[[196177]]

人工智能應(yīng)用的分類

很多情況下人工智能無法給出 100% 正確的回答(其實(shí)人類也是一樣的)，如何找到人工智能善于解決的問題就成了首要的任務(wù)。

人工智能應(yīng)用可以分成三類：

• 核心業(yè)務(wù)，失敗不可接受。 醫(yī)療，銀行，法律。
• 核心業(yè)務(wù)，失敗率可接受。 自動(dòng)駕駛，自然語言理解。
• 非核心業(yè)務(wù)，對(duì)失敗不敏感。 用于改善用戶體驗(yàn)。

從人工智能發(fā)展和應(yīng)用的過程來看，通過對(duì)感知的模擬，幫助人類做決策，直到完全 代替人類處理大量重復(fù)的數(shù)據(jù)方面的工作。

另一方面，由 巨大商業(yè)利益 推動(dòng)的人工智能將很快成為現(xiàn)實(shí)，自動(dòng)駕駛商業(yè)應(yīng)用會(huì)帶來客觀的商業(yè)價(jià)值比如：

人為交通事事故減少，保險(xiǎn)費(fèi)降低，無人參與駕駛，用車成本減少到五分之一;按需用車，汽車保有數(shù)量會(huì)減少到三分之一，導(dǎo)致車商業(yè)模式變革;車輛流量變化，大量節(jié)省道路和停車場(chǎng)的面積，導(dǎo)致城市規(guī)劃改變。

人工 + 智能才是最佳的組合方式

卡斯帕羅夫和李世石真的敗給了機(jī)器嗎?

(IBM 的深藍(lán)和谷歌的 AlphaGo)在人類選手的對(duì)面，是人工智能匯集了所有人類智慧和經(jīng)驗(yàn)的智能流算法，如果是這樣的話人類必?cái)o疑。

但反過來想如果人類也有一個(gè)人工智能輔助來比賽呢?那勝負(fù)就未嘗可知了。

卡斯帕羅夫在被深藍(lán)擊敗后，發(fā)起了自由式國際象棋比賽，可以使用人工 + 智能(半人馬選手)方式參與比賽，由人工智能給出建議，人類來決定是否采納建議。2014 自由式國際象棋對(duì)抗比賽人類贏得了 42 場(chǎng)半人馬選手贏得 53 場(chǎng)，當(dāng)前最優(yōu)秀的國際象棋團(tuán)隊(duì)都是半人馬選手由人類和人工智能組成。既然人工智能可以幫助人類成為最優(yōu)秀的象棋選手，那么可以推測(cè)人工智能也能幫助人類成為最優(yōu)秀的醫(yī)生、飛行員、法官 和教師甚至是運(yùn)維和開發(fā)人員。

人工智能的工作方式和解決的問題種類

上圖為典型的機(jī)器學(xué)習(xí)流程(圖來源于 Natalia Konstantinova 博士的博客)

機(jī)器學(xué)習(xí)可以解決以數(shù)據(jù)為基礎(chǔ)四類問題：典型的機(jī)器學(xué)習(xí)通過無監(jiān)督學(xué)習(xí)和監(jiān)督學(xué)習(xí)，抽取特征，再通過機(jī)器學(xué)習(xí)算法，實(shí)現(xiàn)基于通用特征分組，得出預(yù)測(cè)模型，通過預(yù)測(cè)模型為新數(shù)據(jù)數(shù)據(jù)打標(biāo)簽。邏輯推理預(yù)測(cè)、規(guī)劃師、溝通者、體驗(yàn)與情感。

由 Ajit 的一片博客中總結(jié)到人工智能善于解決的 12 中問題(http://www.opengardensblog.futuretext.com/archives/2017/01/twelve-types-of-artificial-intelligence-ai-problems.html)

