什么是 AIOps？

Artificial Intelligence for IT Operations（AIOps，IT 智能运维）是指结合大数据和 Machine Learning，将包括异常检测、事件关联以及运营数据采集和处理在内的 IT 流程实现自动化。

借助 AIOps，团队能够大幅减少大规模检测、了解、调查和解决事件所需的时间和精力。进而，在故障排查期间节省时间便可让 IT 团队将更多精力投入到更有价值的任务和项目上。

AIOps 集成了监测功能，还添加了 Machine Learning 和统计分析功能，可用于实时识别威胁和解决问题。它通常会使用一个可扩展的数据平台来将所有类型的 IT 数据汇集在一起，其中可能包括：

• 历史数据
• 日志和指标
• 性能和事件数据
• 基础架构和网络数据
• 与事件相关的数据
• 应用程序数据，例如痕迹信息

通过整合以上所有这些数据，AIOps 工具能够运用高级分析和 Machine Learning 功能，准确、主动地发现需要注意的问题。这些工具对于分析现代组织生成的大量原始可观测性数据是十分有必要的。由于应用程序、工作负载和部署在云（混合云或多云环境）中一直都是分布式的，而且分散在各个角落，因此这些数据往往都错综复杂。

AIOps 平台非常有助于管理纷繁复杂、瞬息万变的现代云环境。借助这些工具，IT 团队能够：

• 识别重要告警：并非所有事件都需要花费同等的精力去处理。AIOps 可以将信号（异常事件告警）与噪音（其他一切正在发生的事件）分离开来。
• 启动根本原因分析：AIOps 工具可以识别较大问题的相应症状，发掘相关的因素，并给出解决问题的解决方案。
• 实时监测：AIOps 工具支持在基础层面上监测多个不同系统是否存在异常。然后，当有问题出现时，相应团队可收到通知。这一点还可以通过自动修复来进一步得到提高，即发送告警来触发系统做出响应。借助自动修复，可以在最终用户意识到问题发生之前就将问题消弭于无形。
• 持续改善：像任何运用 Machine Learning 技术的工具一样，它会随着时间的推移而变得更好。随着问题被发现并得到解决，模型可以从中获取有用的信息并作出相应调整，从而帮助团队更好地立足当下，未雨绸缪。

为了从工具投资中获得最大收益，AIOps 解决方案需要具备适当的功能。这包括：

• 集成：为了让 AIOps 工具有效地发挥作用，就必须与您已经在用的工具和系统进行全面集成。这样才能帮助您从各种来源采集数据，以确定组织内哪些工具和系统有效，哪些行不通。
• 映射和跟踪：通过提供直观的可视化视图来查看基础架构、流程、事务流和依赖关系，使团队能够从宏观角度更好地了解系统的运行状态。因此，团队需要使用服务依赖关系映射功能和分布式跟踪，以支持对遥测数据的调查。
• 平台方法：利用支持可观测性、APM 等功能的一体化 AIOps 平台，可让您对数据有一个总体的了解，打破传统的数据孤岛。
• 支持云原生技术：AIOps 工具需要能够将来自容器、微服务和编排工具（如 Kubernetes）的数据聚合在一起。这有助于 AIOps 工具了解应用程序和基础架构级别发生的事情，从而为 DevOps 工作流和可扩展性提供支持。

IT 团队和 DevOps 团队会使用 AIOps 从源自不同来源的大量数据中获取见解。AIOps 能够使用高级分析和 Machine Learning 功能，因此对于具有复杂数字生态系统的前瞻性企业而言，都是必不可少的解决方案。

AIOps 之所以重要，是因为它可以帮助 IT 运营团队缩短故障排查时间。节省下来的时间则可以更好地用于设想和实现他们的目标。通过利用 AI 和 Machine Learning，AIOps 可以帮助：

聚合多个数据源
许多 AIOps 解决方案都能够监测日志文件、配置数据、指标、事件和告警。这其中包括您所在组织特有的任何非结构化的数据类型。这些解决方案可将相关数据拉取到一个位置，从而为组织创建“单一管理平台”。将数据集中在一起后，查看起来将更有效率。

调查问题的根本原因
AIOps 的主要优势之一是根本原因分析，可帮助团队找到跨多个系统中出现的任何问题的根源。一旦确定问题，IT 团队便可直接找到源头并加以纠正。

