?如今，隨著大數(shù)據(jù)在商業(yè)的各個方面應(yīng)用激增，IT團隊面臨著處理運營的巨大數(shù)量和復(fù)雜性的艱巨任務(wù)。因此，企業(yè)對AIOps的需求正在增長。

AIOps（人工智能 IT 運營）利用大數(shù)據(jù)和機器學(xué)習(xí)（ML），以人類無法達到的規(guī)模和速度進行預(yù)測、識別、診斷和解決IT問題。

私募股權(quán)和風(fēng)險投資公司Insight Partners最近的一份報告估計，從2021年到2028年，AIOps平臺市場規(guī)模將以32.2%的年復(fù)合增長率遞增，從2021年約28.3億美元增長到2028年的1993億美元。也就是說，有效的AIOps解決方案不會在一夜之間實現(xiàn)。

一個完整的AIOps解決方案來自于一個經(jīng)過長期完善的解決方案，包含三個基本成分：數(shù)據(jù)、分析和不同領(lǐng)域的專業(yè)知識。

數(shù)據(jù)

沒有數(shù)據(jù)，成功的AIOps是不存在的，這個部分至關(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依賴于來自不同來源(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)千個數(shù)據(jù)點，這些數(shù)據(jù)點都以秒為單位生成，在很多情況下甚至是次秒級速率。如何處理大量的數(shù)據(jù)可能會造就或破壞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:一個精簡的、快速的處理管道，通過實時的、內(nèi)部部署的數(shù)據(jù)總線來處理時間關(guān)鍵分析，另一個更健壯的通道來分析云中的剩余數(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(配備彈性計算和更復(fù)雜的存儲能力)來處理剩余的數(shù)據(jù)，從而實現(xiàn)更快、更經(jīng)濟的數(shù)據(jù)合成。

同時管理內(nèi)部和外部數(shù)據(jù)的分離管道模型可以增強組織每小時處理數(shù)百萬數(shù)據(jù)點的能力。機器學(xué)習(xí)（ML）算法可以幫助確定每個管道傳入數(shù)據(jù)的優(yōu)先級，并將原始的非結(jié)構(gòu)化數(shù)據(jù)轉(zhuǎn)換為對客戶服務(wù)或IT運營團隊至關(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的監(jiān)控能力，以獲得關(guān)于網(wǎng)絡(luò)性能的實時可見性和長期趨勢信息。

分析

AIOps成功的第二個關(guān)鍵因素是分析。AIOps的分析分為兩個階段，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或異常)和高級統(tǒng)計分析(轉(zhuǎn)化為可操作的見解)。盡管探索性研究扮演著不可或缺的角色，但當(dāng)數(shù)據(jù)通過管道輸送時，工程團隊往往會迫不及待地跳到高級統(tǒng)計分析。繞過這個初始階段可能會導(dǎo)致數(shù)據(jù)偏差——向AIOps過程注入偏差，并錯誤地識別問題，從而使AI/ML算法變得無用，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)家來識別和確定至關(guān)重要的具體指標(biāo)。在這個過程中，IT團隊可能會傾向于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)來解決一個特定的問題。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)來編寫ML算法——從而排除其他可能的解決方案或統(tǒng)計數(shù)據(jù)。

相反，統(tǒng)計學(xué)家和數(shù)據(jù)科學(xué)家檢查原始數(shù)據(jù)時并沒有考慮具體的結(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，而不需要高級的統(tǒng)計分析。

當(dāng)團隊確信在探索階段確定的趨勢或異常是正確的，他們可以繼續(xù)進行高級統(tǒng)計分析和訓(xùn)練AI/ML算法。即使是AI/ML也需要試錯測試，不會立即產(chǎn)生結(jié)果。每個AIOps解決方案的背后都有一個領(lǐng)域?qū)＜覉F隊，他們對AI/ML模型進行廣泛的調(diào)整和測試，以確保AIOps的成功。

不同專業(yè)領(lǐng)域

成功實現(xiàn)AIOps的第三個要素是領(lǐng)域?qū)ｉL。在AIOps的創(chuàng)建中，沒有太多的經(jīng)驗可以借鑒。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)的細微差別和必要的AI算法，以準(zhǔn)確地解決特定問題。與此同時，非技術(shù)專家?guī)砹颂囟ㄐ袠I(yè)的知識，如數(shù)據(jù)集的來源和可用性、業(yè)務(wù)策略和操作。大量的領(lǐng)域?qū)＜掖_保AI/ML算法反映真實世界的操作，提供關(guān)鍵的結(jié)果驗證，并作為檢查錯誤方法或意外后果的重要工具。例如，正在進行計劃維護的通信系統(tǒng)可能表現(xiàn)出通常表明問題狀態(tài)的行為(如極低的網(wǎng)絡(luò)流量)。在模型預(yù)測中添加一個與維護票務(wù)系統(tǒng)通信的業(yè)務(wù)邏輯層可以消除這些錯誤警報。

領(lǐng)域?qū)＜野缪葜匾慕巧?，他們可以向渴望獲得AIOps解決方案的高管聽眾進行解釋。ML傾向于在黑箱中操作，使團隊無法清楚地說明模型是如何做出特定決定的。這可能會導(dǎo)致企業(yè)高管對基于人工智能驅(qū)動的洞察力和行動的懷疑和猶豫。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)量以及它們放在誰的手里，將決定最終的結(jié)果。試錯是創(chuàng)新過程的一部分，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、可擴展的AIOps解決方案，以滿足日益增長的運營效率的需求。