1. 領(lǐng)域?qū)＜遥耗M現(xiàn)場(chǎng)專家給出建議
2. 領(lǐng)域擴(kuò)展：給出新見解新方法。
3. 復(fù)雜規(guī)劃師：比非 AI 算法易于優(yōu)化
4. 更好的溝通者：智能代理，自動(dòng)語言翻譯
5. 新感知能力：機(jī)器視覺產(chǎn)生了自主車輛
6. 企業(yè) AI：改進(jìn)業(yè)務(wù)流程
7. ERP AI: 通過認(rèn)知系統(tǒng)增強(qiáng) ERP
8. 跨界影響預(yù)測(cè)：比如自主車輛導(dǎo)致司機(jī)崗位需求降低;人為交通事事故減少，保險(xiǎn)費(fèi)降低;按需用車消費(fèi)導(dǎo)致車企商業(yè)模式變革，車輛流量變化，導(dǎo)致城市規(guī)劃改變。
9. 目前算法和硬件問題無法很好解決的問題：語音識(shí)別達(dá)到人的能力。
10. 更好的專家系統(tǒng)：通過資料無監(jiān)督學(xué)習(xí)獲取知識(shí)
11. 超長序列模式識(shí)別：時(shí)間序列預(yù)測(cè)模型
12. 情感分析：通過行為預(yù)測(cè)人類情感的變化

運(yùn)維發(fā)展的歷程與人工智能的作用

運(yùn)維行業(yè)經(jīng)歷了初始、專業(yè)化、工具化、平臺(tái)化、云化和智能化過程。從手動(dòng)運(yùn)維階段基本沒有數(shù)據(jù)，到規(guī)?；Y(jié)構(gòu)化數(shù)據(jù)和智能化非結(jié)構(gòu)化數(shù)據(jù)的趨勢(shì)。

人工智能發(fā)展初期充當(dāng)輔助人類的助手角色，以增加銷售額，提升用戶體驗(yàn)，優(yōu)化生產(chǎn)過程和節(jié)省成本為目標(biāo)。

手動(dòng)階運(yùn)維階段

運(yùn)維工作量小運(yùn)維人員主要工作就是看監(jiān)控屏幕，隨著對(duì)運(yùn)維要求提高，工作分工此階段產(chǎn)生，產(chǎn)生了穩(wěn)定，便捷，可靠，快速的工作原則。

人工智能可以做的是：基于人的經(jīng)驗(yàn)，對(duì)結(jié)構(gòu)化銷售數(shù)據(jù)進(jìn)行商業(yè)智能分析(BI)找出數(shù)據(jù)中的知識(shí)，從而提升銷售額。存在的問題主要是數(shù)據(jù)專家基于經(jīng)驗(yàn)發(fā)現(xiàn)業(yè)務(wù)數(shù)據(jù)中的知識(shí)，對(duì)業(yè)務(wù)了解程度成為 BI 有效性的最大瓶頸。即缺乏即懂業(yè)務(wù)規(guī)則又懂?dāng)?shù)據(jù)發(fā)掘的人才阻礙商業(yè)智能的發(fā)展。

規(guī)?；A段

隨著 DevOps 概念的推出，工具大量涌現(xiàn)來協(xié)助運(yùn)維工作運(yùn)維能力大幅提升，帶來問題是很少有一家公司可以生產(chǎn)覆蓋所有 DevOps 生命周期的工具，而學(xué)習(xí)多種不同廠商的工具完成任務(wù)帶來很高的技術(shù)門檻。隨著一些創(chuàng)業(yè)型公司崛起，運(yùn)維工作量爆發(fā)式增長，為了保證業(yè)務(wù)的連續(xù)性 SRE 也在此時(shí)期產(chǎn)生，主要目標(biāo)是使用軟件工程技術(shù)實(shí)現(xiàn)業(yè)務(wù)大幅增長而運(yùn)維工作了保持平穩(wěn)。