预测可能会出现问题的场景
借助预测分析和 Machine Learning，AIOps 能够捕捉到 IT 团队或许没有注意到的异常情况，甚至还可以预测未来趋势。AIOps 异常检测算法可通过将不同来源的实时和历史数据相比较，以此来找出异常、有问题的模式。它们可以捕捉到或许不会触发高优先级告警但仍可能导致重大问题的危险信号。在某些情况下，AIOps 还可以通过自动修复来自行解决数据问题，期间无需人工干预。

发现和过滤误报
使用 AIOps 将事件关联起来，可以准确找出并过滤掉属于“白噪音”的事件。 这些白噪音事件可能会触发告警，但实际上并不是重要的问题。系统随后会将它们作为低优先级项目放在一边。在这一方面实现了自动化的组织中，可让 IT 运营团队集中精力优先处理最重要的任务。

不断从数据流中学习
AIOps 的 Machine Learning 作业在分析所有数据流的同时，会不断地自行改进。随着 ML 模型的改进，这些作业在识别企业所面临的各种异常情况方面也会变得更好。监督式 Machine Learning 模型从用户那里获取输入信息，以便更准确地了解你在一段时间内的优先事项。随着业务的发展，AIOps 也会随之发展，从而为运营团队提供更多帮助。

1. 为员工提供支持
   面对繁琐且需要人工执行的数据分析工作，即便是技术娴熟的 DevOps 和运营团队也可能会不堪重负。借助 AIOps，可让他们将这些任务进行自动化，并将部分工作交由 AIOps 处理。由于 AIOps 解决方案承担了繁琐的分析任务，这使得团队能够发挥自己所长，专心处理急难任务。
2. 加快新服务和产品的开发速度
   AIOps 能够助力企业发展得更快。在基于 AI 分析的支持下，团队可以快速跟踪新的 IT 服务和功能。通过挖掘海量事件和遥测数据中最相关的信息，AIOps 还会让您的事件管理流程变得更高效。
3. 提供对 IT 环境的全方位了解
   AIOps 解决方案可以利用数据湖或数据仓库在一个集中位置有效存储和聚合不同的数据流。多功能型仪表板和分析功能可以将所有数据都整合到一起，让运营团队不必再在多个孤立视图中分心查看各种信息。
4. 提高客户满意度
   AIOps 还可以监测响应时间、使用率和可用性等各种性能元素。预测性的分析有助于防止发生事件和中断，让您能够更快、更好地解决问题并推出升级产品。因此，AIOps 可帮助您为最终用户提供流畅的使用体验，从而对您及品牌产生良好的影响。
5. 节省费用
   AIOps 可缩短平均解决时间 (MTTR)，并做到防微杜渐。此外，它还能够就组织内的哪些工作负载导致成本增加提供见解。使用 AIOps，有助于快速修复代价高昂的错误，提高团队的工作效率，进而赢得更多的预算空间。

AIOps 与 MLOps 是互补关系。DevOps 则是会借助以上二者的一组实践和工具。

AIOps 与 DevOps 的对比

DevOps 代表了组织文化的转变。它精简了开发和运营流程，让软件发布和开发生命周期更加高效。AIOps 和 DevOps 都凸显了自动化的益处：消除耗时的人工作业，打造更加智能的团队工作方式。

DevOps 使用软件对软件开发和 IT 团队的流程进行自动化和集成，以便让他们更高效地工作。它通过采用持续集成和持续部署 (CI/CD) 的方式来简化开发工作。

AIOps 结合了 AI 和 Machine Learning 技术来监测和管理各个系统，以便更快地解决问题。这可以通过将数据分析任务进行自动化来为 DevOps 流程提供补充，让开发人员和运营团队不会被雪崩式的数据整理任务所压垮。这将有助于团队做出更明智的决策，避免持续数小时的人工分析，并主动提醒成员注意任何问题。

通过将 AIOps 和 DevOps 结合使用，可让团队查看整个系统的运行情况，而不是专注于特定工具和基础架构层。

AIOps 与 MLOps 的对比

MLOps（Machine Learning Operations，机器学习运营）是对 AIOps 的补充。AIOps 使用 Machine Learning 来提高 IT 运营的效率，而 MLOps 则用于实现 Machine Learning 模型部署的标准化。MLOps 的重点是在生产环境中部署、维护和监测模型。这可能包括纳入反馈输入，以重新部署经改进的模型。

