

אילו מדדים מתאימים לחיזוי ואילו לא

לא כל מדד מתאים באותה מידה לחיזוי. מדדים שנוטים להתקדם בהדרגה - תפוסת דיסק, גודל מסד נתונים, מספר חיבורים פעילים, זמן תגובה ממוצע - מתאימים מאוד לניתוח מגמה, כי הם משתנים לאט יחסית ובאופן שניתן לעקוב אחריו. מדדים שקופצים בפתאומיות - כמו שיעור שגיאות עקב תקלה חיצונית פתאומית - הרבה פחות מתאימים לחיזוי, כי אין "מגמה מדורגת" שקדמה להם; הם ממש קורים בבת אחת.

ההבחנה הזו חשובה כי היא קובעת איפה כדאי להשקיע מאמץ בבניית מודלים חזויים, ואיפה עדיף להסתמך על זיהוי אנומליות בזמן אמת (שמטפל בקפיצות פתאומיות) במקום על תחזית. שילוב נכון של שני הכלים - חיזוי מגמות איטיות וזיהוי אנומליות לקפיצות פתאומיות - נותן כיסוי טוב יותר מהסתמכות על כלי אחד בלבד, ומתחבר לגישה הרחבה שמתוארת במדריך AIOps.

קטגוריה נוספת ומעניינת היא מדדים מחזוריים - כאלה שמשתנים בדפוס קבוע יחסית (עומס גבוה בשעות מסוימות, ימים מסוימים) אבל שהמגמה הכללית שלהם לאורך זמן ארוך יותר עולה. חיזוי טוב צריך להפריד בין השונות המחזורית הצפויה (שהיא נורמלית) לבין המגמה הבסיסית שמעליה (שהיא מה שמעניין באמת לחיזוי ארוך טווח), אחרת קל לטעות ולפרש שיא מחזורי רגיל כתחילתה של מגמת קריסה.

בניית מודל תחזית: מה נדרש בפועל

מודל תחזית פשוט יכול להתבסס על רגרסיה ליניארית פשוטה - אם המדד גדל בקצב קבוע, קל לחשב מתי הוא יגיע לסף קריטי. אבל רוב המדדים בעולם האמיתי לא ליניאריים לגמרי - הם עשויים להאיץ (למשל דליפת זיכרון שמחמירה ככל שהמערכת רצה יותר זמן) או להאט (למשל תפוסת דיסק שמתמלאת מהר בהתחלה ואז מתייצבת). מודלים מתקדמים יותר לוקחים בחשבון את הצורה הלא-ליניארית הזו, ומעדכנים את התחזית באופן שוטף ככל שמצטברים נתונים חדשים.

נקודה קריטית היא רמת ביטחון - תחזית טובה לא נותנת רק "בעוד שבועיים תהיה בעיה" אלא "בהינתן המגמה הנוכחית, בסבירות גבוהה תהיה בעיה בין שבועיים לשלושה שבועות, ובסבירות נמוכה יותר אפילו מוקדם יותר". הצגת טווח ולא נקודה בודדת מונעת תחושת ביטחון מוגזמת בתחזית שהיא, בסופו של דבר, הערכה סטטיסטית ולא עובדה ודאית. הנושא הזה - כימות אי-ודאות בתחזית - קרוב מבחינה עקרונית לעקרונות שמפורטים במדריך LLM Evals, שבו הערכת ביטחון של מודל היא חלק בלתי נפרד מהשימוש בו באחריות.

מתחזית להחלטה: מה עושים עם המידע

תחזית בפני עצמה חסרת ערך אם היא לא מתורגמת לפעולה. מערכת Predictive Infrastructure בשלה לא מסתפקת בהתרעה - היא מציעה גם צעד הבא: "בהתבסס על קצב הגידול, מומלץ להגדיל את מכסת האחסון תוך שבועיים" או "כדאי לבדוק את הקוד שמייצר את חיבורי מסד הנתונים שלא נסגרים, כי הם הגורם המרכזי לעלייה במספר החיבורים הפעילים". המלצה קונקרטית, לא רק אזהרה כללית, היא מה שהופך תחזית לשימושית בפועל.

