Comparthing Logo
devopsσρεαναλυτικά στοιχείαυποδομή cloud

Αντιδραστική Παρακολούθηση έναντι Προγνωστικής Παρακολούθησης

Η επιλογή της σωστής στρατηγικής για την εύρυθμη λειτουργία του συστήματος συχνά εξαρτάται από το χρονοδιάγραμμα. Ενώ η αντιδραστική παρακολούθηση ειδοποιεί τις ομάδες αμέσως μετά την εμφάνιση ενός συμβάντος για την ελαχιστοποίηση του συνεχιζόμενου χρόνου διακοπής λειτουργίας, η προγνωστική παρακολούθηση χρησιμοποιεί ιστορικά μοτίβα δεδομένων και μηχανική μάθηση για να επισημάνει πιθανή εξάντληση πόρων ή βλάβες πριν αυτές επηρεάσουν τους χρήστες.

Κορυφαία σημεία

  • Οι αντιδραστικές ρυθμίσεις σάς λένε ακριβώς τι είναι χαλασμένο αυτή τη στιγμή χωρίς καμία στατιστική εικασία.
  • Τα εργαλεία πρόβλεψης υπολογίζουν πότε θα εξαντληθεί ένας πόρος, δίνοντας στις ομάδες μέρες για να σχεδιάσουν διορθώσεις.
  • Η αποκλειστική εξάρτηση από αντιδραστικές μετρήσεις εγγυάται ότι οι χρήστες σας θα αντιμετωπίσουν σφάλματα πριν από εσάς.
  • Τα προγνωστικά μοντέλα απαιτούν συνεχή ρύθμιση για να αποφευχθεί η σύγχυση από εποχιακές αιχμές κυκλοφορίας.

Τι είναι το Αντιδραστική Παρακολούθηση;

Μια προσέγγιση που βασίζεται σε περιστατικά και ενεργοποιεί ειδοποιήσεις αμέσως μετά την παραβίαση ενός ορίου συστήματος ή την εμφάνιση βλάβης.

  • Βασίζεται σε μεγάλο βαθμό σε σταθερά όρια, όπως ο έλεγχος εάν η χρήση της CPU υπερβαίνει το 95% ή εάν τα σφάλματα HTTP 500 αυξάνονται απότομα.
  • Αποτελεί τη θεμελιώδη βάση για την παραδοσιακή εργασία sysadmin και τις τυπικές εναλλαγές εφημερίας DevOps.
  • Καταγράφει συγκεκριμένα, αναμφισβήτητα δεδομένα τηλεμετρίας επειδή μετρά γεγονότα που έχουν ήδη συμβεί.
  • Απαιτεί σημαντικά λιγότερη υπολογιστική επιβάρυνση και φθηνότερο χώρο αποθήκευσης, καθώς δεν εκτελεί μοντέλα συνεχούς πρόβλεψης.
  • Λειτουργεί ως ένα κρίσιμο τελικό δίχτυ ασφαλείας που εντοπίζει απροσδόκητες, καταστροφικές περιπτώσεις ακραίων καταστάσεων που τα μοντέλα δεδομένων δεν μπορούν να προβλέψουν.

Τι είναι το Προγνωστική Παρακολούθηση;

Μια προηγμένη, βασισμένη σε δεδομένα στρατηγική που αναλύει ιστορικές τάσεις για την πρόβλεψη και την αποτροπή επικείμενων βλαβών του συστήματος.

  • Χρησιμοποιεί αλγόριθμους μηχανικής μάθησης όπως γραμμική παλινδρόμηση, ARIMA ή δίκτυα μακροχρόνιας βραχυπρόθεσμης μνήμης για την πρόβλεψη δεδομένων τηλεμετρίας.
  • Εντοπίζει ανεπαίσθητες, αργές ανωμαλίες, όπως αθόρυβες διαρροές μνήμης που ξεφεύγουν από τα άκαμπτα στατικά κατώφλια.
  • Απαιτεί εκτεταμένα ιστορικά σύνολα δεδομένων και ισχυρή αποθήκευση για την αποτελεσματική εκπαίδευση μοντέλων αναγνώρισης προτύπων.
  • Μετατοπίζει την εστίαση της μηχανικής από την πυρόσβεση έκτακτης ανάγκης υψηλής πίεσης στην προγραμματισμένη, προληπτική συντήρηση υποδομών.
  • Μπορεί περιστασιακά να παρουσιάσει ψευδείς συναγερμούς εάν ξαφνικές, καλοήθεις αλλαγές στα πρότυπα επισκεψιμότητας των χρηστών συγχέουν τα προγνωστικά μοντέλα.

