产品经理说 | AIOps 平台的误解,挑战及建议(中)— AIOps常见的误解

早早发表于:2019年02月22日 11:33:26更新于:2019年02月26日 18:02:02

本文篇幅较长,分为上,中,下,三个部分进行连载。内容分别为:AIOps 背景及所应具备技术能力分析(上),AIOps 常见的误解(中),挑战及建议(下)。

前言

我大概是 5,6 年前开始接触 ITOA 这个领域的,首次接触后,发现领域有着巨大的潜力,一直寻找在这个领域做点事情的机会。大约三年前在这个领域创业,积极寻求 Product Market Fit。这几年下来,经过与行业内的专家交流,研读报告,阅读论文,客户访谈,亲自动手对相应的运维场景解析,行业产品的试用调研,以及结合着中国运维市场现状,撰写了此文。本人才疏学浅,不学无术,欢迎拍砖。

我们第一部分主要讲到了AIOps 的背景以及所需要的能力,我们这部分主要讲误解。


对 AIOps 误解:

AIOps 等于可以减少人力资源的投入

  • AIOps 不等于无人值守;

  • AIOps 不等于 NoOps;

  • AIOps 不等于可以减少人专家的参与;

  • AIOps 可以降低人力成本;

  • AIOps 在现阶段不等于可以省钱;

AI 的确是一个非常性感的词汇,大家认为只要实现了智能化,就能够轻轻松松,不需要人的干预,这当然是一个非常理想的状况,但是,在短时间内,这个不能实现。这个的实现难度,个人认为,与自动无人驾驶,能实现第五等级是同样的难度,也就说,可能起码需要10年左右的时间,甚至可能更长时间。

AIOps 平台本质上还是一个工具,在构建后,仍然需要人的参与,而且在目前的探索发展的投入阶段,有大量的工需要去做,需要运维专家,大数据工程师,算法科学家,业务专家,暂时看不到能削减人力成本的可能性,而且相关的投入可能需要多年的时间。

在平台建立后,在持续改进的情况下,仍然需要专家或者分析师,从不同的维度,从不同的业务口径,组合合适的可视化技术,机器学习技术,大数据分析技术,制定分析场景,平台才能够为IT运维,业务分析产生持续的洞察,提供商业价值。

所以,AIOps 不能取代人,在现阶段不可能减少人力投入,但在未来可能能促进部分运维人员转型为通晓业务,掌握运维知识的数据分析师。

算法和智能化是AIOps最重要的事情

算法很重要,但是我个人认为,在此阶段,大部分企业不应该以算法为第一着眼点。

这个应该是比较有争议,或者,或者说大家认知不太一致的部分。以下这张图是 Gartner在 AIOps 还在叫 ITOA 时候,给定义的四个阶段:

  • Data ingestion, indexing, storage and access;

  • Visualization and basic statistical summary;

  • Pattern discovery and anomaly detection;

  • True causal path discovery;

Gartner 在报告中强调,掌握后面阶段的前提是拥有前一阶段的能力,如果不拥有充分的前一阶段能力,将会影响 ITOA 的落地效果。因此这四个阶段必须一个步一脚印,第三以及第四部时,才显著地引入了机器算法,或者 AI 的必要。

大家都知道,所谓的机器学习算法,统计算法,深度学习算法这些 AI 的分类,其实是高度依赖于数据的。没有多种数据源,数据的采集,数据存储,数据统计,数据可视化,一切都只是空中楼梯。


AIOps 平台的误解,挑战及建议(中)— AIOps常见的误解 技术分享 第1张


来源: Gartner Report “Organizations Must Sequentially Implement the Four Phases of ITOA to Maximize Investment ” 2015.2.18

因此,AIOps 的平台的建设首先应该是着眼点应该是大数据,然后才是算法,从而实现持续洞察和改进的目标。

一定要上深度学习才叫 AIOps

我们可以先看看 AI , Machine Learning , Deep Learning 的关系,他们的关系大概如下图。


0015c750e940a6365ce91cce3b730ba


学术界有不少学者,在探索部分深度学习算法智能运维中的应用,如犹他州大学的《DeepLog: Anomaly Detection and Diagnosis from System Logs through Deep Learning》 中利用 Long Short-Term Memory (LSTM)来实现日志模式的发现,从而实现异常检测。但是,其实智能运维所需要的大部分算法,决策树学习(decision tree learning)、聚类(clustering)、SVM(Support Vector Machine)和贝叶斯网络(Bayesian networks)等等算法,均是属于传统的机器学习范畴的,因此 我们不应该将深度学习与 AIOps 挂上必然的联系。

甚至于,我们不用拘泥于概念,从解决问题的角度出发,在特定的场景,利用传统的规则集,设定一些规则,降低了运维人员的工作强度,提高了效率,也能叫智能运维。甚至在Gartner 的报告中,对AIOps 落地的第一步,是统计分析,可视化,而不是任何的机器学习算法。

它适合现阶段所有有规模的用户

这个比较好理解,就目前来看,AIOps 只适合大型的客户,原因如下:

  1. 中小型的客户缺乏多种数据源;

  2. 中小型客户业务需求没有那么复杂;

  3. 很多算法,其实是为了大规模运维的时候才用的上的,在规模小的时候,难以产生效果;

运维自动化是智能运维的前提

我看到过不少的文章,将运维分成了四个阶段,将自动化运维放在智能运维的前一个阶段,把智能,又或者在智能运维这个体系里头,硬是塞了很多自动化运维,批量操作,批量规划的功能在里头,我觉得都是不对的。自动化运维更像是手,智能运维更像是眼镜及大脑,有了更全面数据,更充满的分析后,大脑能更好的指挥手进行操作。


AIOps 平台的误解,挑战及建议(中)— AIOps常见的误解 技术分享 第3张


因此,企业应该将自动化运维和智能化运维看成了两个有关联的体系,但是不应该混一谈,造成更多的误解。