AIOps 可帮助金融服务组织实现数据分析的自动化和大规模的监测。对于许多金融机构来说，在将传统的本地部署系统迁移到云端时，AIOps 解决方案就相当于一层安全保障。这些解决方案能够：

• 提升运营效率：能够全面地了解问题，从而消除了团队在多个系统中手动查找的负担。
• 满足并超越客户期望：在金融行业，在线客户体验是一个关键的战略重点。借助 AIOps，组织能够快速解决事件，从而确保让客户获得所需的实时访问体验。
• 数据治理：AIOps 解决方案可以帮助识别和记录数据源，为数据治理提供必要的线索。
• 降低成本：AIOps 可以自动处理现在可能由支持团队处理的许多重复性任务，例如登录问题或忘记密码。这可为 IT 团队腾出时间，让他们应对更大的挑战。

金融服务客户聚焦：PSCU
PSCU 通过使用 Elastic 的解决方案，大幅增加了可以采集的数据源数量。借助 AIOps，让 PSCU 在应对呼叫中心延迟和客户面临的潜在影响（如自然灾害）方面，响应速度都得到了提升。

了解更多关于 Elastic 在金融服务行业的应用

AIOps 可以为政府机构自动完成运营数据的分析和纠正，帮助他们实现数据转型目标，且无需对员工进行新技能培训或招聘更多员工。AIOps 能够采集和监测海量的技术数据和任务数据。团队可以审查通过 AIOps 浮现出来的异常，从而检测更大范围内的模式，设置告警以应对未来状况，并强化针对网络威胁的防御。

公共领域客户聚焦：一家美国州级政府机构正在使用 Elastic 来获取有关其 IT 环境的端到端可见性，并且通过对之前需要手动完成的流程进行自动化，将效率提高了超过 80%。

详细了解面向公共领域的 Elastic AI 和 ML

如今，精通数字技术的零售客户都在寻求获得流畅的用户体验。AIOps 恰逢其时，能够帮助零售商主动检测并解决问题，从而让这些客户满意。使用 AIOps，零售商能够提高运营效率，并自动应对常见问题，不会对客户产生任何影响。通过将问题消弭于萌芽阶段，不仅能够增加收入，还能提高客户忠诚度。

此外，组织还能够分析历史数据，做到鉴往知来，帮助团队就提供什么产品和服务做出决策。通过使用集中式的系统，可让团队了解快速变化的全球库存，以便更好地预测何时需要将产品从网站上下架。

零售客户聚焦：家得宝 当家得宝面临一系列的网络中断事件时，Elastic 在负载均衡器服务器还未意识到的情况下，就已经自行修复了。这家家装巨头的高级 IT 架构师兼经理表示，Elastic“非常从容地处理了服务器丢失的情况”。

深入了解 Elastic 在零售业的应用

Elastic 可观测性是一个 AIOps 解决方案，能够为复杂的云原生环境实现全堆栈可见性。Elastic 在 2022 年第 4 季度的“The Forrester Wave™:Artificial Intelligence for IT Operations (AIOps)”报告中获评“Strong Performer”(卓越表现者)。

Elastic 可观测性能够：

• 监测日志，以轻松集中管理和搜索 PB 量级的日志
• 使用应用程序性能监测 (APM) 加快开发速度，提高代码质量
• 简化大规模基础架构监测过程
• 衡量和跟踪用户交互及性能
• 主动监测和验证客户体验

了解如何使用 Elastic 可观测性为组织实现 AIOps

• 借助 AIOps、生成式 AI 和 Machine Learning 实现更智能的可观测性
• AIOps 和生成式 AI 为现代可观测性带来的影响
• 通过 AIOps 自动完成异常检测并更快地完成根本原因分析
• AIOps 实验室 Kibana 指南
• 与 Elastic 合作设计并打造最先进的 AIOps 解决方案
• 在 Elastic 中通过 Machine Learning 实现 AIOps 目标
• 为什么需要将 AIOps 纳入可观测性战略

1. 开始免费试用，并了解 Elastic 可以为贵公司提供什么帮助。
2. 浏览我们的产品，了解 Elasticsearch 平台的运行方式，以及我们的解决方案如何满足您的需求。
3. 可观测性：阅读我们的现代可观测性指南，并理解如何帮助所在公司和团队做好准备来充分利用可观测性解决方案。
4. 与您认识且喜欢阅读此类内容的人分享本篇文章。通过电子邮件、LinkedIn、Twitter 或 Facebook 将本篇文章分享给他们。