Πίνακας Σύγκρισης

Λειτουργία Αντιδραστική Παρακολούθηση Προγνωστική Παρακολούθηση
Κύρια εστίαση Μετριασμός και αποκατάσταση συμβάντων Πρόληψη και πρόβλεψη βλαβών
Μηχανισμός ενεργοποίησης Παραβιάσεις ορίων σε πραγματικό χρόνο Στατιστικές ανωμαλίες και αποκλίσεις τάσεων
Απαιτήσεις δεδομένων Άμεσες μετρήσεις σε πραγματικό χρόνο Εκτεταμένες ιστορικές γραμμές βάσης τηλεμετρίας
Επιχειρησιακός Ρυθμός Αντιμετώπιση έκτακτης ανάγκης υψηλού στρες Προγραμματισμένες προληπτικές προσαρμογές
Πολυπλοκότητα συστήματος Χαμηλή έως μέτρια δυσκολία εγκατάστασης Υψηλή πολυπλοκότητα που περιλαμβάνει αγωγούς ML
Προφίλ κόστους Προσιτό σε προσιτή τιμή με χαμηλές απαιτήσεις σε υπολογιστές Υψηλότερο κόστος λόγω συνεχούς ανάλυσης δεδομένων
Βασικό όφελος Οριστική απόδειξη ενεργών ζητημάτων Πρώιμα προειδοποιητικά σημάδια πριν από την επίδραση στον χρήστη

Λεπτομερής Σύγκριση

Επιχειρησιακές Ροές Εργασίας και Δυναμική Ομάδας

Μια στρατηγική αντίδρασης αναγκάζει τους μηχανικούς να τηρούν αμυντική στάση, όπου η επιτυχία μετριέται από το πόσο γρήγορα ένας τεχνικός σε ετοιμότητα μπορεί να επιλύσει μια ενεργή διακοπή. Οι συναγερμοί ηχούν στη μέση της νύχτας, απαιτώντας άμεση διαλογή για την αποκατάσταση των διαταραγμένων υπηρεσιών. Η προγνωστική παρακολούθηση αλλάζει εντελώς αυτή τη δυναμική μετακινώντας τις εργασίες σε ώρες ημέρας, μετατρέποντας τα χαοτικά τμήματα επειγόντων περιστατικών σε οργανωμένα προγράμματα συντήρησης όπου οι ανωμαλίες διορθώνονται κατά τη διάρκεια τακτικών στάσεων.

Αξιοποίηση Πόρων και Αποδοτικότητα Κόστους

Η ρύθμιση βασικών αντιδραστικών ελέγχων κοστίζει πολύ λίγο από άποψη υπολογιστικής ισχύος ή αποθήκευσης, καθώς τα εργαλεία απλώς αξιολογούν τις μετρήσεις έναντι στατικών ορίων. Οι προγνωστικές αρχιτεκτονικές απαιτούν μεγαλύτερη οικονομική δέσμευση, επειδή η τροφοδοσία ιστορικών τηλεμετρικών δεδομένων σε μηχανές ανάλυσης επιβαρύνει τους προϋπολογισμούς υπολογισμού. Οι οργανισμοί πρέπει να εξισορροπήσουν το σταθερό κόστος εκτέλεσης έξυπνων αναλυτικών στοιχείων με την ξαφνική, τεράστια οικονομική ζημία από τον μη μετριασμένο χρόνο διακοπής λειτουργίας των εφαρμογών.

Αντιμετώπιση ανωμαλιών και νέων αποτυχιών

Οι αντιδραστικές ειδοποιήσεις υπερέχουν στον εντοπισμό καθαρών, δυαδικών βλαβών, όπως ένα πλήρως κατεστραμμένο κοντέινερ βάσης δεδομένων ή μια διακοπτόμενη σύνδεση δικτύου. Ωστόσο, παραβλέπουν την αργή, συστημική φθορά μέχρι να είναι πολύ αργά. Οι πλατφόρμες πρόβλεψης διαπρέπουν κατά την παρακολούθηση πολύπλοκης απόκλισης πολλαπλών μεταβλητών, αν και περιστασιακά μπορούν να ερμηνεύσουν εσφαλμένα μια υγιή, άνευ προηγουμένου αύξηση της επιχειρηματικής κίνησης ως συστημική αποτυχία, οδηγώντας σε μοναδικές προκλήσεις διαμόρφωσης.

