【IT168评论】最近，IEEE对全球CIO和CTO进行了一项调查，认为人工智能(AI)和机器学习(ML)是2021年最重要的技术。许多业内人认为，AI和ML是技术领域的基本特征，他们能够利用从联网用户和设备中流出的不断增长和无尽的数据洪流的洞察力和力量。只要看看AIOps (AI在IT运营活动中的应用)就知道了，它是这些新兴技术用于改进企业网络的一个案例研究。事实上，我们正处于网络的AI革命的早期阶段。几年前，人工智能开始应用于数据中心的异常检测和故障排除，现在已经发展到监控和预测边缘故障。接下来，跨整个网络基础设施的新的洞察力驱动和基于结果的特性，注定要通过将技术和业务信息融合在一起来完全转换业务操作。

　　AIOps连续体始于通常解决网络核心或数据中心运营效率的解决方案。这些AIOps功能主要是分析和预测网络行为，仅此而已。AIOps连续体的下一步，对于早期采用者来说刚刚开始运行，它将AIOps从IT系统监控推进到根本原因分析和问题识别，在最复杂的情况下，还包括补救。将AIOps提升到下一个逻辑步骤，AI和ML将在基础设施和应用监控中使用，在问题影响网络性能或用户体验之前主动识别并自主解决。

　　提高运营效率

　　AIOps正被应用于监控和自主恢复网络边缘的问题，而不仅仅是增强网络核心的网络弹性，它代表着连续体上的一个重要拐点。

　　广域网边缘的故障对企业站点来说可能是灾难性的，会造成数小时的网络宕机时间，损害客户体验，并阻止创收活动。针对广域网边缘系统(如路由器、SD-WAN设备和防火墙)的AIOps可以优化整个边缘的数据流，预测整个路由的网络流量模式，并识别和分流可能出现单点故障的边缘设备。这使得网络能够在边缘到边缘之间进行自我修复，提高运营效率，保护业务连续性。

　　整个网络

　　将AIOps扩展到边缘，也增加了ML模型的数据池，以不断学习和优化整个网络中AI的使用。更重要的是，随着企业网络上用户、设备和应用数量的增长，相关广域网上的可用数据量也在急剧增加。这意味着ML模型可以同时吸收、关联和分析来自整个分布式网络中各个位置的数据，以评估对终端用户的影响，包括在单个网络内和整个WAN群体中。然后，人工智能可以评估整体网络状态，识别异常情况，自动打开服务票，并向服务代理和工程师发出警报以及提供分流建议。

　　随着时间的推移，通过全天候的ML分析，建立性能基线，系统能够更快、更准确地识别独特的操作特征并识别服务中断症状，从而提高了不良网络行为的解决方案。即使边缘的AIOps特性不能自动纠正问题，它们也可以作为早期预警系统，经常提供潜在硬件故障或慢性站点问题的诊断。这使得早期行动能够完全阻止任何灾难性的破坏。

　　洞察力驱动的信息服务

　　如今，AIOps功能正被用于整个IT运营，监控、分流，甚至预先阻止核心和广域网边缘的网络问题。在AIOps的下一个历程中，管理服务提供商(MSP)正在将AIOps应用更广泛地扩展到整个数字企业环境中。机会在于发现数据驱动的洞察力，使企业能够部署变化或纠正行动，以使业务的其他部分受益。

　　通过基于结果的服务实现业务转型

　　但这还不是AIOps的使用范围。沿着这个连续体的下一个阶段将是真正的变革--超越网络和运营性能的改善，影响业务决策。

　　一个例子可以在零售石油行业找到，在这个行业中，业主经营者依靠AI和ML数据来监控甚至验证油箱中的燃料水平。零售商的网络可以从现场安装的各种系统中收集和分析数据，包括来自储油罐传感器的油位;客户流量模式；以及基于客户的POS智能(购买汽油的数量、频率和类型)。这些现场数据可以与AIOps进行合成，以证实库存，或者根据预设的“规则”或政策，发出油箱液位问题的信号，如泄漏或偷窃。

　　这只是AIOps创新连续体中的一个里程标志。

　　采用路径

　　AI和AIOps既为企业带来了激动人心的机会，也为MSP带来了耐人寻味的挑战。我们正处于迈向更高效的服务、新功能和真正基于结果的服务的复杂旅程的起点。AIOps的创新弧线现在明显地从云到数据中心，一直延伸到客户边缘。我们在休斯公司的努力中也看到了这一点，AIOps的创新从我们的数据中心开始，转移到云端，在近期，将在云端和客户边缘共存。 但这种新的现实也需要新的信任和合作。

　　随着更多的业务数据暴露、新的数据合作伙伴和新的AI平台，企业和服务提供商面临着围绕隐私、安全、数据完整性以及业务机密见解和交易的复杂问题。AIOps的实施可以帮助建立基础设施、信心和值得信赖的团队，以利用2021年最重要的技术--AI和ML来应对企业数字化转型。