IT系統（硬件和軟件）正在變得更加高效和完善。同時，它們變得越來越複雜(zá)。虛拟化和容器化是至關重要的技術，但是它們的複雜(zá)性給IT Ops部門帶來了挑戰。

雇用更多的員(yuán)工(gōng)或使用自動化工(gōng)具來應對這種日益增長的複雜(zá)性并不是解決之道-有限的能力和資(zī)源使得難以簡化複雜(zá)的IT系統。

所以答案是什麽？

人工(gōng)智能

近年來，人工(gōng)智能（AI）已進入IT Ops部門。現在，提供了用于IT運營的人工(gōng)智能（AIOps），作爲管理不斷增長的IT複雜(zá)性的解決方案。

AIOps通過結合機器學習，大(dà)數據和自動化決策來完成IT任務。它可以在無需大(dà)量人工(gōng)幹預的情況下(xià)實現過程自動化，從而使其獨立于人工(gōng)資(zī)源。

AIOps的演變

人工(gōng)智能，機器學習，數據分(fēn)析和IT運營（Ops）已經分(fēn)開(kāi)存在多年了。使AIOps具有創新性的是将來自Analytics（分(fēn)析）的數據驅動的見解與IT Ops的實用性結合在一(yī)起。

AIOps的好處

AIOps提供了兩個使IT Ops團隊受益的重要功能：

它爲IT Ops團隊提供了訪問工(gōng)具的權限，這些工(gōng)具可以通過收集和分(fēn)析數據來制定高級決策并執行自動化操作。

它可以幫助傳統的IT Ops管理員(yuán)轉變爲站點可靠性工(gōng)程師（SRE）角色，并支持更可擴展的工(gōng)作流，以滿足業務需求。

現在我(wǒ)(wǒ)們知(zhī)道了什麽是AIOps，并且我(wǒ)(wǒ)們進一(yī)步了解了它的發展和好處。但是啓用AIOps需要什麽？

AIOps組件

爲了使AIOps工(gōng)作，您需要實現四個組件。

數據采集。這是啓用AIOps的第一(yī)步。

您可能需要從不同來源收集數據。必須将這些數據轉換并聚合爲具有足夠質量的可用數據，以驅動數據分(fēn)析和機器學習。

數據分(fēn)析。正确收集和轉換數據後，将執行統計分(fēn)析以從數據中(zhōng)得出見解。

機器學習。這是使用從數據分(fēn)析中(zhōng)得出的見解來通過算法實現自動決策的過程。

人工(gōng)智能（AI）。這指的是更廣泛的自動化決策類别，其中(zhōng)機器學習隻是其中(zhōng)的一(yī)個組成部分(fēn)。

AIOps用例

如果正确實現了四個組件，則可以在以下(xià)用例中(zhōng)使用AIOps：

異常檢測因果分(fēn)析預測警報管理智能修複AIOps的現狀

當前尚未實現AIOps的采用率，但Gartner在2017年估計，到2019年，“全球25％的企業将戰略性地實現支持兩個或多個主要IT運營功能的AIOps平台”。此外(wài)，據TechValidate稱，其中(zhōng)有97％接受調查的IT組織一(yī)緻認爲，支持AIOps的解決方案可提供可行的見解，有助于自動化和增強整體(tǐ)IT運營功能。

盡管大(dà)多數企業可能需要一(yī)段時間才能部署AIOps平台，但AIOps已經被企業采用。

AIOps的障礙

由于企業無法确定AIOps是真正的創新還是單純的炒作，因此目前很難更廣泛地采用AIOps。企業還發現收集高質量數據具有挑戰性，并且缺乏實施AIOps支持的解決方案的最佳實踐。但是，通過充分(fēn)的研究和計劃可以克服這些障礙。

結論

AIOps是用于管理IT系統複雜(zá)性的解決方案，它結合了數據驅動的Analytics（分(fēn)析）洞察力和IT Ops的實用性。然而，盡管AIOps前景廣闊，并且已經在企業中(zhōng)早日采用，但大(dà)多數企業可能需要一(yī)段時間才能部署AIOps平台。變革正在進行中(zhōng)，但不會一(yī)而就。