Υλοποίηση και Τεχνικό Χρέος

Οι μηχανικοί μπορούν να αναπτύξουν τυπικούς αντιδραστικούς ελέγχους σε ένα τεράστιο σύμπλεγμα σε ένα μόνο απόγευμα χρησιμοποιώντας πρότυπα ανοιχτού κώδικα. Από την άλλη πλευρά, η ανάπτυξη ενός πλαισίου πρόβλεψης απαιτεί μια διαδικασία μηχανικής δεδομένων για τον καθαρισμό της τηλεμετρίας, την εκπαίδευση μοντέλων και την εξάλειψη της αλγοριθμικής μεροληψίας. Εάν αφεθούν εκτός ελέγχου, τα συστήματα πρόβλεψης μπορούν να συσσωρεύσουν γρήγορα τεχνικό χρέος καθώς οι αρχιτεκτονικές εφαρμογών εξελίσσονται μακριά από τα δεδομένα εκπαίδευσής τους.

Πλεονεκτήματα & Μειονεκτήματα

Αντιδραστική Παρακολούθηση

Πλεονεκτήματα

Συνέχεια

Προγνωστική Παρακολούθηση

Πλεονεκτήματα

Συνέχεια

Συνηθισμένες Παρανοήσεις

Μύθος

Η υιοθέτηση της προγνωστικής παρακολούθησης σημαίνει ότι μπορείτε να καταργήσετε εντελώς τις αντιδραστικές ειδοποιήσεις σας.

Πραγματικότητα

Κανένα μοντέλο δεδομένων δεν μπορεί να προβλέψει μια εκσκαφέα που κόβει ένα καλώδιο οπτικών ινών ή μια ξαφνική διακοπή λειτουργίας του παρόχου cloud. Τα προγνωστικά αναλυτικά στοιχεία βελτιστοποιούν τη συντήρηση, αλλά πάντα χρειάζεστε βασικούς αντιδραστικούς ελέγχους για να εντοπίσετε ξαφνικές, απρόβλεπτες συστημικές διαταραχές.

Μύθος

Τα εργαλεία προγνωστικής υποδομής λειτουργούν άψογα αμέσως μόλις τα βγάλετε από τη συσκευασία.

Πραγματικότητα

Κάθε οικοσύστημα λογισμικού έχει εντελώς μοναδικούς ρυθμούς κυκλοφορίας, σχήματα ερωτημάτων βάσης δεδομένων και συμπεριφορές χρηστών. Μια μηχανή πρόβλεψης απαιτεί εβδομάδες ή μήνες εκμάθησης περιβάλλοντος στα συγκεκριμένα δεδομένα παραγωγής σας προτού οι προβλέψεις της γίνουν αξιόπιστες.

Μύθος

Η αντιδραστική παρακολούθηση είναι μια ξεπερασμένη πρακτική που οι σύγχρονες εταιρείες τεχνολογίας θα πρέπει να εγκαταλείψουν.

Πραγματικότητα

Οι πιο εξελιγμένοι τεχνολογικοί γίγαντες εξακολουθούν να βασίζονται σε αντιδραστικές ειδοποιήσεις για τους βασικούς στόχους τους σε επίπεδο υπηρεσιών. Παραμένει ο πιο αξιόπιστος τρόπος για να αποδειχθεί εάν μια εφαρμογή εξυπηρετεί με επιτυχία αιτήματα σε οποιαδήποτε δεδομένη στιγμή.

Μύθος

Η προγνωστική παρακολούθηση απαιτεί μια αφοσιωμένη ομάδα ακριβών επιστημόνων δεδομένων για τη συντήρησή της.

Πραγματικότητα

Ενώ τα προσαρμοσμένα μοντέλα απαιτούν βαθιά μαθηματικά, οι σύγχρονες σουίτες παρατηρησιμότητας ενσωματώνουν προ-εκπαιδευμένους αλγόριθμους πρόβλεψης απευθείας στις πλατφόρμες τους. Οι γενικοί μηχανικοί DevOps μπορούν εύκολα να διαχειριστούν αυτά τα συστήματα χρησιμοποιώντας βασικές σημαίες διαμόρφωσης.

