什么是 AIOps？

AIOps 是用于 IT 运维的人工智能。它既是指一种 IT 运维方法，也是一种集成式软件系统，使用数据科学来增强人工解决问题和通过系统解决问题的能力。AIOps 将大数据与人工智能或机器学习相结合，以增强或部分取代广泛的 IT 运维流程和任务。

在 AIOps 的 AI 部分发挥作用之前，它需要处理一些东西。它需要数据——运维方面的数据，具体包括正常运行时间、停机时间、处理使用、网络流量、应用日志、错误、身份验证尝试、防火墙警报，以及历史数据等等。这种数据收集、整理和清理操作通常比融合算法和学习模型更为困难。

有了这些数据，就可以确定服务级别目标和指标了。使用可跟踪的指标定义运维健康状况，然后将其作为 AIOps 系统的基线。许多企业级平台都附带（或关联了）运维观测组件：红帽® OpenShift® 包含了红帽 OpenShift Observability，红帽企业 Linux® 使用了红帽卫星，而红帽 Ansible® 自动化平台则使用了 Prometheus 和 Grafana。

定义了运维健康状况后，您就能应用 AI 了。而且，将 AI 融入项目中已经变得前所未有的简单。 

• 使用 IBM watsonx Code Assistant（包括作为 Ansible® 自动化平台一部分的 Ansible Lightspeed 加 IBM watsonx Code Assistant），而且 IBM 的量子计算群组甚至可以作为一项服务来处理所有这些数据集。
• 借助应用编程接口（API），使用 OpenAI 的 ChatGPT（一个生成型 AI 系统）。 
• 以云服务形式使用 Google 的自然语言 AI。 

由于有大量这些机会，自然语言处理（NLP）、人工智能（AI）、机器学习（ML）和深度学习（DL）已融入我们生活的方方面面。

优势

• 解决速度：AIOps 可通过检测和应对新出现的问题来缩短停机时间，从而减少平均解决时间（MTTR）。
• 自我修复系统：自我修复基础架构可以显著改进性能和正常运行时间。 
• 大数据：AIOps 可以通过清理、分析和执行操作等方式来运用大数据。
• 效率和规模：通过使用 AI 模型的见解来识别行动和扩展检测，从而提高人员的效率。
• 创新：消除重复性工作后，IT 团队可以开发和交付更具战略性和更有价值的项目。
• 简化：AIOps 可以简化许多重复的 IT 服务管理任务。
• 实时数据关联和决策：如果 AIOps 包含自动化引擎，它可以根据数据来自动响应，从而减少人为干预和错误，同时最大限度地减轻噪音干扰。
• 规模化数据关联和预测：AIOps 可以自动分析每一种可能的排列，远远超出人类手动操作的能力范围。

挑战

• 专业知识：由于 AIOps 需要广泛的数据科学专业知识，即使是入门也有很高的门槛。
• 基础架构：如果没有标准化的平台和功能（例如红帽 OpenShift 和 Ansible 自动化平台提供的平台和能力），针对特定基础架构训练 AIOps 可能很有挑战性。
• 价值实现时间：AIOps 系统可能很难设计、实施、部署和管理，因此可能需要一些时间才能看到投资回报。
• 数据：现代 IT 运维所产生数据的数量、质量和一致性可能会变得让人不知所措，难以掌控，而 AIOps 的结果质量又取决于数据源的质量。
• 集体协议：为系统健康奠定基础并制定标准运维目标需要多方的广泛支持，而这可能很难达成共识。
• 范围：要考虑因素之多，可能会让人顾及不暇。或者，环境可能变化太过频繁而无法建立基线。
• 失败率：AI 项目的失败率非常高。根据 IDC 的 AI InfrastructureView 研究报告，31% 的受访者在生产中使用了 AI，但只有三分之一在全企业/机构范围实现效益。

我们来走近看看：为什么不同类型的专业人员都要使用 AIOps？

• 应用站点可靠性工程师（SRE）可以定义 AI 能关注的 4 个黄金信号：延迟、错误率、流量和饱和。
• 开发人员可以使用 AIOps 分析来执行自己的根本原因分析（RCA），或者开发人员可以允许 AIOps 引擎在无人干预下执行 RCA。
• 业务负责人可以使用 AIOps 来监控 SRE 所用的黄金信号，从最终用户角度了解应用的性能。
• 基础架构运维人员可以使用 AIOps 来监控混合云、多云和基于微服务的 IT 环境，无论监控几十个虚拟机（VM）还是数千个集群都不在话下，同时还可简化 Day 2 运维。

