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 背景及所应具备技术能力分析（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做点事情的机会。大约三年前在这个领域创业，积极寻求 Product Market Fit。这几年下来，经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。

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

对 AIOps 误解：

AIOps 等于可以减少人力资源的投入

• AIOps 不等于无人值守;

• AIOps 不等于 NoOps;

• AIOps 不等于可以减少人专家的参与;

• AIOps 可以降低人力成本;

• AIOps 在现阶段不等于可以省钱;

AI 的确是一个非常性感的词汇，大家认为只要实现了智能化，就能够轻轻松松，不需要人的干预，这当然是一个非常理想的状况，但是，在短时间内，这个不能实现。这个的实现难度，个人认为，与自动无人驾驶，能实现第五等级是同样的难度，也就说，可能起码需要10年左右的时间，甚至可能更长时间。

AIOps 平台本质上还是一个工具，在构建后，仍然需要人的参与，而且在目前的探索发展的投入阶段，有大量的工需要去做，需要运维专家，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，而且相关的投入可能需要多年的时间。

在平台建立后，在持续改进的情况下，仍然需要专家或者分析师，从不同的维度，从不同的业务口径，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，平台才能够为IT运维，业务分析产生持续的洞察，提供商业价值。

所以，AIOps 不能取代人，在现阶段不可能减少人力投入，但在未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，但是我个人认为，在此阶段，大部分企业不应该以算法为第一着眼点。

这个应该是比较有争议，或者，或者说大家认知不太一致的部分。以下这张图是 Gartner在 AIOps 还在叫 ITOA 时候，给定义的四个阶段：

• Data ingestion, indexing, storage and access;

• Visualization and basic statistical summary;

• Pattern discovery and anomaly detection;

• 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，如果不拥有充分的前一阶段能力，将会影响 ITOA 的落地效果。因此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。

大家都知道，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，其实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

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

一定要上深度学习才叫 AIOps

我们可以先看看 AI , Machine Learning , Deep Learning 的关系，他们的关系大概如下图。

学术界有不少学者，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。但是，其实智能运维所需要的大部分算法，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，因此 我们不应该将深度学习与 AIOps 挂上必然的联系。

甚至于，我们不用拘泥于概念，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，降低了运维人员的工作强度，提高了效率，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。

它适合现阶段所有有规模的用户

这个比较好理解，就目前来看，AIOps 只适合大型的客户，原因如下:

1. 中小型的客户缺乏多种数据源;

2. 中小型客户业务需求没有那么复杂;

3. 很多算法，其实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

我看到过不少的文章，将运维分成了四个阶段，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，硬是塞了很多自动化运维，批量操作，批量规划的功能在里头，我觉得都是不对的。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作。

因此，企业应该将自动化运维和智能化运维看成了两个有关联的体系，但是不应该混一谈，造成更多的误解。