Συχνές Ερωτήσεις

Ποια είναι η βασική τεχνική διαφορά μεταξύ της αντιδραστικής και της προγνωστικής παρακολούθησης;
Η κύρια διαφορά επικεντρώνεται στην έννοια του χρόνου και της επεξεργασίας δεδομένων. Η αντιδραστική παρακολούθηση παρατηρεί τα τρέχοντα σημεία δεδομένων και επισημαίνει παραβιάσεις έναντι σταθερών ορίων, λειτουργώντας σαν ανιχνευτής καπνού που χτυπάει μόνο όταν υπάρχει πυρκαγιά. Η προγνωστική παρακολούθηση χρησιμοποιεί μαθηματικά μοντέλα πρόβλεψης για την ανάλυση ιστορικών τάσεων, προειδοποιώντας σας ημέρες νωρίτερα ότι η τρέχουσα τροχιά αποθήκευσης θα οδηγήσει σε βλάβη του δίσκου την επόμενη Τρίτη.
Πόσο χρόνο χρειάζεται να μάθει ένα σύστημα πρόβλεψης πριν γίνει ακριβές;
Τα περισσότερα εμπορικά εργαλεία παρατηρησιμότητας απαιτούν τουλάχιστον δύο έως τέσσερις εβδομάδες καθαρών, συνεχών μετρήσεων απόδοσης για να δημιουργήσουν μια αξιόπιστη βάση δεδομένων. Αυτή η περίοδος επιτρέπει στους αλγόριθμους μηχανικής μάθησης να χαρτογραφούν φυσιολογικά κυκλικά μοτίβα, όπως νυχτερινά αντίγραφα ασφαλείας βάσεων δεδομένων ή μειώσεις επισκεψιμότητας τα Σαββατοκύριακα. Χωρίς αυτήν την ιστορική προοπτική, το λογισμικό δεν μπορεί να διακρίνει μεταξύ μιας επικίνδυνης ανωμαλίας και μιας ρουτίνας εβδομαδιαίας ρουτίνας.
Μπορούν τα συστήματα αντιδραστικής παρακολούθησης να βοηθήσουν στον σχεδιασμό χωρητικότητας;
Μόνο σε περιορισμένη, αναδρομική χωρητικότητα. Μια αντιδραστική ρύθμιση μπορεί να σας πει ότι ο διακομιστής σας έφτασε χθες στο 100% της χρήσης μνήμης, κάτι που μπορεί να σας ωθήσει να αγοράσετε μεγαλύτερα στιγμιότυπα cloud από πανικό. Δεν διαθέτει τις δυνατότητες προβολής γραμμής τάσης που απαιτούνται για να σας πει ακριβώς για πόσους μήνες η τρέχουσα υποδομή σας μπορεί να διατηρήσει ρυθμό αύξησης χρηστών 15% σε μηνιαία βάση.
Ποια προσέγγιση είναι καλύτερη για την ελαχιστοποίηση της κόπωσης από την εγρήγορση μεταξύ των μηχανικών;
Ένα καλά ρυθμισμένο σύστημα πρόβλεψης είναι γενικά ανώτερο για τη μείωση της κόπωσης από τις ειδοποιήσεις, επειδή αποτρέπει εξαρχής την εμφάνιση έκτακτων περιστατικών. Αντί να ξυπνούν τους μηχανικούς στις 3:00 π.μ. με χαοτικές ειδοποιήσεις, οι πλατφόρμες πρόβλεψης δημιουργούν μη επείγοντα δελτία συντήρησης κατά τις εργάσιμες ώρες. Ωστόσο, εάν ένα σύστημα πρόβλεψης δεν είναι σωστά ρυθμισμένο, μπορεί να δημιουργήσει ένα διαφορετικό είδος κόπωσης, στέλνοντας ανεπιθύμητα μηνύματα στις ομάδες με αόριστες προειδοποιήσεις σχετικά με στατιστική απόκλιση.