每一个用例都表明，AIOps 可以帮助团队检测和应对潜在问题，但距离 AIOps 系统完全取代经验丰富的 IT 系统管理员和其他运维团队成员，我们还有很长的路要走。像大多数 IT 革命一样，AIOps 只是让机器替我们完成杂务，而方向盘仍由我们操控。

因此，机器不会取代人类。不过，数据科学家和 DevOps 工程师等依然应该好好利用这场即将到来的 IT 革命来拓宽自己的技能。

• 应用性能监控（APM）能力将变得更加重要，因为企业选拔人才时会更加关注候选人在性能驱动方面的能力。
• 要能理解、整合或编写底层 AI 脚本，以及将事件关联和警报引擎转化为执行引擎，自动化技能也将变得更加重要。 
• 如果您已经精通 AI，那就去尝试将 AI 应用于网络领域（比如：SD-WAN、Wi-Fi 等），当然要务必保证安全。

DevOps 的重点是在整个应用生命周期中不断地进行微小的增量改进。因此，DevOps 的痛点是停机时间，而这正是 AIOps 的用武之地。AIOps 通过在开发和运维过程中添加数据科学来增强 DevOps 文化。 

AIOps 不会取代 DevOps，而是 DevOps 的一种演进。AIOps 是同一数字化转型生命周期中的另一个点。AIOps 和 DevOps 有着相同的职责。AIOps 只是用一个机械化的大脑来辅佐人类智力。 

虽然 DevOps 和 AIOps 之间的实际界限有些模糊，但 AIOps 在 DevOps 流程的任一端都很胜任：

• 在前端，AIOps 可以使用大量基础架构数据，警示 DevOps 工程师底层的集成开发环境（IDE）问题（或者直接修复它们）。  
• 在后端，AIOps 可以自动解决生产中的冗余 IT 问题，同时学习修复每个新的增量版本中出现的新错误。 

与 DevOps 一样，没有单一的 AIOps 工具、AIOps 平台或 AIOps 产品。就像您的 IT 堆栈（硬件和软件）一样，用于构建 DevOps 和 AIOps 功能的工具数量众多，而且因企业或机构的需求而不同。这是因为，每个企业和机构的开发和生产环境都有自己的特点和独特之处，您构建的任何 AIOps 解决方案必须能够整合、分析这些各种因素并进行处理。

AIOps 在开源领域有着深厚的影响力，不管是作为上游项目还是现身于许多社区中。虽然还没有单一的产品能涵盖整个 AIOps 解决方案，但有许多开源开发、运维、AI 和自动化项目可以作为您的独特 AIOps 解决方案的一部分。此外，还有许多特有的开源项目正在开发中，为具体的 AIOps 问题提供 AIOps 解决方案。

许多企业都正在将其下游 AI 产品代码作为上游项目发布：

• 当今全球最大的社交媒体集团 Meta 以开源项目的形式发布了 Llama 2 大型语言模型。
• 红帽希望 Project Thoth 开源项目能带来企业级的强化产品，就像 Project Wisdom 带来 Ansible 自动化平台的 Ansible Lightspeed 加 IBM watsonx Code Assistant 组件一样。
• 我们也在为其他机构牵头的 AIOps 项目出力，比如 人工智能卓越中心（AICoE）的 AIOps 项目。

将我们的自动化平台与合作伙伴的 AI 功能搭配使用，企业可以在打造战略性 AIOps 解决方案方面获得巨大的领先优势——将 AI 的可观测性能力与我们自动化引擎的事件驱动架构强强结合。 

使用 Event-Driven Ansible 可针对 AI 的成果采取行动。将我们的自动化平台与合作伙伴的因果 AI 引擎（如 Dynatrace 和其他现代可观测性工具提供的引擎）搭配使用。此外，使用 Ansible Lightspeed 加 IBM watsonx Code Assistant 来帮助技能级别不等的开发人员和运维团队利用 AI 生成的建议编写语法正确的代码。