什麼是AIOps
根據Gartner定義，AIOps(Artificial Intelligence for IT Operations)是結合了大數據(Big Data)和機器學習(Machine Learning)功能，透過廣泛擷取並分析大量、多樣化且不斷成長的IT資料量，透過自動化持續運作的方式以增強各種IT運營流程和任務，包括性能分析、異常檢測、事件關聯和分析、IT服務管理和自動化，以更有效率的方式支持主要IT運營功能，主要功能包含:
🅐整合多樣化來源的資料
需將平常來自應用效能、外網監控、系統工作日誌、系統安全等觀察數據、參與資料(例如事故單ticket)、事件記錄(event log)、大數據資料庫中的資料進行匯總，針對合併後的IT資料部署機器學習技術，做為AIOps平台利用人工智慧和機器學習演算法進行深入資料分析前的準備。
🅑包含完整的服務
AIOps服務包括可用性和性能監控(Monitoring)、事件關聯分析、IT服務管理(ITSM)和自動化(Automation)。 這些服務需透過同時截取多個資料來源進行探索，並即時預測可能發生的事件及產生的新使用狀況，同時回顧歷史資料，確認導致當前系統行為的主要原因，最終以有用的方式進行分析與呈現。
🅒持續性的自動化
理想的結果是持續洞察與持續自動改善。AIOps可以讓核心IT功能持續整合和自動部署。
為什麼需要AIOps?
數位時代來臨，愈來愈多企業了解到簡化運營方式提高員工生產力，已是創造企業競爭力的必要挑戰之一，對負責日常維運的IT來說，採取行動的速度也需不斷提高，例如:
1.提供更好的因果關係分析，有助於確定事件的可能原因
2.截取超出靜態閾值的異常狀況，主動檢測異常事件
3.推估未來事件以防止潛在故障
4.採取行動解決問題（不管是直接解決或通過整合方案解決問題）
透過AIOps自動化的運作模式，可以幫助IT日常維運加速運作，達到更少誤判且更快速解決問題的目標，進一步更可支持企業迎接更複雜的環境與挑戰。
達到完美 AIOps的四個階段十二個步驟
👣一、建立階段(establishment phase)
- 選擇少量與關鍵業務有關的應用程序做為測試用例
- 審查現有維運人員的技能
- 盤點現有與維運過程產生資料的資料來源
👣二、反應階段(Reactive Phase)
- 建立半結構化歷史資料庫
- 讓歷史資料中的數據，可以透過可視性及採用自然語言功能來進行存取
- 透過部署統計的方式，讓歷史資料可進行趨勢性的分析
👣三、擴展階段(Expansion Phase)
- 完成建立階段與反應階段工作後，再加上部屬並截取串流資料(streaming data)工作，讓資料可進行即時分析。
- 結合歷史與現有資料分析並預測事件
- 面對複雜問題採取根本要因分析法進行分析。
👣四、主動階段(Proactive Phase)
- 將功能擴展到20或50個相關的商業應用程式
- 與IT流程共享資料與分析結果，完成跨IT服務。
- 與商業流程共享資料與分析結果，將成果轉換為跨數字業務的服務。
AIOps所帶來的價值
AIOps結合AI、ML、Bigdata等元性，使IT維運平台可以擁有自主學習、主動分析以及自行運作等能力，目地是讓IT管理更有智慧地加速企業數位轉型的腳步，其帶來的價值應包含:
1.提升IT維運人員工作效率
2.提供IT維運人員更深度更全面的判斷問題發生的原因
3.由被動當知的工作模式轉化為主動預測並提出預防措施的維運思維
4.可避免人為判斷經驗不全面所帶來的干擾因素
5.完成跨系統聚合資料，更精準發掘問題
個人觀點
過往幾年看過國外的幾個Infrastructure Management產品，其實都已俱備整合多種資料來源、提供可視性資料呈現能力、運用歷史資料進行預測風險的能力。在簡單研究了AIOps後個人的想法認為，有幾個新的觀念是可以在現在的IT維運環境上，期待市場產品或技術來考慮加入的，包含:
1.整合非infrastructure的資料來源，能提供判斷風險更多的資訊，例如整合APM、Social media等非結構性資料。
2.加入能籍由經驗學習、分析數據進而預測未來的機器學習技術。
而AIOps能否達到將AI技術完整納入這個境界，我仍持一個保留的態度。以現行的AI熱潮所產生的實際應用，我個人認為都還算不上一個完整的AI。例如聊天機器人對看護機器人，基本上這些應用比較像是input些特定關鍵字給機器人，機器人會進行簡單的比對並執行對應的程序， 想當然output的結果必然顯得生硬，其中其實沒有AI的元素，但這並非是技術不到位，而是整合與靈活應用還需要點時間而已。
(註:原文於2019年撰寫)
留言列表
{{ article.title }}