不同發(fā)展策略的智能運維發(fā)展方向是一致的，即通過大數(shù)據(jù)和人工智能技術(shù)對運維管理進行賦能：
結(jié)合現(xiàn)有監(jiān)控手段，增強數(shù)據(jù)分析，進一步提高監(jiān)控的能力；
通過資源的有效配置節(jié)省運維成本；
通過多數(shù)據(jù)源分析增強排查問題的能力，有效縮短故障恢復(fù)時間；
通過預(yù)警并結(jié)合自動化工具，有效提高運維效率甚至自愈能力。
目前智能運維尚處在弱人工智能階段，人機協(xié)作的方式將促進智能運維的發(fā)展，人教會AI去學(xué)習(xí)，AI實現(xiàn)對數(shù)據(jù)的智能分析，提高運維人員的運營能力。
建設(shè)智能運維的算法挑戰(zhàn)
雖然這幾年人工智能在人臉識別、智能駕駛等領(lǐng)域得到了大量應(yīng)用，但是AI仍然面臨著計算效能、安全、可解釋性等諸多挑戰(zhàn)。相比于其他AI落地場景，智能運維所亟需解決的問題具有一定的獨特性：
1.心態(tài)的轉(zhuǎn)變：智能運維是運維發(fā)展的方向，而且是一個長期的過程——從經(jīng)驗主義到數(shù)據(jù)驅(qū)動，再回歸到業(yè)務(wù)驅(qū)動的過程。經(jīng)驗是結(jié)合了數(shù)據(jù)、知識、業(yè)務(wù)等長時間學(xué)習(xí)的結(jié)果，而AI主要依靠歷史指標或者文本數(shù)據(jù)，對歷史數(shù)據(jù)進行預(yù)測，從而對未來趨勢做出判斷。對于想達到的目標，需要考慮現(xiàn)有的信息是否充足，還需要結(jié)合業(yè)務(wù)場景進行具體模型的不斷優(yōu)化。
2.工程化算法的欠缺：由于缺乏標準的運維數(shù)據(jù)集，學(xué)術(shù)界針對運維的算法還比較少，工程化的算法尤其欠缺。同時算法在不同數(shù)據(jù)集上的泛化能力也決定了算法能否在真實場景應(yīng)用的關(guān)鍵。
3.缺乏有效的標簽體系：以異常定義為例，由于不同業(yè)務(wù)部門對數(shù)據(jù)需求存在巨大區(qū)別，同時對異常的容忍程度也有不同定義，因此現(xiàn)有的泛化模型難以滿足用戶的實際需求。
4.數(shù)據(jù)的多樣化和變更頻繁：運維場景存在大量變更行為，因此需要考慮Concept-shift（如：促銷中的變更）前后對算法結(jié)果的影響。
5.唯一性：很多異常和故障的特征是唯一的，很難通過歷史數(shù)據(jù)的學(xué)習(xí)得到，因此需要結(jié)合業(yè)務(wù)屬性和其它數(shù)據(jù)進行有效學(xué)習(xí)。
6.算法失效帶來的災(zāi)難：AI的應(yīng)用需要明確目標和不確定性。工業(yè)化算法的準確性在85%以上可以用，但是需要考慮不準確情景的影響。算法很多時候需要考慮準確和召回的集合（F-score），而很多場景對算法的準確性有更高要求，因此對算法結(jié)果的評估將有助于進一步完善模型。
提升智能運維關(guān)鍵能力
面對上述算法落地挑戰(zhàn)，需要對運維場景進行剖析，將學(xué)術(shù)界的算法和業(yè)界的場景有效的融合統(tǒng)一，再通過業(yè)界的工程實現(xiàn)能力進行有效的組合。對于每個場景的實現(xiàn)，都不僅僅是一個或多個算法。在智能運維的落地的過程中，一般會構(gòu)建四個智能分析能力集合：
智能告警能力
及時有效的告警是運維的基礎(chǔ)。智能運維常常利用異常檢測來實現(xiàn)智能告警，但是異常檢測主要是找出數(shù)據(jù)的異常，而告警是業(yè)務(wù)驅(qū)動的，因此在設(shè)計告警條件時，需要集合異常檢測和業(yè)務(wù)的特性進行告警。
智能診斷能力
當關(guān)鍵業(yè)務(wù)指標發(fā)生異常時，快速給出問題的根本原因的能力。在運維過程中，根因很可能是唯一的，不能通過歷史學(xué)習(xí)的方式構(gòu)建，需要一個系統(tǒng)性設(shè)計，構(gòu)建完善的運維分析庫，通過有效的學(xué)習(xí)對故障進行快速定位。
智能預(yù)警能力
通過基于歷史數(shù)據(jù)的有效學(xué)習(xí)，對未來可能的故障進行有效預(yù)測是減少損失的重要手段。故障的類型很多，針對不同類型的預(yù)測需要不同的算法模型。當故障發(fā)生時，配合資源優(yōu)化算法，自動化的對任務(wù)進行編排，從而有效、及時預(yù)測故障的發(fā)生。
智能服務(wù)管理能力
智能服務(wù)管理能力將利用人工智能技術(shù)，與新一代ITSM進行融合。通過知識庫的構(gòu)建，利用文本相似度，對歷史上發(fā)生的故障工單進行匹配，及時有效的提供故障的解決方案，大大提升了故障的處理效率，結(jié)合自動化的工具，快速給出請求回復(fù)，減少運維人員的時間浪費。
注重算法的魯棒性、自適應(yīng)性、可解釋性、泛化能力等，通過構(gòu)建專業(yè)運維數(shù)據(jù)庫以及智能分析方面的4個關(guān)鍵能力，將為企業(yè)智能運維體系化建設(shè)提供有力支撐，落地從運維的監(jiān)控預(yù)警、告警、診斷分析、事件管理和知識推薦的全鏈路智能系統(tǒng)。
發(fā)展與展望
隨著AIOps應(yīng)用不斷的深入，智能運維將會在縱向和橫向不斷延伸。橫向上，智能運維應(yīng)用場景將會從ITOM向ITOA、ITSM和ITBM發(fā)展，覆蓋更多的運維領(lǐng)域。縱向上，隨著運維數(shù)據(jù)成熟度以及AI能力的提升，智能運維將從機器學(xué)習(xí)向深度學(xué)習(xí)、增強學(xué)習(xí)甚至向元學(xué)習(xí)能力延伸。這種縱橫能力的覆蓋，將實現(xiàn)AI對整個運維場景的可見、可控、可分析、可管理。
