范式转换通常会产生意想不到的结果，而这些结果可能需要数年才能完全解决。云计算是一个主要的例子。云计算开创了一个灵活的基础设施和较低的资本要求的时代。工程师们从等待部署中解放出来，因为资源只是一个API调用。然而，这一切只是开始。

灵活的公司利用云来分解运营和开发之间的筒仓，并采用敏捷开发来加快周期时间，以创造战略优势。他们合并了从开发和测试到部署和操作的整个应用程序生命周期中的工程师团队，并创建了新的角色，这些角色需要一系列技能，而不仅仅局限于单个功能。然后，他们用CI/CD和DevOps进一步推动了信封的发展，使管道实现自动化，以实现更快的交付。

这一切有缺点吗？请询问你的DevOps团队

DevOps的任务是维护一个工具链，以实现新代码的自动交付、按需扩展和5个9的正常运行时间。在业余时间，他们致力于提高绩效和控制成本。对于一个相当大的应用程序，可以有数千个虚拟机或容器，每个虚拟机或容器都有一个软件栈，加上云服务（如负载均衡器和自动定标器），所有这些都必须进行配置和维护。所有这些都在不断地运动。

我与一家独角兽公司交谈时了解到它有数百名开发人员，每天超过100次代码推送，云中超过4000台虚拟机，每月收集的数据达数兆字节。他们的DevOps团队只有12人，直到去年才有副总裁。这是一项艰巨的任务。

管理这无数的挑战违背了人类的速度和规模。幸运的是，AIOP正逐渐成为一种解决方案。

术语AIOPS是由Gartner创造的，他将其定义为：AIOPS平台通过结合大数据、机器学习和可视化来增强IT运营。

IT领导者应该启动AIOP部署，以完善今天的性能分析，并在未来2到5年内增强IT服务管理和自动化。Gartner可能创造了这个短语，但在我看来，他们没有达到目标。他们的定义围绕着循环中的人类，同时基本上描述了高级大数据分析。为了解决DevOps的困境，我们需要更高的目标。

那么，AIOps应该是什么？

让我们从不应该是什么开始——大型供应商对现有决策支持和票务工具的粉饰，在他们的销售表中添加了“人工智能支持”。这已经发生了，就像新技术威胁到现有供应商时一样。向现有工具添加API不符合条件。如果决定需要人工干预，你就没有辅助行动。

这是我对AIOP的三个关键要求：

1.AIOPS系统从您的数据中学习并适应您的应用程序的工作方式。意味着他们不会每次都做同样的事情。

2.AIOPS系统在没有人为干预的情况下做出和实施决策。是的，你可以让人在循环中，直到你信任系统

3.AIOPS系统持续运行，它们成为您交付的标准部分。

向AIOps的过渡还处于起步阶段，但已有成功案例。风险投资正在下注，而小型和大型供应商正在为市场带来新的解决方案。从几年前的日志分析系统开始，我们开始看到自动化的根本原因分析，甚至故障预测。入侵检测系统现在从异常流量中学习，有些甚至跨公司。最近，预测性自动缩放系统已经面世。我们的AIOps产品optune可以决定虚拟机类型、实例和应用程序参数，并使用客户现有的devops工具链和监控将它们部署到测试或生产中。

DevOps正在取代传统的IT部门。标题已经改变了，角色也改变了，但是IT部门要解决的挑战并没有消失；它们只是乘以了微服务体系结构固有的规模。因此，我们需要为这些新挑战设计的系统。AIOP必须在未来几年超越Gartner的愿景，使DevOps能够接受现代发展的规模和速度。