AIOps并不是憑空而起的技術，實際上，運維一直是數據中心重要的工作之一，在數據中心漫長的生命周期內，幾乎大部分時間都是運維的工作。在運維發展的過程中，從最開始的人工運維，到工具運維，再到Devops，Devops可以理解為自動化運維，現在到了AIOps的時代。人工運維顧名思義，是利用單獨的腳本或者一些簡單的工具，沒有較為完善的系統和運維理念，絕大部分運維的工作靠人工完成；工具運維則依賴較為完善的工具，并經過不斷改進，工具越來越成熟，工具可以替代一些重復性的操作類人工工作；Devops則完全依賴自動化，通過SRE、Chatops等高級形式工具，將運維流程和操作實現完全自動化，Devops可以代替大部分的人力工作；AIOps則將AI技術引入到運維當中，通過機器的自我學習、自行分析決策，自動去執行腳本。顯然，隨著運維技能的提升，數據中心越來越多運維的工作都可以交由機器來自動完成，至少最終數據中心完全可以自動運行，鮮有人工參與，這樣能極大降低數據中心的人力成本，提升數據中心的競爭力。

 

AIOps可并不是拿來就可以用的，它要對海量的數據進行學習，學習完后有了經驗，才能夠根據學習的經驗來工作。所以AIOps需要大量的監測日志、設備運行狀態信息、已發生過的故障、歷史經驗、自動化腳本等等，數據越豐富，AIOps的能力就越強，試想如果靠人去記憶查找，人的大腦是記不住太多東西的，而機器不同，它可以清楚記得數十G文件中的任何位置的標點符號，相對于人類的智慧——雖然是無限的，但不如機器來得高效。所以當遇到問題時，AIOps依賴的歷史數據要比人腦積攢的多得多，如此才能給出最佳的問題處理方式，這也是AI在任何一個領域中應用時所用的相同方式。AIOps就是將人工決策分析交給了機器，用機器學習方法做決策分析。從技術上說，AIOps需要大量的實踐和沉淀，任何歷史的經驗數據對AIOps都有益。如果說AIOps學習的數據樣本很少，那么再好的算法，也會經常給不出決策結果，最終還是要人工干預，要是事事還要人去參與，那AIOps就失去存在的意義了。在AIOps學習階段，要給AIOps輸入大量的學習樣本，學的越多，AIOps能夠代替人處理的工作就會越多，隨著時間的積累，你會發現AIOps能干的事情越來越多，只要讓AIOps學習一次，類似的工作AIOps都可以做起來，比人工高效多了。數據中心出現故障是無法完全避免，重點是快速應對，不以發生故障為恥，以快速修復為榮，AIOps幾乎可以數秒之間就可以完成故障排查和解除，在這么短的時間完成，人工是無法做到的，這么快就恢復，業務層面也基本不會有感知，真正做到即便出故障了，也能保持業務無中斷。

 

AIOps既然是這么棒的技術，一定在數據中心大受歡迎吧，實際卻不是這樣。AIOps概念炒得挺火，真正落地實現的案例并不多。一方面是AIOps采用的機器算法很重要，算法要適應數據中心的環境，根據數據可以得出接近人判斷的結果，AI技術本身也在不斷發展過程中，這方面也還不成熟，技術雖夠先進，可與實際應用還有距離。另一方面是每個行業的數據都有自己的特點，數據中心也不例外，而且數據中心的數據量和特征都特別多，這對AI是個挑戰，數據中心里有太多新的IT技術，產生很多新的數據，這些都需要AIOps不斷調整算法，不斷去適應和學習，如果學的不好，容易給出錯誤的決策，導致系統失控和癱瘓，這時就需要人工多介入，及時調整AIOps的算法和數據錄入的準確性，將一個數據中心的AIOps真正建起來，這不亞于數據中心運維工作幾年的工作量。所以AIOps需要一個專業的團隊來做，大型的企業都有自己的AIOps團隊，而中小企業則從外部聘請IBM、Oracle等AI技術公司來做，這種投入目前看也是蠻大的，往往讓那些想引入AIOps的數據中心暫時擱置起來。所以，當前AIOps落地成了最大的難題，已有部署AIOps的數據中心，AIOps發展差異都很大。

 

運維未來的方向肯定是AIOps，這一點毋庸置疑，只不過AIOps仍處于偏理論階段，還需要時間進行不斷完善。AIOps 可以貫徹整個運維領域，從硬件資源規劃、管理、實施，操作系統安裝配置，到中間件及應用軟件的上線、變更，以及后續的監控、報警、維護、優化等各方面都能夠支持，AIOps幾乎無所不能，只要人能做的工作，AIOps都能做，人不能做的工作，AIOps也都能做。隨著AIOps的成熟，后面也許會進入AIDevops時代，它比AIOps多了一個Dev，比Devops多了一個AI。這是智能化開發和運維、智能化生命周期管理時代，這要比AIOps還要智能，將具有度量、分析、學習、預測、指導，行動的能力，AIDevops才是智能運維的未來。