Ποιοι συγκεκριμένοι αλγόριθμοι καθοδηγούν το λογισμικό προγνωστικής παρακολούθησης;
Αυτά τα συστήματα βασίζονται σε ένα μείγμα μοντέλων πρόβλεψης χρονοσειρών και παλινδρόμησης. Οι συνήθεις εφαρμογές χρησιμοποιούν γραμμική παλινδρόμηση για απλή ανάπτυξη πόρων, παράλληλα με την ARIMA και την εκθετική εξομάλυνση Holt-Winters για να λάβουν υπόψη τις εποχιακές διακυμάνσεις. Για εξαιρετικά πολύπλοκα περιβάλλοντα cloud, μοντέλα βαθιάς μάθησης, όπως τα δίκτυα Long Short-Term Memory, αναλύουν συσχετίσεις σε χιλιάδες ανόμοιες μετρήσεις υποδομής ταυτόχρονα.
Αξίζει το κόστος της προγνωστικής παρακολούθησης για μικρές νεοσύστατες επιχειρήσεις;
Συνήθως, δεν είναι πρακτικό για εταιρείες σε πρώιμο στάδιο. Οι νεοσύστατες επιχειρήσεις έχουν συνήθως εξαιρετικά ασταθή επισκεψιμότητα, ταχέως μεταβαλλόμενες βάσεις κώδικα και περιορισμένα ιστορικά δεδομένα, τα οποία καθιστούν τα προγνωστικά μοντέλα εξαιρετικά ανακριβή. Για μια ομάδα με περιορισμένη εμπειρία, η ρύθμιση ισχυρών αντιδραστικών ειδοποιήσεων σε συνδυασμό με αυτοματοποιημένους κανόνες κλιμάκωσης παρέχει πολύ καλύτερη προστασία για ένα κλάσμα της οικονομικής και μηχανικής επένδυσης.
Πώς αντιμετωπίζουν αυτές οι δύο μεθοδολογίες σιωπηλές αποτυχίες όπως οι διαρροές μνήμης;
Αυτό το σενάριο υπογραμμίζει την πραγματική ισχύ των εργαλείων πρόβλεψης. Μια αντιδραστική οθόνη θα παραμείνει εντελώς αθόρυβη για εβδομάδες, ενώ μια διαρροή μνήμης αυξάνεται αργά, ενεργοποιώντας έναν συναγερμό μόνο όταν ο διακομιστής εξαντλήσει εντελώς τη μνήμη RAM και η εφαρμογή παρουσιάσει σφάλματα. Μια οθόνη πρόβλεψης παρακολουθεί την ανοδική διαγώνια γωνία της κατανάλωσης μνήμης με την πάροδο του χρόνου, συνειδητοποιώντας νωρίς ότι ο πόρος εξαντλείται μη βιώσιμα και ειδοποιώντας την ομάδα εβδομάδες πριν συμβεί ένα σφάλμα.
Πρέπει μια εταιρεία να εφαρμόσει και τις δύο στρατηγικές ταυτόχρονα;
Απολύτως, αυτή η υβριδική προσέγγιση αντιπροσωπεύει το χρυσό πρότυπο του κλάδου για τη σύγχρονη Μηχανική Αξιοπιστίας Ιστοσελίδων. Χρησιμοποιείτε προγνωστική παρακολούθηση για να εντοπίζετε τάσεις που κινούνται αργά, να βελτιστοποιείτε τις δαπάνες στο cloud και να προγραμματίζετε εργασίες ρουτίνας συντήρησης κατά τη διάρκεια της εργάσιμης εβδομάδας. Ταυτόχρονα, διατηρείτε ενεργές απλές αντιδραστικές οθόνες που χρησιμεύουν ως η απόλυτη εφεδρική σας άμυνα έναντι ξαφνικών σφαλμάτων λογισμικού, ευπάθειες ασφαλείας ή πτώσεις της υποδομής δικτύου.