人工智能可以做的是：出現(xiàn)以結(jié)構(gòu)化數(shù)據(jù)為主工業(yè)級(jí)解決方案，使用算法為主解決商業(yè)通用問題，以提高人員利用率加快創(chuàng)造價(jià)值為典型問題。同時(shí)也存應(yīng)用了工業(yè)級(jí)智能解決方案有多大的效率提升很難估算和當(dāng)數(shù)據(jù)知識(shí)變化后很難進(jìn)行跟蹤優(yōu)化的問題。

生態(tài)化階段

隨著互聯(lián)網(wǎng)規(guī)模的發(fā)展，少數(shù)大公司承擔(dān)起基礎(chǔ)設(shè)施的工作，通過高度集中提升數(shù)倍的運(yùn)維效率(在亞馬遜購買 1 美元的基礎(chǔ)設(shè)施，可以帶來與傳統(tǒng)數(shù)據(jù)中心 7 美元投資相同的計(jì)算力)，這種變革讓云計(jì)算客戶專注于業(yè)務(wù)的發(fā)展將基礎(chǔ)設(shè)施運(yùn)維交給云計(jì)算平臺(tái)。市場(chǎng)規(guī)模繼續(xù)增長一個(gè)公司無法使用一套解決方案覆蓋所有細(xì)分市場(chǎng)的需求，生態(tài)化從而產(chǎn)生。因此大量的數(shù)據(jù)為人工智能實(shí)用化奠定基礎(chǔ)。

人工智能可以做的是：出現(xiàn)以非機(jī)構(gòu)化數(shù)據(jù)為主通用的技術(shù)框架，不同的公司負(fù)責(zé)一部分問題形成生態(tài)圈，協(xié)助業(yè)務(wù)人員完成工作，通過新感知能力半自動(dòng)或自動(dòng)化完成以前手工的工作。如何結(jié)合新的感知能力輔助人類在巨大數(shù)據(jù)量，變化的規(guī)律中做出決策成為新的問題。

用矛盾論的觀點(diǎn)分析 DevOps

DevOps 的本質(zhì)是在解決矛盾的對(duì)立與統(tǒng)一的問題

DevOps 存在矛盾的兩方面，我們做的事情無外乎一分為二，最終二合為一 矛盾論。

這是第一次西方的 DevOps 方法論與中國的矛盾論結(jié)合，其實(shí)所謂的方法論要不就被認(rèn)為是廢話(一般性原則)，要不就是不被人理解(太深?yuàn)W)。不妨我們往下看看，一分為二和二合為一是什么意思。

我們先拋開 DevOps 的定義，假設(shè)我們 DevOps 要做什么事情，他就像足球比賽開始時(shí)候裁判拋出的硬幣正面或反面朝上，來決定由哪一方先發(fā)球，先發(fā)球就意味著具有很大優(yōu)勢(shì)，但是雙方認(rèn)可這枚硬幣來作為雙方都可以接受的方式來開始一場(chǎng)比賽。這就是 DevOps 在研發(fā)和運(yùn)維工作中起到的低成本的溝通協(xié)調(diào)的作用。

很有趣的一點(diǎn)就是隨著 DevOps 理論的提出各種工具(硬幣)大量涌現(xiàn)，這些工具只不過提供了比拋硬幣復(fù)雜一些的規(guī)則而已。而人工智能會(huì)給這些工具帶來增強(qiáng)效果。

不能一味的追求事物的某個(gè)方面而忽略另一方面

我們?cè)诨剡^頭來看一分為二是什么意思。研發(fā)追求功能的吞吐量，主要關(guān)注需求實(shí)現(xiàn)時(shí)長，發(fā)布頻率和部署前置時(shí)間。而運(yùn)維追求穩(wěn)定性，主要關(guān)注部署成功率，應(yīng)用錯(cuò)誤率，事故嚴(yán)重程度和嚴(yán)重 bug。這本來就是一對(duì)不可調(diào)和的矛盾。

但是從更高的維度看，只做好吞吐量或是穩(wěn)定性，不能帶來性能提升、體驗(yàn)提升和業(yè)務(wù)成功。當(dāng)我們確定了運(yùn)維和研發(fā)的共同目標(biāo) — 即業(yè)務(wù)成功后，問題就變成：為了共同的業(yè)務(wù)成功，研發(fā)和運(yùn)維在 DevOps 協(xié)同過程中，不會(huì)一味最求吞吐量或是穩(wěn)定性。

為什么人工智能在 DevOps 中大有可為?

