数据中心的软件智能化已成为共识，但背后的IT运维到底要进化到何种程度?现实情况是，一方面随着企业所面临的运维数据在时间、空间、架构、规模等方面越来越复杂，另一方面新旧业务之间的平滑对接对传统IT流程也是不小的考验，如果运维的AI化落后于数据中心的AI，无疑会拖累数字化的进程。
　　如果按照字面意思，AIOps即Artificial Intelligence for IT Operations，不过Gartner对它的解释是AlgorithmicIT Operations，也就是基于AI算法去解决IT运维流程中的问题，例如性能监控、可用性分析、关联事件、自动化，以及日志、应用状态等运维数据信息。这一过程中，并不涉及人为的干扰因素。

　　调查显示，全球有超过3000名CIO将数字化业务列为工作重点，预计AIOps的全球部署率会从2017年的10%升至2020年的50%，所覆盖的行业将涉及金融、电力、医疗、航天、通信、HPC等领域。其背后的挑战可以从几个方面来看，首先是规模倍增，设备端可能有数十万台主机需要监控至少数千个运行状态，所处理的数据量日均也是T4B级，而且还是实时的。

　　其次，IT运维对连续性的高要求使得持续的交付、集成、调度成为首选，再加上海量的数据，对已有的运维成本存在较大挑战，例如当前IT业务中充斥着公私混的云环境，以及第三方的SaaS类应用，传统的管理办法再弹性环境中难以适应，而借助人工去监督、统计、追踪、分析是很大的工作量，情况只会越来越糟。

　　此外，更多的感知行为正在向网络边缘移动，使得云基础架构成为了IT解决方案部署的首选平台，从而让开发人员获得了较以往更大的权力，IT人员还要在IT Ops的层面承担更多责任，例如了解业务是如何在服务和底层架构之间进行交互的。

　　从脚本运维到工具运维，再到智能运维，特点可以体现以下方面：数据源搜集、大数据分析、规则及模式识别、域算法、AI算法、自动化。需要注意的是，AIOps并没有改变AI应用本身，而是强调对流程、规则的AI化。例如，AIOps可以从无到有先对单点进行击破，然后形成局部方案以此类推到面，由多个单点模块组成完整的AIOps流程。其优势是，可知悉、可重用、可升级。

　　与此同时，运维团队的角色也在转变，要加入数据工程师、开发工程师甚至是AI工程师，除了继续承担质量、成本、效率方面的工作，还要在AIOps的实施过程中变身为需求的发起方和结果收验方。其中，运维AI工程师也要学会利用机器学习对运维产生的数据、经验进行整理和分析，最终让数据发挥应用的价值。

　　当然要想具备运维AI的技能并不容易，对TensorFlow、Caffe、CUDA这些框架要有基础，还要对交叉验证、验证曲线等模型评估有基本的判断。要知道在基础运维平台中，除了在运维时要提供标准化的运维数据和操作，在AIOps时的一些接口仍需要同时支持人工和自动数据获取和运维操作。

　　无论多么智能，AIOps的核心还是Ops，这就决定了其会是跨领域的技术理念，因此在企业内部开发者智能运维的时候，要结合业务特点来制定AI机制，不排除做二次开发的可能。如果运维不能AI化，那数据中心再怎么智能也只会停留在表层。