共计 2615 个字符，预计需要花费 7 分钟才能阅读完成。
清华大学裴丹传授最近就 AIOps 落地教训进行了屡次分享。本文次要依据裴丹传授在“2021 国内 AIOps 挑战赛决赛暨 AIOps 翻新高峰论坛”、“IDC 中国数字金融论坛”的两次演讲稿整顿而成。
联合集体过来 20 年在 AIOps 畛域与几十家企业单干、跨多种技术栈的落地教训积攒，以及 150 篇左右学术论文的算法积攒，我将分享集体总结进去的 AIOps 落地的 15 条经验性准则。这些教训分成 5 个大类准则，别离波及 AIOps 落地的大趋势、价值路线、架构路线、算法路线、生态路线五个方面。
准则 1（大势所趋）
趁势而为、知己（Ops）知彼（AI）、举一反三
第一个准则次要讲 AIOps 是大势所趋，无论是从运维角度，还是从人工智能技术的利用角度和科学技术的利用角度来说都是这样。
准则 1.a 趁势而为
运维技术在各行各业的重要性越来越高，像银行、证券、保险、电信、能源、工业制作、政府部门、互联网等。因为各行各业数字化水平越来越高、零碎规模越来越大、组件监控粒度越来越细、监控数据量越来越大以及新技术和新组件的一直引入，这些导致运维越来越难做，运维工程师也被海量高速的运维监控数据所吞没。
一方面，运维监控数据是海量的、高速的、多模态的、价值极大的、但又信噪比极低的（即：对运维人员来说间接价值最高的异样数据在数量上远远小于失常数据）。目前看，人工智能算法是解决合乎上述特点的数据的最有心愿的办法。
另一方面，只有在这些数据被关联起来一起剖析时能力施展出它们最大的价值，而关联须要各类简单的依赖关系常识（逻辑组件之间的调用关系图、逻辑组件在物理组件上部署关系图、物理组件的网络门路关系图）和专家常识（组件内运维故障间的因果关系图），能力有物理意义地把各类运维信号关联起来进行无效剖析。目前看，常识图谱技术是表征和利用这些用图示意的常识的最有心愿的办法。
由此可见，用 AI 办法解决运维挑战，势在必行。
当然，不同用户、不同企业的技术危险爱好水平不一样，因而落地 AIOps 的节奏会有所不同，然而我心愿后面的简要阐述曾经阐明了 AIOps 是运维畛域倒退的大势所趋，没有别的抉择，咱们只能趁势而为，AIOps 是运维这一畛域必须要做的事件。
准则 1.b 知己（Ops）知彼（AI）
在 AIOps 落地过程中，相干人员对于 AIOps 的定义、AIOps 的实质、AIOps 的能力边界都有一些探讨甚至争执。在此我也总结一下我对如上几方面的认知。
我先说一下造成我的认知的方法论：知己（Ops）知彼(AI)。知己是指咱们要充分认识到运维（Ops）畛域是一个强畛域常识的计算机应用领域，肯定要想尽办法把运维畛域常识有机联合进来；知彼是指咱们要充分认识 AI 作为一种计算机技术类别的演进趋势，并尊重其在肯定工夫窗口内的能力边界。
首先，置信大家到当初曾经都理解不同运维场景用的技术和算法是不一样的（如下图所示我在清华实验室发表的论文中采纳过的根底算法），很难用黑盒办法来做。
其次，目前为止整个人工智能畛域都是智能在十分具体的行业和十分具体的场景中获得的胜利。同理这是因为行业不同、场景不同，它所须要的算法和技术就有所不同。
如果把 AI 比作一种高级编程语言的话，AI 利用无非就是在一个软件架构外面提供了一部分组件，其局部程序逻辑总结自数据，是概率性的模糊性的。而任何利用，其逻辑都是畛域常识强相干的。就像咱们不可能假如学会了 Java 语言就能主动解决所有利用问题一样，咱们肯定要针对具体行业、具体场景才可能做好一个 AI 利用。
因而，咱们说的知己，是指要清醒认识到所有运维工具简直都是基于强运维畛域常识的，AIOps 也不例外，肯定要想尽办法把运维畛域常识有机联合进来。
知彼是指咱们要充分认识 AI 作为一种计算机技术类别的演进趋势，并尊重其在肯定工夫窗口内的能力边界。首先，咱们要理解人工智能当初停顿到了哪个阶段。援用清华大学计算机系张钹院士的话，“AI 并非无所不能，以后 AI 做得好的事须要同时满足五个条件。”（见下图）
对于 AI 的发展趋势，我也援用一下张钹院士最新发表的一篇文章里提到的 AI 最新的方向。AI 1.0 是“常识驱动 + 算法 + 算力”，这是深蓝计算机战胜国际象棋冠军卡斯帕罗夫的那个年代的技术；到起初 AI 2.0“数据驱动 + 算法 + 算力”，代表性技术是基于深度学习的计算机视觉；AI 3.0 是“常识 + 数据 + 算法 + 算力”，交融常识和数据，是将来 AI 利用的大势所趋。
如前所述，AIOps 须要剖析关联海量多源多模态运维大数据，因而基于强运维畛域常识的 AI 3.0 技术也是 AIOps 倒退的必然技术路线。
至此，咱们能够清晰定义 AIOps 智能运维（AI+Ops）了。咱们说，AI 是任何模仿人类行为的计算机技术。AIOps 是什么？就是任何模仿运维人员行为的计算机技术，它能够基于专家常识、教训、自动化、机器学习、深度学习或它们的某种组合。从另一个角度说，不要因为用到了自动化或硬逻辑，就断定其不是 AI 或 AIOps。咱们要做的是践行“常识 + 数据 + 算法 + 算力”的 AI 3.0 概念，这也是 AI 利用的大势所趋。
准则 1.c 举一反三
从科学技术的利用角度来说，AIOps 也是大势所趋。我在从美国海归退出清华之前，曾短暂做过一段智能医疗，因而我集体习惯在思考 AIOps 时，从医学畛域寻找灵感和启发，也就是“举一反三”。这个习惯也深受我博士导师加州大学洛杉矶分校张丽霞传授的影响，她曾多次公开倡议从生物学中寻找互联网架构设计的灵感。确实，很多时候“太阳底下没有新鲜事”，在运维畛域遇到的很多问题，在其它迷信畛域都可能遇到过，而“它山之石可以攻玉”。
在此我简略分享下运维与医学的类比，心愿在思考形式方面给大家一些启发。咱们能够把负责排障的数据中心组织及员工类比为医院及员工，故障类比为疾病，数据中心软硬件零碎类比为病人，异样和告警类比为症状，异样检测算法类比为测验、检测设施，运维科室专家类比为医院科室医生，各科室运维专家常识类比为各科室医学专家常识。简略疾病（故障）独自科室就能解决了，简单病症（故障）须要关联各种数据，并且跨科室专家会诊。
做完以上类比，你会发现，其实现代医学畛域始终在践行 AI 3.0 里的“常识驱动 + 数据驱动”，各种新的测验检测技术层出不穷，医学诊断常识也在一直地晋升，两者的联合促成了医学畛域的高速倒退。（后续其它准则还会更多应用这个类比）。
上述以医学为例，论述了科学技术利用角度的大势所趋是常识、数据交融，心愿能让运维人员更动摇地践行 AIOps。