DevOps 可以獲取幾乎所有類型的數(shù)據(jù)

指標(biāo)體系框架來自《精益軟件度量》我們了解到人工智能解決的問題都是以數(shù)據(jù)為基礎(chǔ)的，那么有了價(jià)值、效率、質(zhì)量和能力方面有指標(biāo)和數(shù)據(jù)就可以在 DevOps 過程中通過人工智能解決問題了。

找到 DevOps 全生命周期中人工智能可以改善問題

在 DevOps 生命周期中還有很多工具無法實(shí)現(xiàn)自動(dòng)化的過程，這些過程往往會(huì)投入大量的人力和溝通成本，也有很多信息不足無法做出很好決定的場(chǎng)景，在這些場(chǎng)景中人工智能可以根據(jù)以往大量數(shù)據(jù)訓(xùn)練的模型，給出建議，從而給出研發(fā)和運(yùn)維都能認(rèn)同的工作方式，提升工作效率提高工作質(zhì)量。

當(dāng)人工智能牽手 DevOps

我們現(xiàn)在有了 DevOps 生命周期中的數(shù)據(jù)，同時(shí)也了解到人工智能易于解決的四類問題。我們可以嘗試使用全連接的方式找出 36(4×9)個(gè)在 DevOps 領(lǐng)域里適合使用人工智能解決的問題。

比如上圖中的“精益需求管理”過程中：通過價(jià)值和效率數(shù)據(jù)使用邏輯推理和預(yù)測(cè)人工智能方法，得出需求的價(jià)值命中率和客戶滿意度的預(yù)測(cè)。通過這些人工智能得出的標(biāo)簽優(yōu)化需求的優(yōu)先級(jí)管理。這樣從完全靠人工經(jīng)驗(yàn)的過程變?yōu)槿斯ぶ悄茌o助完成的高效過程。

到那時(shí)需求人員只需要調(diào)節(jié)想得到的轉(zhuǎn)化率(運(yùn)營指標(biāo))，或是性能(運(yùn)維指標(biāo))，就可以通過人工智能方式自動(dòng)提升改善這些指標(biāo)的需求的優(yōu)先級(jí)。。甚至是根據(jù)需求改變的特性，分析大量現(xiàn)有代碼庫中的通過測(cè)試的代碼而自動(dòng)為開發(fā)人員推薦代碼。

“分層自動(dòng)測(cè)”過程中：使用圖片轉(zhuǎn)文字，方式將必須人工完成的測(cè)試自動(dòng)化彎道提高測(cè)試效率與準(zhǔn)確率。

“持續(xù)運(yùn)營反饋”過程中：通過自動(dòng)化運(yùn)維根因分析，提升定位系統(tǒng)問題的效率。

找到成功的第三條路，在吞吐量和穩(wěn)定性中間建立平衡讓兩方面都能正常行事

再說“最終二合為一”的矛盾論下半部分。通過人工智能給出的第三種方式讓雙方都能向自己的目標(biāo)前進(jìn)，從而為一個(gè)共同業(yè)務(wù)成功目標(biāo)結(jié)合為一個(gè)整體。

比如，在“安全發(fā)布策略(灰度發(fā)布)“階段，使用研發(fā)團(tuán)隊(duì)的能力數(shù)據(jù)、內(nèi)在質(zhì)量數(shù)據(jù)和歷史中發(fā)布后的外部質(zhì)量數(shù)據(jù)訓(xùn)練機(jī)器學(xué)習(xí)模型。通過這個(gè)模型在發(fā)布階段給出軟件發(fā)布后外部質(zhì)量評(píng)估。在發(fā)布過程中對(duì)比前后兩個(gè)版本的外部質(zhì)量差距來決定是否進(jìn)入灰度發(fā)布的下一個(gè)階段。回想當(dāng)初那個(gè)正面是 Dev 反面是 Ops 的硬幣，這個(gè) AI 的工具是不是先進(jìn)了不少呢?

