提升IT性能：利用AIOps与可观测性减少停机、增强用户满意度

AIOps可观测性帮助IT减少停机、改善应用性能、让客户满意。

2016年Gartner创造AIOps（人工智能IT运营）首字母缩写，但多年前IT专业人士已听闻并体验自主计算要素。此类自动化技术使主机和服务器能基于嵌入运营各处传感器关于性能的信息做自动自适应决策和调整。

引入AIOps可观测性

无论是AIOps还是自主计算，目标始终是协助IT监控调优性能，从计算资产获取最大价值并向业务交付优化技术。IT对AIOps看好，预测AIOps解决方案复合年增长率21.05%（至2026年）。

是什么让AIOps如此引人注目的价值主张？

对超负荷系统程序员、网络管理员和软件开发者，AIOps能从每日警报和潜在性能问题干草堆中浮现最紧迫问题——那些可能或可能不需要立即关注和解决。这些警报来自四面八方，得益于企业IT部门必须管理的孤岛系统数量。有时那些警报制造干扰噪音多于帮助。

AIOps帮助在于如何将这警报喧嚣筛选为真正与事件或停机相关的关键条件。它通过跟踪组织IT基础设施元素和动态、学习什么正常什么呈现问题，利用人工智能和机器学习做到这一点。装备此知识，AIOps像早期系统方法一样识别并发出警报。然而，使今日AIOps独特的是随运营监控附带的AI现将AIOps带入基础设施可观测性领域。

可观测性对IT是差异制造者，因为它能将从IT基础设施收集的上下文信息与AI和自动化结合，而非仅从单个系统组件发出IT必须单独评估和排查的独立警报。采用更整体方法评估IT基础设施，包含基础设施知识和问题检测，AIOps可观测性使用IT指标、日志和追踪，发布IT可用于加速问题解决时间的诊断建议。

理解可观测性

实践中，AIOps可观测性平台可集成应用流经的各种系统、数据和网络。在混合计算环境中，这可能意味着遍历通过云和本地资源的应用工作流。任何一个——或所有——资源在性能下降时可发出警报。没有AIOps可观测性，IT可能发现自己评估来自许多系统模块和元素的大量传入警报，没有高效手段将警报“噪音”与问题根因分离。这场野鹅追逐延长系统停机和性能问题。制造不高兴用户和客户，平均每分钟成本公司5600美元。

AIOps可观测性如何补救停机和性能问题

例如，如果AIOps软件理解你IT基础设施动态和运营语境，它能快速捕捉东海岸通常周末关闭的现场服务分支周六突然活动激增的异常活动。

AIOps可检测网络服务器或路由器是否处于或接近容量，且该过度容量利用是否为特定情况正常，如一天中最繁忙处理时间或电商促销导致活动激增。

在应用测试领域，多个虚拟系统为测试启动但工作完成后可能被遗忘，可观测性可识别这些空闲资产以便释放。

在混合本地-云环境中，AIOps可观测性可实时告知应用开发者端到端应用工作流中是否有阻塞拖慢性能。

结果是IT运行更好，应用更快交付业务，停机减少。

可观测性现状

话说回来，AIOps可观测性在许多组织仍处部署早期阶段。

一个挑战是并非所有IT部门完全理解可观测性——一个略显模糊词——确切含义。如果将可观测性理解为由AI和机器学习促进的“知情观察”，技术采用可能更快，价值被解锁。

担任CIO超20年，我知道两件事：

第一，CIO和IT厌恶停机、讨厌野鹅追逐、讨厌在IT弄清复杂应用（触及多系统）出错什么时安抚用户、客户和管理层情绪。

第二，如果我们能终结那些在2021年如1981年般持续发生的马拉松“作战室”会议，指责会减少、员工士气会更高。AIOps可观测性将更好装备所有相关人员，从DBA到应用开发者到系统程序员，拥有可操作、单一版本真相。