בחלק מהתרחישים, במיוחד כאלה עם פתרון ידוע וברור (למשל הגדלת קיבולת אחסון), ניתן אפילו לבצע את הפעולה המונעת אוטומטית - לא רק להתריע, אלא לפעול על בסיס התחזית לפני שהבעיה מתרחשת בכלל. זו הרחבה טבעית של העקרונות שמפורטים במדריך Self-Healing Infrastructure, רק שכאן הפעולה מתבצעת על סמך תחזית לעתיד ולא על תקלה שכבר קיימת בהווה.

חיזוי ברמת שירות בודד מול חיזוי ברמת המערכת כולה

רוב הדיון עד כה התמקד בחיזוי מדד בודד - תפוסת דיסק, זמן תגובה. אבל ערך משמעותי נוסף נובע מחיזוי ברמת המערכת כולה - שילוב של כמה מגמות מדרדרות שכל אחת לבד לא קריטית, אבל יחד מצביעות על סיכון מצטבר. למשל, מגמת גידול מתונה בעומס משתמשים, בשילוב עם מגמת האטה הדרגתית בזמן תגובה של שירות תלוי, יכולות יחד להצביע על כך שהמערכת מתקרבת לנקודת שבירה גם אם אף מדד בודד לא חוצה סף קריטי בפני עצמו.

ניתוח ברמה הזו דורש לא רק מודל חיזוי לכל מדד בנפרד, אלא הבנה של איך המדדים משפיעים זה על זה - בדיוק כמו גרף התלויות שמשמש בניתוח שורש בעיה, רק שכאן הוא משמש לכיוון ההפוך: לא "מה גרם לתקלה שכבר קרתה" אלא "אילו מגמות מצטברות עלולות ליצור תקלה בעתיד". שילוב כזה בין כמה מגמות חלשות לתמונה כוללת מדאיגה יותר הוא אחד היישומים המתקדמים ביותר של Predictive Infrastructure, ודורש בשלות ארגונית גבוהה יחסית לפני שכדאי להשקיע בו.

הסיכון בחיזוי שגוי: מתי לא לסמוך על המודל

תחזית שגויה יכולה להזיק בשני כיוונים. חיזוי כוזב (המודל מתריע על בעיה שלא תגיע) גורם לבזבוז משאבים על פעולה מונעת מיותרת, ובמידה שזה קורה שוב ושוב - לאובדן אמון בתחזיות עתידיות. חיזוי שמפספס (המודל לא מזהה מגמה מדרדרת אמיתית) מחזיר את הצוות למצב ריאקטיבי הרגיל, כאילו התחזית מעולם לא הייתה שם. שני הכיוונים דורשים מעקב מתמיד אחרי דיוק המודל בפועל, לא רק הטמעה חד-פעמית וסמיכה עליו לצמיתות.

עיקרון מנחה חשוב הוא לא לתת לתחזיות ארוכות טווח (חודשים קדימה) את אותה רמת אמון כמו תחזיות קצרות טווח (שבועות קדימה). ככל שאופק החיזוי מתרחק, אי-הוודאות גדלה, וחייבת להיות הבחנה ברורה ברמת הביטחון שמוצגת למשתמש בין "בטוח שיקרה השבוע" לבין "צפוי לקרות מתישהו ברבעון הקרוב אם המגמה הנוכחית נמשכת".

טעויות נפוצות

• הצגת תחזית כעובדה ודאית - במקום הערכה עם רמת ביטחון וטווח, מה שמוביל לאובדן אמון כשהתחזית לא מתממשת בדיוק כמו שנאמר.
• התעלמות מהבדל בין מגמה בסיסית לשונות מחזורית - טעות שמובילה להתרעות שווא כשמדד נמצא בשיא מחזורי רגיל, לא בתחילתה של קריסה אמיתית.
• ניסיון לחזות כל מדד, כולל כאלה שמטבעם פתאומיים - זיהוי אנומליה בזמן אמת מתאים להם הרבה יותר מחיזוי מגמה.
• חוסר בהמלצת פעולה קונקרטית - תחזית בלי צעד הבא ברור נשארת מידע מעניין שאף אחד לא פועל לפיו.
• אי-מדידת דיוק המודל לאורך זמן - בלי מעקב אחרי כמה מהתחזיות התממשו בפועל, אי אפשר לדעת מתי לסמוך על המודל ומתי לא.