Απόφαση

Επιλέξτε την αντιδραστική παρακολούθηση εάν διαχειρίζεστε απλή υποδομή με περιορισμένους προϋπολογισμούς όπου ο βασικός χρόνος λειτουργίας ικανοποιεί τους επιχειρηματικούς στόχους. Για εταιρικές εφαρμογές υψηλής διαθεσιμότητας όπου ένα μόνο λεπτό διακοπής λειτουργίας κοστίζει χιλιάδες δολάρια, η επένδυση σε προγνωστική ανάλυση αποδίδει, καθώς σταματά τα συμβάντα πριν φτάσουν στην παραγωγή.

Σχετικές Συγκρίσεις

Ακατάστατα δεδομένα πραγματικού κόσμου έναντι υποθέσεων ιδανικών συνόλων δεδομένων

Αυτή η ανάλυση αναλύσεων αντιπαραβάλλει τις χαοτικές, απεριποίητες πληροφορίες που παράγονται από τα σύγχρονα περιβάλλοντα παραγωγής με τα τέλεια δομημένα, εξυγιανμένα μοντέλα δεδομένων που χρησιμοποιούνται στη θεωρητική εκπαίδευση. Διερευνά πώς τα απροσδόκητα κενά και οι ανωμαλίες του συστήματος αναγκάζουν τους μηχανικούς δεδομένων να δημιουργούν ισχυρούς αγωγούς αντί να βασίζονται σε στατιστικές υποθέσεις εγχειριδίων.

Άμεση δοκιμή έναντι δοκιμής A/B

Ενώ και οι δύο μεθοδολογίες χρησιμεύουν στη βελτιστοποίηση της ψηφιακής απόδοσης, λειτουργούν σε θεμελιωδώς διαφορετικά επίπεδα τεχνολογίας. Οι άμεσες δοκιμές επικεντρώνονται στη βελτίωση των γλωσσικών εισροών που καθοδηγούν τα μοντέλα γενετικής τεχνητής νοημοσύνης, ενώ οι δοκιμές A/B παρέχουν ένα αυστηρό στατιστικό πλαίσιο για τη σύγκριση δύο ξεχωριστών εκδόσεων μιας ιστοσελίδας ή μιας λειτουργίας εφαρμογής, για να διαπιστωθεί ποια έχει καλύτερη απήχηση σε πραγματικούς ανθρώπινους χρήστες.

Ανάλυση νεοσύστατων επιχειρήσεων βάσει δεδομένων έναντι ανάλυσης νεοσύστατων επιχειρήσεων βάσει αφήγησης

Η ανάλυση νεοσύστατων επιχειρήσεων βάσει δεδομένων βασίζεται σε μετρήσιμα μετρήσιμα στοιχεία όπως η ανάπτυξη, τα έσοδα και η διατήρηση για την αξιολόγηση των νεοσύστατων επιχειρήσεων, ενώ η ανάλυση που βασίζεται στην αφήγηση εστιάζει στην αφήγηση, το όραμα και τα ποιοτικά σήματα. Και οι δύο προσεγγίσεις χρησιμοποιούνται ευρέως από επενδυτές και ιδρυτές για την αξιολόγηση των δυνατοτήτων, αλλά διαφέρουν ως προς τον τρόπο με τον οποίο ερμηνεύονται τα στοιχεία και τον τρόπο με τον οποίο δικαιολογούνται οι αποφάσεις.

Ανάλυση σε πραγματικό χρόνο έναντι αναστοχασμού μετά το ταξίδι

Αυτή η σύγκριση περιγράφει λεπτομερώς τις λειτουργικές διαφορές μεταξύ της ανάλυσης logistics σε πραγματικό χρόνο, η οποία επεξεργάζεται δεδομένα αισθητήρων σε πραγματικό χρόνο για τη βελτιστοποίηση των οχημάτων κατά τη διάρκεια της διαδρομής, και της ανασκόπησης μετά το ταξίδι, η οποία αξιολογεί ιστορικά μετρικά ταξιδιού στη συνέχεια για να αποκαλύψει συστημικές ανεπάρκειες του στόλου και μακροπρόθεσμες ευκαιρίες εξοικονόμησης κόστους.

Ανάλυση Συμπεριφοράς Χρήστη έναντι Διαίσθησης Σχεδιαστή

Η επιλογή μεταξύ της ανάλυσης συμπεριφοράς χρήστη που βασίζεται σε δεδομένα και της εμπειρικής διαίσθησης του σχεδιαστή αντιπροσωπεύει μια θεμελιώδη ισορροπία στη σύγχρονη ανάπτυξη ψηφιακών προϊόντων. Ενώ η ανάλυση παρέχει εμπειρική, ποσοτική απόδειξη για το πώς οι χρήστες αλληλεπιδρούν με μια ζωντανή διεπαφή, η διαίσθηση αξιοποιεί την επαγγελματική εμπειρογνωμοσύνη και την ψυχολογία για να καινοτομήσει και να λύσει αφηρημένα προβλήματα χρηστών πριν καν υπάρξουν δεδομένα.