AIOps是如何工作的？
Intellyx公司首席分析師Jason English曾表示過，混合IT帶來的復雜性、超高速交付以及自動化等挑戰已經卷起一股難以擺脫的事件與警告風暴。而目前興起的AIOps平臺雖然遠稱不上完善，但已經能夠為站點可靠性工程師(SRE)、運營人員以及開發人員提供應對這股風暴的重要助力。
David Lithicum在GIgaOm發表的《Key Criteria for AIOps》報告中寫道，“這些AIOps工具全部圍繞數據展開。”Lithicum強調，在系統監控過程中，真正能夠暴露問題的永遠是數據。對于專門負責預測故障或其他潛在問題/趨勢的解決方案，一切AI系統都必然高度依賴于模型訓練階段的數據供應。
那么，AIOps是如何運作起效的?機器學習與人工(或應用)智能又怎么使用數據幫助忙碌的SRE與DevOps團隊優化故障排查、解決實際問題?下面我們就一起說道說道。
先來看幾條基本定義。
AI是什么?人工智能(AI)屬于以機器模擬人類智能的技術的總稱，而且絕不像大家想象中那么可怕。AI技術的目標非常簡單——讓軟件具有學習、反應、發展、識別與自動化能力。
機器學習是什么?機器學習(ML)算法是在數據集上訓練而成的。這些算法能夠通過經驗與“學習”實現自我調整以改善輸出結果。機器學習算法往往能夠從數據當中發現人類永遠意識不到的未知數值、模式與連接。例如，在AIOps當中，機器學習能夠顯著增強事件響應能力。機器學習屬于人工智能定義下的一個子集。
AIOps如何起效?
要理解AIOps的工作原理，我們先來看一個大多數開發團隊可能都非常熟悉的示例。
在當今高度復雜的系統當中，無數團隊往往被快速淹沒在未知變量與警報噪聲當中。開發者與工程師們一次又一次陷入信息泥潭，而且基本不可能逐一排查每一項警報、每一個事件。由此引發的警報疲勞，也導致真正緊急的警報遭到埋沒和忽略。
我們不可能調遣一位擁有20年經驗的優秀工程師專職篩查警報內容，這實在是對人才的嚴重浪費。這時候，就輪到AIOps出場了。
AIOps是一種新型工具，能夠將AI與機器學習的強大能力引入遙測數據，借此幫助團隊快速評估數據內容、采取應對行動并減少人力勞動需求。
簡而言之，AIOps的主要負責在于數據智能與數據充實。它無法取代開發者角色;相反，它是要把寶貴的時間節約下來，提高信息的可觀察性，最終協助開發者打造出更完美的成品。
AIOps與其他監控工具間的區別
AIOps能夠為DevOps及站點可靠性工程團隊提供豐富的洞見與自動化支持，幫助他們快速發現并解決問題。
其中智能要素的存在，正是AIOps平臺與其他監控工具間的核心區別。也正是這一關鍵因素，讓AIOps得以在現代工作場景下發揮出重要作用。
大多數企業已經意識到自身生產系統復雜性的快速提升。此外，軟件功能的極大豐富也釋放出新的增長機會，開始在增強客戶體驗、壓制競爭對手方面扮演更為重要的角色。為此，開發人員不得不承受起巨大的壓力，在創紀錄的極短時間內無差錯部署軟件以快速解決未來事件。
機器學習與AI能夠為待命團隊提供必要支持，幫助他們在快節奏的環境中發現問題、確定問題優先級并快速實施故障排查與補救。AIOps平臺還增強了現有事件管理團隊及工作流程的運作方式，縮短了平均解決時間(MTTR)、降低人力勞動量，最終給員工及最終用戶帶來更好的體驗。
實踐中的AIOps
AIOps的價值當然不會僅限于噪聲篩選。下面來看AIOps工具使用AI、機器學習與自動化技術增強事件響應流程的三種可行方式：
- 第一，主動異常檢測：AIOps工具可自動檢測環境中的異常，并觸發其他監控解決方案及團隊協作工具，例如Slack，通知以幫助開發者找出未知變量。
- 第二，事件關聯與充實：AIOps工具能夠將相關警報、事件與對應優先級關聯起來，幫助我們快速關注最核心的問題;此外，AIOps還可利用歷史數據或棧內其他工具的上下文信息對警報、事件進行充實，引導團隊高效發現根本原因。目前最先進的AIOps工具已經能夠使用機器生成，基于時間的聚類、相似性算法及其他機器學習模型與人工生成的決策增強相關邏輯，幫助用戶自動排除異常噪聲或低優先級警報。
- 第三，智能警報與通報：AIOps工具能夠自動將事件數據路由至相應的事件響應個人或團隊處，借此節約寶貴時間。特別是面對分布較為分散的自助服務團隊而言，這種方式能夠極大減少成員接收到的噪聲警報數量、加快關鍵事件的數據發送效率，最終降低工作量。
AIOps工具運行機器學習以評估事件管理與監控工具中的數據，并結合以往類似情況將問題移交給相應職能個人/團隊或專門的技術專家。
小結
積極擁抱AIOps，SRE與DevOps團隊有望更深入地了解造成問題的根本原因、快速加以緩解、降低警報疲勞，保證團隊能夠將精力集中在最具價值的工作——創造性與戰略性思考當中。
