时至今日，人们对GPT 为首的诸多AI，

大有热情消退的迹象。

与2个月前相比，简直恍如隔世。

这也进步一部印证了“山洞隐喻”

人类始终对未知充满恐惧和焦虑。

曾经人们忧心忡忡，整天讨论AI，

取代人类工作之后，大家应该何去何从？

AI入侵人类社会，大家该如何抵御？

这些问题现在看来都是伪问题，

或者不是迫在眉睫的问题。

现在大家都发现了，

原来AI是要替代我去唱歌、写诗、跳舞，

而不是替我去洗衣做饭洗碗拖地......

于是在测试一段时间的新功能后

大部分人止步于此。

热度退却，回归理性，

下一步需要思考的是

我们需要用AI来做成什么？

已知AI可以做表、做图、做摘要，

就像第一台蒸汽机发明以后，

并没有立刻投入使用，

而是经过无数人坚持不懈的努力，

发明出齿轮组，蒸汽阀、转向器、刹车等等

从零构造出一部可行的交通工具。

和如今的AI一样，

人们面对的是一堆基本功能，

用熟之后逐渐丧失新鲜感，

生成一大堆半调子实验品，

每样有点用，但又不那么好用

如果想要好用，需要投入时间和金钱

自动去打磨工具。

最后，我和AI互为因果。

在目前这个阶段AI并没有完全解放人类，

更没有替代劳动

AI本身也会提出更多问题，

留出更多任务，人类还得继续忙碌。

那么，作为IT界的劳模，

密集工作量的翘楚，

运维工程师能否借助AI释放工作量？

企业能否达到降本增效的目标？

答案是肯定的！AIops应用落地

助力企业数字化转型降本增效。

01 解放沉默的数字

虽然各企业上云“姿势”有所不同

但是【稳定可靠】和【极致性能】是一致期许。

上云后数据资产的分析存储尤为重要

数据分析，不只关注结果，更要看过程，

分析数据变化规律，

这在日常运维中尤为重要。

做好数据分析，可以预测问题的发生，

准确判断问题所在、影响范围，

提前备案，避免问题的发生；

而非在问题出现时盲人摸象，紧急救援，

这个功能体现在AI机器学习算法上。

通过AI机器学习算法，

对监控对象及应用指标产生的数据，

进行计算、分析、告警。

通过趋势性的数据分析展示，

提供业务所需的资源、容量需求等，

避免资产盲目扩张造成的资源浪费，有效控制成本。

针对有周期性的时序性指标，

可自动调整阈值，避免手动产生误操作

自动巡检，大规模提高日常巡检效率。

高效精准获得巡检信息。

从前分身乏术，AI加持后游刃有余

把工作重心转移到更有价值的事情上。

02告警合并收敛

各种监控工具会产生海量告警信息，

可能存在大量的冗余告警甚至形成告警风暴，

对运维人员产生极大干扰，

降低运维工作的效率。

告警收敛合并可针对短时、

大量的、甚至是持续的冗余告警，

通过文本相似度、链路相关性、时间相关性判断，

对冗余告警进行合并降噪，

通过AI机器学习算法，

结合人工标记误告或错误收敛的告警，

逐步提高智能聚类告警的准确性和可靠性。

为运维人员提供有效的告警信息，

大大提高运维效率。

03 AI的进击

AI的敏捷、准确，可预见性，

使运维快速决策、提前排障、优化性能。

云计算在【可用】迈入【好用】

离不开AI的驱动

（全球各大权威分析机构洞察）

在网络安全方面

AI则以大数据处理、自然学习

自动检测和响应等功能见长

让攻防对抗更加智能高效。

学习已知安全经验

推理复杂威胁事件

增强处置响应安全效果

智能高效的应对攻击

即以【AI】对抗【AI】。
 

04 让AI聚焦价值

无论是机房还是上云

AI的应用早已不是纸上谈兵，

而是落实到产品/方案的AI技术。

例如LinkSLA发布V5.3.0版

聚合知识图谱关联日志、拓扑多通道合并样式

业务调用逻辑等信息，

形成业务行为安全画像，

利用AI抽取多维度白名单，

第一时间识别阻攻击行为。

其次，在架构调整方向，

随着AI算法不断优化和训练数据激增

增加时序数据库Tdengine，

优化时序指标查询速率，

过滤海量告警，

聚合生成高精度威胁事件。

为用户生成准确、有效

的安全事件。

第三，采集器自监控守护进程

保障运维场景全生命周期的

精细化运营与运维，

提前7-30天90%准确率的故障预测、

及时发现、快速定位，

提供全面的预测、检测和评估能力。

AI不能取代人，人也不能阻止AI的发展。

如何用，以及用AI做成什么

才是发展的核心。