AIOps 平台的误解，挑战及建议（中）— AIOps常见的误解

本文篇幅较长，分为上，中，下，三个部分进行连载。内容分别为： AIOps 背景/所应具有技术能力分析（上），AIOps 常见的误解（中）， 挑战及建议（下）。

前言

我大概是 5，6 年前开始接触 ITOA 这个领域的，首次接触后，发现领域有着巨大的潜力，一直寻找在这个领域作点事情的机会。大约三年前在这个领域创业，积极寻求 Product Market Fit。这几年下来，通过与行业内的专家交流，研读报告，阅读论文，客户访谈，亲自动手对相应的运维场景解析，行业产品的试用调研，以及结合着中国运维市场现状，撰写了此文。本人才疏学浅，不学无术，欢迎拍砖。

咱们第一部分主要讲到了AIOps 的背景以及所须要的能力，咱们这部分主要讲误解。

对 AIOps 误解：

AIOps 等于能够减小人力资源的投入

• AIOps 不等于无人值守;
• AIOps 不等于 NoOps;
• AIOps 不等于能够减小人专家的参与;
• AIOps 能够下降人力成本;
• AIOps 在现阶段不等于能够省钱;

AI 的确是一个很是性感的词汇，你们认为只要实现了智能化，就可以轻轻松松，不须要人的干预，这固然是一个很是理想的情况，可是，在短期内，这个不能实现。这个的实现难度，我的认为，与自动无人驾驶，能实现第五等级是一样的难度，也就说，可能起码须要10年左右的时间，甚至可能更长时间。

AIOps 平台本质上仍是一个工具，在构建后，仍然须要人的参与，并且在目前的探索发展的投入阶段，有大量的工须要去作，须要运维专家，大数据工程师，算法科学家，业务专家，暂时看不到能削减人力成本的可能性，并且相关的投入可能须要多年的时间。

在平台创建后，在持续改进的状况下，仍然须要专家或者分析师，从不一样的维度，从不一样的业务口径，组合合适的可视化技术，机器学习技术，大数据分析技术，制定分析场景，平台才可以为IT运维，业务分析产生持续的洞察，提供商业价值。

因此，AIOps 不能取代人，在现阶段不可能减小人力投入，但在将来可能能促进部分运维人员转型为通晓业务，掌握运维知识的数据分析师。

算法和智能化是AIOps最重要的事情

算法很重要，可是我我的认为，在此阶段，大部分企业不该该以算法为第一着眼点。

这个应该是比较有争议，或者，或者说你们认知不太一致的部分。如下这张图是 Gartnert 在 AIOps 还在叫 ITOA 时候，给定义的四个阶段：

1. Data ingestion, indexing, storage and access;
2. Visualization and basic statistical summary;
3. Pattern discovery and anomaly detection;
4. True causal path discovery;

Gartner 在报告中强调，掌握后面阶段的前提是拥有前一阶段的能力，若是不拥有充分的前一阶段能力，将会影响 ITOA 的落地效果。所以这四个阶段必须一个步一脚印，第三以及第四部时，才显著地引入了机器算法，或者 AI 的必要。

你们都知道，所谓的机器学习算法，统计算法，深度学习算法这些 AI 的分类，实际上是高度依赖于数据的。没有多种数据源，数据的采集，数据存储，数据统计，数据可视化，一切都只是空中楼梯。

来源： Gartner Report “Organizations Must Sequentially Implement the Four Phases of ITOA to Maximize Investment ” 2015.2.18

所以，AIOps 的平台的建设首先应该是着眼点应该是大数据，而后才是算法，从而实现持续洞察和改进的目标。

必定要上深度学习才叫 AIOps

咱们能够先看看 AI , Machine Learning , Deep Learning 的关系，他们的关系大概以下图。

学术界有很多学者，在探索部分深度学习算法智能运维中的应用，如犹他州大学的《DeepLog: Anomaly Detection and Diagnosis from System Logs through Deep Learning》 中利用 Long Short-Term Memory (LSTM)来实现日志模式的发现，从而实现异常检测。可是，其实智能运维所须要的大部分算法，决策树学习(decision tree learning)、聚类(clustering)、SVM(Support Vector Machine)和贝叶斯网络(Bayesian networks)等等算法，均是属于传统的机器学习范畴的，所以 咱们不该该将深度学习与 AIOps 挂上必然的联系。

甚至于，咱们不用拘泥于概念，从解决问题的角度出发，在特定的场景，利用传统的规则集，设定一些规则，下降了运维人员的工做强度，提升了效率，也能叫智能运维。甚至在Gartner 的报告中，对AIOps 落地的第一步，是统计分析，可视化，而不是任何的机器学习算法。

它适合现阶段全部有规模的用户

这个比较好理解，就目前来看，AIOps 只适合大型的客户，缘由以下:

1. 中小型的客户缺少多种数据源;
2. 中小型客户业务需求没有那么复杂;
3. 不少算法，实际上是为了大规模运维的时候才用的上的，在规模小的时候，难以产生效果;

运维自动化是智能运维的前提

我看到过很多的文章，将运维分红了四个阶段，将自动化运维放在智能运维的前一个阶段，把智能，又或者在智能运维这个体系里头，硬是塞了不少自动化运维，批量操做，批量规划的功能在里头，我以为都是不对的。自动化运维更像是手，智能运维更像是眼镜及大脑，有了更全面数据，更充满的分析后，大脑能更好的指挥手进行操做。

所以，企业应该将自动化运维和智能化运维当作了两个有关联的体系，可是不该该混一谈，形成更多的误解。

OneAPM 全新推出新一代 AIOps 平台 I2，欢迎您随时联系咱们，即刻开启贵公司的智能运维之旅。点击进入 AIOps 官网了解更多信息。
来源：http://blog.oneapm.com/apm-te...