|
含义如今已从“Algorithmic IT Operations(基于算法的 IT 运维)”转换为“AI Operations(人工智能运维)”。使用通用算法帮助IT运营团队的想法并不是那么新颖。有人可能会说，AIOps试图赶上人工智能的宣传和炒作浪潮，也有一些运维和监视工具制造商试图增加人工智能的成分。如果要求10个人来定义AIOps的话，就可能会得到10个不同的定义：这类似于以前很少有人就云计算的定义达成共识一样。
DevOps研究所的研究主管Eveline Oehrlich对此进行了描述：“AIOps解决方案使IT运营和其他团队能够通过对即将到来的数据量和类别进行更好的分析，以改善关键流程、任务和决策。采用这些工具可以自动快速接收大量数据。机器学习用于分析数据并提供可预测或警告发现的问题。这些新发现的知识可以用于自动化或决策。”
IT领导者需要能够了解并解释一些关于AIOps的常见误解，这些误解可能来自组织的领导者、同事、合作伙伴和客户。以下将解释各种AIOps方法符合或不符合业务目标的原因。
关于AIOps的真相：它是什么，能做什么
因此，以下深入地研究推动当前AIOps势头增长的因素以及IT团队所看到的收益。例如，如果组织已经在使用容器和Kubernetes，那么可能会有喜欢自动驱动集群的想法，那么现在可以立即开始实施AIOps。
1. AIOps不是一种产品
如果想将AIOps引入组织，则可能会想购买一种AIOps产品，并计划在一年中部署并完成。在运营堆栈中添加了另一种产品，并且增加了复杂性，如何处理更多的复杂性?
首先，考虑当前AIOps产品提供的常见功能，仔细查看当前的工具集，并评估存在漏洞的地方：
-
基线：用于度量和其他基于时间序列的数据。
-
根本原因分析：连接多个信息源并深入掘取。
-
异常检测：预测未来并警告偏差。
-
相关性：例如指标和票证之间的相关性。
-
模拟：假设场景。
人们会看到AIOps是一种功能，而不是独立的产品。对于某些功能来说，专用工具的功能并不够，因为可能只将所有工具进行互连，才会产生“魔法”。这就像单个神经元无法构成大脑一样。
2.在使用AI之前，需要Ops
俗话说，“在学会跑步之前需要先学会走路。”原有的监控措施并没有什么问题，只是需要在系统环境中增加指标、日志和可观察性。因此，首要任务是使其运营变得简单。如果遇到太多警报，需要确定最重要的警报。如果没有从关键应用程序中获取指标，则开始实施指标。开始定义组织需要满足的服务水平指标(SLI)和一些服务水平目标(SLO)。
在这样做的同时，就会发现监控设置中的一些盲点，并提高工作的可视性和运营能力。在遇到障碍之后，人工设置警报阈值不再起作用，那么现在是使用新工具的
（编辑：南通站长网）
【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!
|
