一、什么是AIOps

AIOps，是IT的AI增强版，利用AI优化IT运营。基于IT团队管理开发环境中的数据和信息训练AI，由此重构运营模式。AIOps可以为宕机和IT故障提供敏捷解决方案，从而缓解IT部门面临的问题，并降低解决问题的成本。



AIOps平台利用大数据，机器学习和数据分析功能，使用多种数据源和数据收集方法，通过AI信息流监控和自动化服务平台，为决策者提供可行性建议，主动增强IT运营，AIOps的应用优势也正在加速这种技术落地企业。



AIOps平台在运营过程中，从各种IT运营工具中收集数据，以便在提供历史分析的同时自动发现问题。通过大数据分析和机器学习，把孤立的工单、事件等IT数据汇总在一起。



AIOps平台可以自动在基础架构和应用程序域之间收集数据，从而在日志、性能警报、故障单，以及其他项目中查找数据。在这个过程中，AI可以自动识别基础设备、正在运行的应用程序和业务交易，并将其与上下游数据进行关联。



通过将应用程序流映射到基础架构、业务交易及引用程序中，确定网络层中诸如物理和虚拟连接之类的元素之间的关系，从而实现自动化运营。



AIOps基于映射的自动运营还有另一个优势，可以跟踪混合基础架构实体之间的关系。AIOps平台可以跨技术领域和环境创建服务和应用程序拓扑图，从而使IT团队可以加快事件响应速度，并量化程序中止对业务的影响。



AIOps采用监督学习、无监督学习以及基于预期行为和阈值的异常检测，来训练系统识别IT运营的各种状态，并预测服务中断等问题。



对于AIOps来说无监督学习尤其重要，它可以使AIOps平台学习识别预期行为并跨数据和性能指标设置阈值。该平台可以实时分析事件模式，并将其与预期行为进行比较，并通过一系列事件（或一组事件）模拟，向IT团队预报即将发生的系统异常。



AIOps平台的分析结果，可以转化为自动执行的一系列智能操作，从加快服务台请求，到端到端的供应网络，再到计算、云和应用程序的部署。总之，AIOps将来自IT运营管理和IT服务管理的数据汇集在一起，使安全团队能够比以往更有效地观察，参与和处理问题。

二、AIOps的主要担忧

数据准确性：与人类相比，当下的机器学习准确度尚有待提高。



技能差距：团队在学习如何使用新工具方面面临困难，尤其是随着机器学习的发展。



错误/控制失误：移交控制权和采用自治系统可能会引起问题和担忧。



漫长的实施周期：在整个企业中采用新的解决方案或工具，可能会花费很长时间，并且会中断工作流程。



消除工作：借助工作自动化，可以进行部门重组和失业。



并非每个AIOps部署都能按计划顺利进行。从数据质量到IT团队执行力，再到员工对新工具的接受度，以及控制权限由人向AI自动控制移交过程中的流程问题。



由于AIOps平台完全赖于机器学习，因此在实施过程中的数据科学问题，可能会直接影响AIOps的实施。直接访问高质量数据，由此训练机器学习对系统来说并不容易。



除了数据挑战之外，技能差距也给实施AIOps造成了困难。而另一方面，AI人才短缺也正在限制着AIOps在企业中的发展；此外，大量企业高管对AI不切实际额的期望，也是机器学习项目落地失败的主要原因之一。

三、AIOps的优势

AIOps的成功落地对很多企业来说并非易事，但实施过程中的挑战与落地后带来的效率提升相比还是能够值回票价的。



AIOps系统减少了警报洪流在IT团队中泛滥的次数，并随着时间的推移，更加精准地向团队发送真实的警报，从而减少冗余。AIOps可用于处理例行任务，例如：备份、服务器重启和低风险的维护活动。且可以在事件发生之前进行预测，例如网络带宽何时达到极限。