一直以来，优维都坚信AI有潜力改变运维行业并促进创新，这是我们的A面。但从行业和客户那里，我们所看到的B面也不容忽视。

自从去年底发布优维全面可观测以来（点击回顾），我们的团队在服务客户的进程中常常感慨：对于企业IT运维业务来说，AI项目是一个恒定的光源，但失败是企业追逐光源投下来的阴影——当你离光源越近，阴影面积也会越大——AI部署之路步履维艰，这在很长时间内让很多组织对AI项目的失败耿耿于怀。 

根据Gartner的一份报告，在企业所部署的AI项目中，失败率高达85%，毫不夸张地说，这一令人发指的数据是近两年企业在做AI项目的部署决策时最大的心理屏障之一。从行业愈发普遍的讨论结果来看，造成这一高失败率的因素有很多，包括数据质量差、缺乏相关数据以及对AI的功能和要求了解不足等等，不一而足。

但优维更关心的是，这些问题的存在，其实凸显了强大的数据管理和精确的战略规划对于AI项目（包括基于云的模型和 LLM）的重要性。这种重要性常常在优维内部作为重点关照的对象被反复讨论，以至于成为优维全面可观测需要“集中力量办大事”的核心目标。

数据是AI和机器学习 (ML) 项目的命脉。

如果没有可靠的数据，AI模型就很难产生准确可靠的结果。

优维团队曾在今年上半年发起过一项针对客户群体的“田野调查”，从得到的反馈看，“数据”这一问题高频凸显——超过90%的IT高管认为数据是成功实施AI项目的最大障碍。

如果你觉得优维的调查不那么具备权威性和说服力，那么无独有偶，国外机构Vanson Bourne的一项专业调查结果或许更让你大跌眼镜——调查报告显示，99%的人工智能和机器学习项目都遇到了数据质量问题。这些统计数据凸显了对有效数据管理和监控解决方案的迫切需求。

优维的全面可观测有7大核心场景：架构可观测、故障可观测、变更可观测、用户可观测、应用服务可观测、资源可观测、运维状态可观测，但我们通常不将数据可观测性直接归类于其中的任何一个特定类目，但它与所有这些类目都有交集。数据可观测性主要关注于数据的健康、质量和完整性，它确保数据在整个“全面可观测”的体系中是可靠和可用的。

数据可观测性是指监控和了解数据系统状态的能力。它涉及跟踪数据管道中的数据质量、沿袭和性能。

组织可以通过监控数据的新鲜度、数量、分布、模式和沿袭来确保AI项目的成功。优维全面可观测提供强大的数据可观测性能力，旨在显著提高AI项目的成功率，例如：

但是，我们不能仅仅停留在数据可观测性上。如前所述，数据并不是AI项目失败的唯一原因。对AI的能力和要求理解不足也是其中的一部分。

AI可观测性涉及监控和理解AI模型和系统，以确保它们在实际应用中按预期运行。它包括：

▎性能监控：

   跟踪准确度、精确度、召回率和token消耗等指标。

▎可解释性：

   了解模型如何做出决策以确保透明度和可解释性。

▎漂移检测：

   识别模型性能的变化，表明准确性或相关性存在问题。

对此我们让设计师做了一张图，用于展示AI可观测性如何检测和解决AI模型性能下降的问题：

数据和AI可观测性协同工作，提供系统的整体视图，数据可观测性专注于管道和基础设施，而AI可观测性则深入研究模型的性能和结果。这就是优维全面可观测的深层产品逻辑。

▶  反馈机制

有效的AI可观测性依赖于反馈回路，而反馈回路又依赖于数据可观测性。例如，识别数据漂移需要对数据管道及其沿袭有深刻的理解。

▶  快速解决问题

AI性能差异的根源通常在于数据管道中的问题。数据可观测性有助于追踪这些问题的根源，从而快速识别和解决影响AI系统的问题。

▶  合规与治理保证

确保遵守法规和治理标准至关重要。数据可观测性确保数据管理符合行业标准，而AI可观测性确保模型遵守道德准则和法规。

自从2023年四季度落地以来，优维全面可观测已经在市场上为客户披荆斩棘整整3个季度了，在这期间，我们的产品矩阵为客户的运维组织提供了颇为可观的数据和AI可观测性工具，与此同时，随着优维首个运维大模型Murphy的上线（点击回顾），也让优维全面可观测展现出了更多维的价值。

通过提供对数据系统和AI模型的全面监控和理解，优维全面可观测可确保AI项目基于高质量数据，并确保AI模型在实际应用中可靠且透明地运行。现在，帮助客户构建可持续的AI应用已经显得不那么棘手。

- end -