IT运营的人工智能现在正式成为IT的一部分

用于信息技术运营的人工智能现在正式成为信息技术的一部分。这种使用新一代技术的平台方法有望改变现代信息技术运营团队的效率和有效性，这些团队往往被洪水般的警报、数据、截止日期和压力所掩盖。

AIOps是Gartner Research定义的平台，结合了大数据和人工智能功能，可以替代广泛的IT运营流程和任务，包括可用性和性能监控、事件关联和分析以及IT服务管理。应用包括文本分析、高级分析、人脸和图像识别、机器学习和自然语言生成。

在这篇eWEEK数据点文章中，OpsRamp产品管理和云运营高级副总裁Bhanu Singh提供了行业信息，并建议了任何组织在采用AIOps之前应该采取的五个步骤。

数据点1:定义用例。

首先，确定AIOps能够并且需要在组织中完成的任务。您是否需要通过事故补救来提供服务可用性？AIOps是否应该通过警报升级、抑制和重复数据消除来支持您的ITSM实践？或者，通过数据和指标提取以及推理建模来提供持续且可操作的见解是您的DevOps计划的一部分？

数据点2:设定成功基准。

一般来说，人工智能操作系统的成功指标将包括平均解决时间(MTTR)、预测和防止中断、提高员工生产率以及通过自动化重复的手动任务来减少工时或通过消除多点工具来节省成本。这些成功基准可以一致地验证用例的有效性和完整性。

数据点3:重要的细分数据。

拥有广泛客户基础的企业，如电子商务、医疗保健机构或流媒体内容服务，将希望通过分析和预测或避免服务中断数据来确保平台可用性、低延迟数据传输和服务质量。

或者，一些运营团队对数据更感兴趣，这突出了应用程序性能、正常运行时间、依赖性和对其他系统的下游影响。

数据点4:制定适应性强的数据收集和分析计划。

AIOps工具依赖于来自最高优先级端点的数据，这些端点可能是成千上万的设备、组件或客户接触点，通常是巨大的it环境。

信息技术团队必须根据算法和摄取引擎，积极规划如何处理各种格式和状态的数据——结构化、非结构化或半结构化。由于一些数据湖或资源可能比其他数据更有用，这些数据可能会随着时间的推移而发展。在某些情况下，与数据无关的工具相比，本地检测将是提供更清晰数据集的更好选择。

这些数据源也会影响分析计划。在这里，您可以优化您的AIOps输入引擎，以生成可操作的见解。

数据点5:设置自动化。

为应用程序性能监控、安全漏洞警报和资源分配等基本活动建立自动化工作流。Runbook和工作流对于AIOps的准备非常重要。一旦确定了数据，就应该尽可能地实现自动化，以充分利用AIOps的有效性，并用更复杂的自动化脚本替换通常与警报管理相关的常规任务。

郑重声明：本文版权归原作者所有。转载文章只是为了传播更多的信息。如果作者信息标注有误，请第一时间联系我们修改或删除。谢谢你。

标签：