?如今，隨著大數(shù)據(jù)在商業(yè)的各個(gè)方面應(yīng)用激增，IT團(tuán)隊(duì)面臨著處理運(yùn)營(yíng)的巨大數(shù)量和復(fù)雜性的艱巨任務(wù)。因此，企業(yè)對(duì)AIOps的需求正在增長(zhǎng)。

AIOps（人工智能 IT 運(yùn)營(yíng)）利用大數(shù)據(jù)和機(jī)器學(xué)習(xí)（ML），以人類無(wú)法達(dá)到的規(guī)模和速度進(jìn)行預(yù)測(cè)、識(shí)別、診斷和解決IT問(wèn)題。

私募股權(quán)和風(fēng)險(xiǎn)投資公司Insight Partners最近的一份報(bào)告估計(jì)，從2021年到2028年，AIOps平臺(tái)市場(chǎng)規(guī)模將以32.2%的年復(fù)合增長(zhǎng)率遞增，從2021年約28.3億美元增長(zhǎng)到2028年的1993億美元。也就是說(shuō)，有效的AIOps解決方案不會(huì)在一夜之間實(shí)現(xiàn)。

一個(gè)完整的AIOps解決方案來(lái)自于一個(gè)經(jīng)過(guò)長(zhǎng)期完善的解決方案，包含三個(gè)基本成分：數(shù)據(jù)、分析和不同領(lǐng)域的專業(yè)知識(shí)。

數(shù)據(jù)

沒(méi)有數(shù)據(jù)，成功的AIOps是不存在的，這個(gè)部分至關(guān)重要。雖然數(shù)據(jù)供應(yīng)充足，但挑戰(zhàn)是以可用的和可靠的形式獲取數(shù)據(jù)。AIOps依賴于來(lái)自不同來(lái)源(例如網(wǎng)絡(luò)性能、業(yè)務(wù)系統(tǒng)和客戶支持)的數(shù)百甚至數(shù)千個(gè)數(shù)據(jù)點(diǎn)，這些數(shù)據(jù)點(diǎn)都以秒為單位生成，在很多情況下甚至是次秒級(jí)速率。如何處理大量的數(shù)據(jù)可能會(huì)造就或破壞AIOps解決方案。就速度、成本效益和最高效率而言，在設(shè)備內(nèi)和設(shè)備外數(shù)據(jù)管理的分離管道會(huì)產(chǎn)生最好的結(jié)果。

傳統(tǒng)的單一內(nèi)部數(shù)據(jù)處理模型已經(jīng)不能適應(yīng)當(dāng)今數(shù)據(jù)集的復(fù)雜性和容量。相反，應(yīng)該考慮將數(shù)據(jù)處理漏斗構(gòu)建或重新架構(gòu)為兩部分:一個(gè)精簡(jiǎn)的、快速的處理管道，通過(guò)實(shí)時(shí)的、內(nèi)部部署的數(shù)據(jù)總線來(lái)處理時(shí)間關(guān)鍵分析，另一個(gè)更健壯的通道來(lái)分析云中的剩余數(shù)據(jù)。將內(nèi)部數(shù)據(jù)生產(chǎn)減少到最低限度，并分配云(配備彈性計(jì)算和更復(fù)雜的存儲(chǔ)能力)來(lái)處理剩余的數(shù)據(jù)，從而實(shí)現(xiàn)更快、更經(jīng)濟(jì)的數(shù)據(jù)合成。

同時(shí)管理內(nèi)部和外部數(shù)據(jù)的分離管道模型可以增強(qiáng)組織每小時(shí)處理數(shù)百萬(wàn)數(shù)據(jù)點(diǎn)的能力。機(jī)器學(xué)習(xí)（ML）算法可以幫助確定每個(gè)管道傳入數(shù)據(jù)的優(yōu)先級(jí)，并將原始的非結(jié)構(gòu)化數(shù)據(jù)轉(zhuǎn)換為對(duì)客戶服務(wù)或IT運(yùn)營(yíng)團(tuán)隊(duì)至關(guān)重要的可用指標(biāo)。從雙管齊下的系統(tǒng)中獲得的效率和速度也使組織能夠部署增強(qiáng)的監(jiān)控能力，以獲得關(guān)于網(wǎng)絡(luò)性能的實(shí)時(shí)可見(jiàn)性和長(zhǎng)期趨勢(shì)信息。

分析

AIOps成功的第二個(gè)關(guān)鍵因素是分析。AIOps的分析分為兩個(gè)階段，包括探索性分析(從原始數(shù)據(jù)中篩選需要額外檢查的趨勢(shì)或異常)和高級(jí)統(tǒng)計(jì)分析(轉(zhuǎn)化為可操作的見(jiàn)解)。盡管探索性研究扮演著不可或缺的角色，但當(dāng)數(shù)據(jù)通過(guò)管道輸送時(shí)，工程團(tuán)隊(duì)往往會(huì)迫不及待地跳到高級(jí)統(tǒng)計(jì)分析。繞過(guò)這個(gè)初始階段可能會(huì)導(dǎo)致數(shù)據(jù)偏差——向AIOps過(guò)程注入偏差，并錯(cuò)誤地識(shí)別問(wèn)題，從而使AI/ML算法變得無(wú)用，并導(dǎo)致不良的操作后果。

