現如今，AI 這個詞已經被玩壞了。很多公司都聲稱自己在做 AI，但其實並沒有。不過有另外一種新興的 AI，各種型別的 IT 企業倒是可以嘗試，而且完全不需要人工參與。

AIOps，也就是基於演算法的 IT 運維（Algorithmic IT Operations），是由 Gartner 定義的新類別，源自業界之前所說的 ITOA（IT Operations and Analytics）。我們已經到達了這樣的一個時代，資料科學和演算法正在被用於自動化傳統的 IT 運維任務和流程。演算法被整合到工具裡，幫助企業進一步簡化運維工作，把人類從耗時又容易出錯的流程中解放出來。人們不再需要在遺留的管理系統中定義和管理無窮無盡的規則和過濾器。

在過去的幾年間，一些新技術不斷湧現，利用資料科學和機器學習來推進日益複雜的企業數字化程序，“AIOps”（Algorithmic IT Operations）因此應運而生。Gartner 的報告宣稱，到 2020 年，將近 50% 的企業將會在他們的業務和 IT 運維方面採用 AIOps，遠遠高於今天的 10%。

為了更好地理解 AIOps 和 AI 的區別，我們需要從頭說起。

AI 簡史

AI 一詞用於描述機器（或軟體）模擬人類認知的過程。也就說，機器學習像人類一樣思考。40 年代，Alan Turing 掀起了 AI 熱潮，但受限於計算機的計算能力，也只發展到今天的這個階段。

問題是，我們為什麼要讓機器模仿人類？而為什麼有些 AI 應用程式會比其他的更成功？發展 AI 的目的在於解決人類的問題，所以我們會看到像自動駕駛汽車、行為分析這類複雜的解決方案。

話說回來，IT 運維環境有一些不一樣的地方。我們不會直接管理人類，我們與應用程式和基礎設施打交道。而且它們可能更加複雜和不可預測，因為它們不是人類。

人類思維與機器思維

AIOps 的不同之處在這裡體現出來。AIOps 的解決方案專注於解決問題，而且是通過使用基於演算法的技術來高度模仿人類（而且以更快的速度和更大的規模）。演算法的效率提升了 AIOps 的價值，而相對於人類的智慧——雖然是無限的，但不如機器來得高效。

當然，人類也能進行高效的 IT 運維。AIOps 的目的是為了讓我們的生活變得更美好，但是當人類與 AIOps 參合在一起，它們之間的界限就會變得模糊。高階的 AIOps 會使用神經網路技術，它會向運維人員學習，然後嘗試消除無聊的重複性勞動。

未來的公司  

為什麼公司需要 AIOps？現代的 IT 環境已經無比的複雜，而且千變萬化，需要我們花費大量的時間和資源去監控、去診斷問題、去解決問題。很多公司處於被動的地位。但是如果他們使用了 AIOps，他們就可以利用先進的演算法，花更多時間在其他更有意義的工作上，而不是重複地解決相同的問題，或者花時間管理規則和過濾器。

我們所說的規則，可以把它們簡單地描述為“如果是這樣那麼就這麼做”，它們能夠應付簡單的場景，但是很難擴充套件。相反，演算法和機器學習提供了更加靈活的表達方式，不僅強大，而且健壯，能夠應付不斷變化的需求。這將帶來更高的效率和更低的成本。對於廠商來說，他們面臨的挑戰在於將整個技術方案打包，避免把使用者暴露於底層的複雜性當中。光是提供工具是不夠的，企業需要招聘資料科學家而不僅僅是工程師。

前行之路  

藉助智慧演算法的技術優勢，原先人工需要幾個小時完成的任務現在通過自動化可以在幾秒鐘內完成，而且能夠得到更好的結果。傳統的 IT 運維需要管理大量的告警，極大地分散了企業的注意力，他們需要花很多時間解決無聊的問題，沒有時間用於創新。使用 AIOps 可以解決這些問題，把運維人員從紛繁複雜的告警和噪音中解脫出來。各個行業的企業正在採用 AIOps，他們使用這項技術來改進客戶的數字體驗——銀行、娛樂、交通、零售，甚至政府。

儘管 AIOps 還是一個新名詞，但並不代表它只是未來的一種趨勢而已。在這個數字的年代，任何使用傳統技術來管理機器資料的組織要麼忽略了資訊的價值，要麼已經讓他們的運維團隊不堪重負。隨著資料的暴漲，CIO 們應該快速擁抱 AIOps。傳統 AI 仍然會在某些領域發揮它的作用，而 AIOps 將為企業帶來最直接最深遠的價值。

文章來自微信公眾號：高效開發運維