人工智能可能的應(yīng)用

通過 DevOps 過程獲得數(shù)據(jù)，使用人工智能提升服務(wù)或產(chǎn)品競(jìng)爭(zhēng)力需要想象力。唯一限制我的是我們的大腦想不到的偉大的想法，而不是什么我們做不到。下面想象一下科幻大片里的一些場(chǎng)景。

1.終結(jié)者自動(dòng)駕駛一樣，通過監(jiān)控系統(tǒng)反饋，進(jìn)行自動(dòng)化軟件發(fā)布過程

2.安德的游戲一樣動(dòng)態(tài)監(jiān)控互動(dòng)界面，像一個(gè)孩子通過 AR 方式指揮龐大的艦隊(duì)?wèi)?zhàn)勝外星生物那樣管理系統(tǒng)軟件與硬件的運(yùn)維工作a. 告警抑制

b. 服務(wù)自愈

c. 主動(dòng)運(yùn)維

3.像鋼鐵俠超大別墅中智能管家一樣的容量規(guī)劃管理a. 自然語言交流

b. 容量預(yù)測(cè)規(guī)劃

4.像黑客帝國殺毒程序一樣的風(fēng)險(xiǎn)合規(guī)管理a. 攻擊特征提取

b. 主動(dòng)防御黑客攻擊

5.像喬布斯一樣的先驗(yàn)用戶體驗(yàn)a. A/B 測(cè)試(fisher‘s exact test 費(fèi)歇爾精準(zhǔn)檢驗(yàn))

b. 軟件質(zhì)量評(píng)估

不得不提的是 1996 年 12 月蘋果公司收購了 NeXT，使喬布斯回歸蘋果，到 2011 年 10 月喬布斯去世，蘋果市值在 5 年時(shí)間里從 30 億美金增長到 3470 億美金，增長 115.7 倍。不得不說喬布斯的用戶體驗(yàn)感知能力足夠科幻了。

智能運(yùn)維領(lǐng)域案例

2014-2016 百度通過機(jī)器學(xué)習(xí)實(shí)現(xiàn)了被動(dòng)異常監(jiān)控和主動(dòng)的流量調(diào)度算法。騰訊通過人工智能幫助我檢測(cè)和打擊欺詐犯罪很多公司都在人工智能方面做出了嘗試，在目前尋求差異化的時(shí)代，人工智能可以成為產(chǎn)品的一個(gè)亮點(diǎn)進(jìn)行差異化競(jìng)爭(zhēng)，成為避免價(jià)格戰(zhàn)的手段。

作者：

萬金，Thoughtworks高級(jí)咨詢師，10年+工作經(jīng)驗(yàn)，知名外企與中國企業(yè)的IT從業(yè)經(jīng)驗(yàn)，包括IBM、華為、中興、Thomson。具有7年云計(jì)算相關(guān)經(jīng)驗(yàn)，多系統(tǒng)的研發(fā)和運(yùn)維經(jīng)驗(yàn)，熟練掌握敏捷和DevOps方法論和實(shí)踐，具有軟件研發(fā)生命周期工具與流程改進(jìn)豐富經(jīng)驗(yàn)。

弱人工智能”(Narrow AI), 是在某些特定領(lǐng)域高效完成任務(wù)的專用人工智能， 比如識(shí)別圖片中的內(nèi)容或是通過搜索大量醫(yī)學(xué)臨床案例為醫(yī)生提出治療建議的專用人工智能。目前可實(shí)現(xiàn)的人工智能的本質(zhì)是，人來提出目標(biāo)，由機(jī)器分析大量數(shù)據(jù)人來高效找到答案。