1.7　智能實踐

在20世紀60年代，人工智能和機器學習等理論已經(jīng)發(fā)展得比較完善了，但是由于當時條件有限，特別是在計算能力上的限制，在數(shù)據(jù)處理的算法方面一直沒有能夠落地的技術(shù)。隨著云計算的發(fā)展，帶來了計算能力革新性的提升，人工智能這些基于大數(shù)據(jù)的技術(shù)終于在當今再度繁榮，帶來了數(shù)據(jù)智能。

在運營上，數(shù)據(jù)智能的實踐可以分為兩方面：商務運營（Business Operation）和技術(shù)運營，如圖1-8所示。

圖1-8　數(shù)據(jù)智能在運營中的應用

在商務運營上，數(shù)字智能可以帶來商務模式的創(chuàng)新。數(shù)據(jù)智能可以提供相當準確的預測、分類，以滿足諸如定制化營銷、廣告精準投放、人臉識別、語言交互、自動駕駛等場景需求。這些會在本書的第2部分“大數(shù)據(jù)與數(shù)據(jù)智能”里做詳細的介紹。在第2部分的第11章“企業(yè)大數(shù)據(jù)實施策略”中，在商業(yè)模式的創(chuàng)新上有具體的講解。

在技術(shù)運營上，或者說在運維上，數(shù)據(jù)智能體現(xiàn)在技術(shù)運營的數(shù)據(jù)能力上，也就是AIOps上。下面對AIOps做簡單介紹。

在互聯(lián)網(wǎng)時代的早期，在當時的用戶規(guī)模和商業(yè)模式下，技術(shù)運營工作大部分是由運維工程師手工完成，這被稱為人肉運維時代。隨著互聯(lián)網(wǎng)業(yè)務急速擴張、用戶規(guī)模指數(shù)級增長，云計算服務的類型變得越來越多，系統(tǒng)規(guī)模變得越來越龐大和復雜，運維人力成本的增長也終于達到了無法忍受的程度，自動化運維的概念應運而生。用機器的自動化來執(zhí)行重復的手工運維工作，解放運維工程師的雙手，大大減少了人力成本，更提高了技術(shù)運營的效率，同時，這也是AIOps的一個重要思考點和起步點。

2019年互聯(lián)網(wǎng)用戶規(guī)模已經(jīng)突破40億，在全球有一半的人口“觸網(wǎng)”的背景下，全球排名前100的互聯(lián)網(wǎng)應用，任何一天的數(shù)據(jù)量都是PB級的。這些頂級互聯(lián)網(wǎng)應用的系統(tǒng)規(guī)模、復雜度、變更速度以及對穩(wěn)定性、安全、成本、效率的要求已經(jīng)遠遠超過了“基于人為指定規(guī)則”的自動化系統(tǒng)所能夠掌控的范疇，技術(shù)運營的瓶頸已經(jīng)不再是運維工作的執(zhí)行，而是運維工作的決策。

全球頗具權(quán)威的IT研究與顧問咨詢公司Gartner在2016年便提出AIOps的概念，并預測到2020年，AIOps的采用率將會達到50%。AIOps不依賴人為指定規(guī)則，主張基于人工智能算法從海量運維數(shù)據(jù)中持續(xù)學習，不斷提煉并總結(jié)規(guī)則。AIOps在自動化運維的基礎上，增加了一個人工智能大腦，從監(jiān)控系統(tǒng)采集到的海量數(shù)據(jù)中發(fā)現(xiàn)規(guī)則并根據(jù)實時環(huán)境態(tài)勢數(shù)據(jù)做出分析決策，指揮自動化指令的執(zhí)行，達到技術(shù)運營的高效率、低成本和服務高可靠性這些整體目標。

截至2019年，從AIOps已經(jīng)取得的落地成果來看，其市場發(fā)展正處于從早期先行者市場跨越到主流實用主義者市場的關鍵階段。AIOps已經(jīng)在多個行業(yè)多個場景實現(xiàn)了單點突破，并逐步形成包含學術(shù)研究、技術(shù)預研、產(chǎn)品研發(fā)、用戶場景的AIOps生態(tài)。當前最大的挑戰(zhàn)在于如何從點到面，將多個單場景的實踐方案提升到一個能為眾多企業(yè)用戶服務的通用化AIOps平臺。

AIOps的講解在本書的第4部分展開。在這部分將介紹近兩三年國內(nèi)領先的互聯(lián)網(wǎng)企業(yè)的AIOps落地實戰(zhàn)案例和來自一線實踐的心得體會。