דוגמה מהשטח: תחזית שמנעה שדרוג חירום

צוות שמתחזק מערכת ניתוח נתונים זיהה, בעזרת מודל תחזית שרץ על מדדי קיבולת מסד הנתונים, שגודל הטבלה המרכזית גדל בקצב שיוביל לחריגה ממגבלת האחסון המוקצה תוך כחודש וחצי. ההתרעה הגיעה בזמן שאיפשר תכנון מסודר - הצוות בדק את הנתונים ההיסטוריים בטבלה, זיהה שחלק ניכר מהם ישן ולא נדרש יותר לגישה מהירה, ובנה תהליך ארכוב הדרגתי לנתונים ישנים, שהאט משמעותית את קצב הצמיחה ודחה את הצורך בשדרוג יקר בכמה חודשים טובים.

הערך המרכזי כאן לא היה רק "לדעת מראש" - הוא היה בכך שהיה מספיק זמן לבחור פתרון טוב (ארכוב חכם) על פני פתרון מהיר ויקר (שדרוג חירום דחוף). אילו ההתרעה הייתה מגיעה רק כשהמערכת כבר הייתה קרובה לחריגה בפועל, לצוות היה זמן מוגבל בהרבה ובלחץ, וסביר שהם היו פשוט משדרגים קיבולת מבלי לבחון פתרונות יעילים יותר - פתרון יקר יותר לטווח הארוך.

שאלות נפוצות

כמה נתונים היסטוריים דרושים כדי לבנות תחזית אמינה?

זה תלוי במחזוריות של המדד - מדד עם מחזוריות שבועית דורש לפחות כמה שבועות של היסטוריה כדי להפריד בין מגמה בסיסית לשונות מחזורית; ככל שיש יותר היסטוריה, כך התחזית מדויקת יותר.

האם צריך מומחיות בלמידת מכונה כדי ליישם Predictive Infrastructure?

לא בהכרח בהתחלה - מודלים פשוטים של רגרסיה ליניארית על מדדים בסיסיים כבר נותנים ערך משמעותי, ואפשר להתקדם למודלים מורכבים יותר בהדרגה ככל שהצורך גדל.

מה קורה כשהתחזית לא מתממשת?

זה צריך להיות חלק שגרתי מהתהליך - תחזית היא הערכה, לא הבטחה. מעקב אחרי מקרים שבהם התחזית לא התממשה עוזר לכייל את המודל ולהבין אילו גורמים לא נלקחו בחשבון.

האם ניתן ליישם את זה גם על מדדים עסקיים ולא רק טכניים?

כן, העקרונות דומים - מגמת גידול בעומס משתמשים, למשל, יכולה להזין תחזית קיבולת בדיוק כמו מדד טכני, ולעיתים אף חשובה יותר לתכנון עסקי-תשתיתי משולב.

איך זה משתלב עם תקציב ה-Cloud הקיים?

תחזית מדויקת מאפשרת תכנון תקציבי טוב יותר - במקום שדרוגי חירום יקרים בלחץ זמן, אפשר לתכנן רכש קיבולת מראש ולעיתים לנצל מסלולי תמחור זולים יותר שדורשים התחייבות מוקדמת.

בניית תשתית חיזוי אמינה דורשת הבנה מעמיקה של דפוסי המדדים הספציפיים למערכת, לא רק הפעלת מודל גנרי. בצוות מדיה דיל אנחנו עוזרים לארגונים לבנות יכולות ניטור פרואקטיבי מותאמות לתשתית שלהם. אפשר לקרוא עוד בעמוד תשתיות Production או לפנות אלינו בוואטסאפ.

תגיות: Predictive Infrastructure · תחזית תקלות · ניהול קיבולת חכם · Predictive Maintenance · AIOps · ניטור פרואקטיבי

← חזרה לבלוג · צור קשר