如果按照字面意思，AIOps即Artificial Intelligence for IT Operations，不過Gartner對它的解釋是AlgorithmicIT Operations，也就是基于AI算法去解決IT運維流程中的問題，例如性能監(jiān)控、可用性分析、關(guān)聯(lián)事件、自動化，以及日志、應(yīng)用狀態(tài)等運維數(shù)據(jù)信息。這一過程中，并不涉及人為的干擾因素。

調(diào)查顯示，全球有超過3000名CIO將數(shù)字化業(yè)務(wù)列為工作重點，預(yù)計AIOps的全球部署率會從2017年的10%升至2020年的50%，所覆蓋的行業(yè)將涉及金融、電力、醫(yī)療、航天、通信、HPC等領(lǐng)域。其背后的挑戰(zhàn)可以從幾個方面來看，首先是規(guī)模倍增，設(shè)備端可能有數(shù)十萬臺主機需要監(jiān)控至少數(shù)千個運行狀態(tài)，所處理的數(shù)據(jù)量日均也是T4B級，而且還是實時的。

其次，IT運維對連續(xù)性的高要求使得持續(xù)的交付、集成、調(diào)度成為首選，再加上海量的數(shù)據(jù)，對已有的運維成本存在較大挑戰(zhàn)，例如當(dāng)前IT業(yè)務(wù)中充斥著公私混的云環(huán)境，以及第三方的SaaS類應(yīng)用，傳統(tǒng)的管理辦法再彈性環(huán)境中難以適應(yīng)，而借助人工去監(jiān)督、統(tǒng)計、追蹤、分析是很大的工作量，情況只會越來越糟。

此外，更多的感知行為正在向網(wǎng)絡(luò)邊緣移動，使得云基礎(chǔ)架構(gòu)成為了IT解決方案部署的首選平臺，從而讓開發(fā)人員獲得了較以往更大的權(quán)力，IT人員還要在IT Ops的層面承擔(dān)更多責(zé)任，例如了解業(yè)務(wù)是如何在服務(wù)和底層架構(gòu)之間進行交互的。

從腳本運維到工具運維，再到智能運維，特點可以體現(xiàn)以下方面：數(shù)據(jù)源搜集、大數(shù)據(jù)分析、規(guī)則及模式識別、域算法、AI算法、自動化。需要注意的是，AIOps并沒有改變AI應(yīng)用本身，而是強調(diào)對流程、規(guī)則的AI化。例如，AIOps可以從無到有先對單點進行擊破，然后形成局部方案以此類推到面，由多個單點模塊組成完整的AIOps流程。其優(yōu)勢是，可知悉、可重用、可升級。

與此同時，運維團隊的角色也在轉(zhuǎn)變，要加入數(shù)據(jù)工程師、開發(fā)工程師甚至是AI工程師，除了繼續(xù)承擔(dān)質(zhì)量、成本、效率方面的工作，還要在AIOps的實施過程中變身為需求的發(fā)起方和結(jié)果收驗方。其中，運維AI工程師也要學(xué)會利用機器學(xué)習(xí)對運維產(chǎn)生的數(shù)據(jù)、經(jīng)驗進行整理和分析，最終讓數(shù)據(jù)發(fā)揮應(yīng)用的價值。

當(dāng)然要想具備運維AI的技能并不容易，對TensorFlow、Caffe、CUDA這些框架要有基礎(chǔ)，還要對交叉驗證、驗證曲線等模型評估有基本的判斷。要知道在基礎(chǔ)運維平臺中，除了在運維時要提供標(biāo)準(zhǔn)化的運維數(shù)據(jù)和操作，在AIOps時的一些接口仍需要同時支持人工和自動數(shù)據(jù)獲取和運維操作。

無論多么智能，AIOps的核心還是Ops，這就決定了其會是跨領(lǐng)域的技術(shù)理念，因此在企業(yè)內(nèi)部開發(fā)者智能運維的時候，要結(jié)合業(yè)務(wù)特點來制定AI機制，不排除做二次開發(fā)的可能。如果運維不能AI化，那數(shù)據(jù)中心再怎么智能也只會停留在表層。