下一代的DevOps服务：AIOps

当然，要及时处理所有机器生成的数据是不可能的。然而，这正是人工智能算法(如深度学习模型)所擅长的那种任务。剩下的唯一问题是:如何在DevOps工程师的日常生活中让这些机器学习工具发挥作用？

下面是在IT部门中适合使用AIOps的一些案例:

• 快速处理数据。可以训练一个ML模型来处理系统生成的所有类型的数据——这是未来的方向。如果必须添加新的数据类型，模型也可以相对容易地进行调整和再训练，以保持高性能。这将确保数据的完整性和保真度，从而产生全面的分析和具体的结果。
• 深入的数据分析。当你能够实现对所有数据进行分析时，隐藏的模式就会出现，可操作的见解也会出现。然后，DevOps工程师就可以分析出基础设施需要调整的地方，以避免性能瓶颈的出现，并且可以坐在高管的桌前，为优化基础设施和改进运营提供具体的基于数据的建议。
• 日常工作的自动化。识别出事件模式后，就可以设置自动触发器。因此，当统计数据显示某些事件总是导致特定的(负面的)结果，并且必须执行某些操作来纠正问题时，DevOps工程师就可以创建触发器并自动对此类事件做出响应。 

因此，如果监控解决方案报告了由于连接数量增加而导致了CPU使用率的增加，诸如此类。Kubernetes就可以启动额外的应用程序实例，并使用负载平衡来分配访问流和减少负载。这是最简单的场景，而现实世界的用例则要复杂得多，需要允许自动执行任何的日常DevOps任务，使ML模型能够在特定条件下启动它，并预先处理问题，而不是在停机后。

使用AIOps的好处

部署AIOps解决方案可以实现以下的积极成果:

• 不间断的产品可用性，带来积极的终端用户体验
• 优先解决问题，而不是永久性的灭火
• 消除数据孤岛并实现根本性的故障修复，因为您分析了业务生成的所有数据而不是使用精简样本
• 日常任务的自动化，使您的IT部门能够集中精力于改进基础架构和流程，而不是处理重复且耗时的任务
• 更好的协作，因为对日志的深入分析有助于显示管理决策的影响，并评估采用的业务战略的效率

与此同时，真正具有创新精神的公司已经在努力将人工智能算法、ML模型和DevOps系统相结合，以提供未来最先进的云监控和基础设施自动化解决方案。应用这些实践可以极大地改善客户体验，缩短产品的上市时间，更有效地使用基础设施，以及在团队中更好地进行协作。然而，即使是这些创新者也没有现成的解决方案来满足他们的需求，他们不得不使用Splunk、sumeoric、Datadog、promethus + Grafana、Kubernetes和terra form等流行的DevOps工具来构建这样的系统。更重要的是，尽管这个想法本身非常重要，但实施它所需的基础设施管理水平远远超过了普通公司的能力。

原文标题：What Is AIOps: The Next Level of DevOps Services，作者：Vladimir Fedak