探索性分析依賴于ML和數(shù)據(jù)科學(xué)家來(lái)識(shí)別和確定至關(guān)重要的具體指標(biāo)。在這個(gè)過(guò)程中，IT團(tuán)隊(duì)可能會(huì)傾向于ML——這是一種令人興奮的高效技術(shù)。但是單純的ML并不總是最有效的分析方法。ML試圖基于一組特定的參數(shù)來(lái)解決一個(gè)特定的問(wèn)題。工程師根據(jù)他們認(rèn)為得出A、B或C結(jié)論所需的指標(biāo)來(lái)編寫(xiě)ML算法——從而排除其他可能的解決方案或統(tǒng)計(jì)數(shù)據(jù)。

相反，統(tǒng)計(jì)學(xué)家和數(shù)據(jù)科學(xué)家檢查原始數(shù)據(jù)時(shí)并沒(méi)有考慮具體的結(jié)果，而是檢查數(shù)據(jù)的模式或異常。手工數(shù)據(jù)審查雖然繁瑣，但專家可以確定直接的IT解決方案，而不需要高級(jí)的統(tǒng)計(jì)分析。

當(dāng)團(tuán)隊(duì)確信在探索階段確定的趨勢(shì)或異常是正確的，他們可以繼續(xù)進(jìn)行高級(jí)統(tǒng)計(jì)分析和訓(xùn)練AI/ML算法。即使是AI/ML也需要試錯(cuò)測(cè)試，不會(huì)立即產(chǎn)生結(jié)果。每個(gè)AIOps解決方案的背后都有一個(gè)領(lǐng)域?qū)＜覉F(tuán)隊(duì)，他們對(duì)AI/ML模型進(jìn)行廣泛的調(diào)整和測(cè)試，以確保AIOps的成功。

不同專業(yè)領(lǐng)域

成功實(shí)現(xiàn)AIOps的第三個(gè)要素是領(lǐng)域?qū)ｉL(zhǎng)。在AIOps的創(chuàng)建中，沒(méi)有太多的經(jīng)驗(yàn)可以借鑒。在任何企業(yè)中成功部署AI都需要不同領(lǐng)域?qū)＜业膮⑴c。例如，在網(wǎng)絡(luò)操作領(lǐng)域，網(wǎng)絡(luò)工程師了解ML系統(tǒng)的細(xì)微差別和必要的AI算法，以準(zhǔn)確地解決特定問(wèn)題。與此同時(shí)，非技術(shù)專家?guī)?lái)了特定行業(yè)的知識(shí)，如數(shù)據(jù)集的來(lái)源和可用性、業(yè)務(wù)策略和操作。大量的領(lǐng)域?qū)＜掖_保AI/ML算法反映真實(shí)世界的操作，提供關(guān)鍵的結(jié)果驗(yàn)證，并作為檢查錯(cuò)誤方法或意外后果的重要工具。例如，正在進(jìn)行計(jì)劃維護(hù)的通信系統(tǒng)可能表現(xiàn)出通常表明問(wèn)題狀態(tài)的行為(如極低的網(wǎng)絡(luò)流量)。在模型預(yù)測(cè)中添加一個(gè)與維護(hù)票務(wù)系統(tǒng)通信的業(yè)務(wù)邏輯層可以消除這些錯(cuò)誤警報(bào)。

領(lǐng)域?qū)＜野缪葜匾慕巧?，他們可以向渴望獲得AIOps解決方案的高管聽(tīng)眾進(jìn)行解釋。ML傾向于在黑箱中操作，使團(tuán)隊(duì)無(wú)法清楚地說(shuō)明模型是如何做出特定決定的。這可能會(huì)導(dǎo)致企業(yè)高管對(duì)基于人工智能驅(qū)動(dòng)的洞察力和行動(dòng)的懷疑和猶豫。另一方面，可解釋的人工智能能夠獲得不熟悉AIOps的商業(yè)領(lǐng)袖更強(qiáng)的認(rèn)同和信任。

AIOps需要三種核心原料，但是，就像任何食譜一樣，這些原料的質(zhì)量以及它們放在誰(shuí)的手里，將決定最終的結(jié)果。試錯(cuò)是創(chuàng)新過(guò)程的一部分，特別是在訓(xùn)練ML的復(fù)雜藝術(shù)中。確保正確地處理數(shù)據(jù)，使用正確的分析類型和吸引領(lǐng)域?qū)＜覍椭髽I(yè)提供成功的、可擴(kuò)展的AIOps解決方案，以滿足日益增長(zhǎng)的運(yùn)營(yíng)效率的需求。