Warum SIGNL4
TensorFlow ist eine Open-Source-Softwarebibliothek für die hochleistungsfähige numerische Berechnung. Es kann von Desktops über Servercluster bis hin zu mobilen und Edge-Geräten wie Raspberry Pi eingesetzt werden. TensorFlow wurde ursprünglich von Google KI-Forschern entwickelt und bietet starke Unterstützung für maschinelles Lernen und Tiefenlernen sowie die flexible numerische Berechnung. Die Kopplung von TensorFlow mit SIGNL4 kann euren täglichen Betrieb durch eine Erweiterung eures mobilen Teams verbessern.
Mit TensorFlow sind verschiedene Anwendungsfälle möglich:
So funktioniert es
Ein kleiner Codeausschnitt genügt, um TensorFlow mit SIGNL4 zu integrieren.
Integration
Szenarien
Störmeldungen werden an SIGNL4 gesendet
Sichere Übermittelung, Kategorisierung und zielgenaues Routing
Mobile, persistente Alarmierung von Bereitschafts- und Diensthabenden per Push, SMS und Anruf mit Nachverfolgung und Eskalation
UND SO FUNKTIONIERT ES
TensorFlow kann in einer Vielzahl von Szenarien eingesetzt werden.
Die folgende Integration demonstriert das Sendens bestimmter Informationen an ein SIGNL4-Team über per HTTP Post.
SIGNL4 ist eine mobile App mit der Teams schneller und effektiver auf kritische Alarme, technische Störungen und dringende Service-Aufträge reagieren können. Holt euch die App unter https://www.signl4.com.
Voraussetzungen
Ein SIGNL4-Konto
Zugriff auf TensorFlow
Ihr könnt TensorFlow z.B. mit dem Pip Package Manager von Python installieren oder ein TensorFlow Docker Image herunterladen. Weitere Informationen findet ihr hier.
In unserem Beispiel verwenden wir TensorFlow on Colaboratory, ein Tool für maschinelles Lernen in Lehre und Forschung. Es ist kostenlos zu benutzen und erfordert keine Einrichtung.
In Colaboratory könnt ihr ein neues Python 3 Notebook hinzufügen (File -> New Python 3 Notebook).
Hier könnt ihr euren Python-Code zum Senden der Benachrichtigung an SIGNL4 einfügen.
Wir haben zwei Python-Beispiele vorbereitet, die ihr einfach hier von GitHub herunterladen könnt.
Einfacher SIGNL4 Webhook
Die Datei TensorFlow-SIGNL4-Inbound-Webhook.py enthält ein einfaches Skript, um Alarm-Daten im JSON-Format über Webhook (HTTP POST) an SIGNL4 zu senden.
Bitte beachtet, dass ihr die in der SIGNL4 URL durch euer eigenes SIGNL4 Team-Secret ersetzen müsst.
REST-API
Neben dem einfachen Inbound Webhook bietet SIGNL4 auch eine umfangreichere REST-API.
Die Datei TensorFlow-SIGNL4-REST-API.py nutzte diese REST-API, um einen Alarm mit einem Diagramm als base64-kodiertes Bild zu senden.
Bitte beachtet, dass ihr euren SIGNL4 API-Schlüssel benötigt, um die REST-API zu verwenden. Weitere Informationen darüber, wie ihr euren API-Schlüssel erhaltet, findet ihr in diesem Artikel.
Das ist es. Jetzt könnt ihr euren Code testen.
Jetzt könnt ihr es testen, indem ihr den Code in Colaboratory ausführt. Klickt einfach auf das kleine Run-Symbol oben links in eurem Code. Ihr solltet dann eine Benachrichtigung über eure SIGNL4-App erhalten.
ALARM-OPTIMIERUNG
SIGNL4 kann die Wahrnehmung, Reaktion und Bearbeitung von kritischen Alarmen entscheidend verbessern. Durch die Anpassung von Farbe, Symbol und Push-Ton wird die Zuordnung und Relevanz von Alarmen deutlich beschleunigt.
Alarmfarbe ändern, Titel + Text überschreiben
Dazu musst du entsprechend „Dienste und Systeme“-Kategorien erstellen, die auf bestimmte Schlüsselwörter ansprechen. Gehe dazu in der mobilen App in die Einstellungen und wähle „Dienste und Systeme“. Erstelle eine neue Kategorie oder bearbeite einfach eine bestehende.
Eine Kategorie wird immer angewendet, wenn einzelne Schlüsselwörter oder Kombinationen von Schlüsselwörtern im auslösenden Event gefunden werden.