人工智能有望使机器或机器人承担企业许多部门的繁重工作。现在，越来越多的计划和供应商产品也将自动承担信息技术部门的繁重工作。

当然，IT功能的自动化已经发展了数十年-从1990年代的工作计划系统到十多年前推出的自我修复系统。如今，IT自动化已经有许多名称，例如自动驾驶系统，自动驾驶系统或机器人。近来，更多的信息属于 AIOps的称谓，加入了xOps方法论的队伍，并承诺将应用AI和机器学习来实现IT服务的机械化，标准化和自动化。

到目前为止，至少在迄今为止已经实现的实现中，对AIOps的表现如此出色。一个调查 200名IT经理说，他们谁已经与工具或工作实践说，这是帮助他们管理自己的IT毛球。OpsRamp发布的调查显示，有87%的人同意AIOps工具“通过主动的IT运营和增强的混合基础架构弹性来创造价值”。由于OpsRamp是AIOps工具的提供者，因此有理由认为它们会夸大这些结果。同时，数据指向最佳部署AIOps的位置，而某些问题仍然阻碍进度。

让我们从AIOps计划遇到的问题开始。这些问题大致反映了AI和机器学习中遇到的问题-建立可信赖的数据集，并找到可以使AI和AIOps成为现实的人才。超过三分之二的AIOps实施者表示，需要时间来建立对AIOps建议的相关性和可靠性的信任。调查的作者指出，在此之前，“ IT团队将结合数据驱动的洞察力和人工判断，以得出正确的结论，以优化性能。”

大约64%的IT经理表示，他们找不到使AIOps成为现实的技能。调查发现，大多数企业(53%)需要六到十二个月的时间才能聘请数据科学和分析专业人员。十分之一以上的人需要一年以上的时间聘请数据科学家。从理论上讲，从长远来看，AIOps应该降低运行数据中心的技能要求。目前，IT团队将需要获得机器学习技术方面的专业知识，并将其与事件分析技能相结合，以支持AIOps部署。

大多数IT经理(57%)提到的另一个关注点与过去对其他新技术的关注点一样，即失去控制。IT经理是否准备好完全控制自动驾驶的自治系统，从而为问题诊断，故障排除和恢复提供可行的见解?还不行

不过，根据调查，在那些积极与AIOps合作的人中，还是有一些明显的好处浮现出来，尤其是在操作方面。通过消除整个事件生命周期中的低价值，重复性任务(占85%)，快速修复问题和更快的根本原因分析(占80%)以及通过“降噪”改善基础架构性能(占77%)，可以提高生产率。 )。

该调查还探讨了目前AIOps的五个主要用例：

智能警报(使用AIOps工具的人占69%)。调查的作者指出：“ AIOps工具提供了上下文警报通知，使DevOps团队能够了解事件历史记录，简化事件协作并满足服务级别的问题解决要求。”

根本原因分析(61%)。“ AIOps通过快速的问题诊断来确保更好的服务正常运行时间和可靠性，该问题结合了影响可见性和服务上下文来确定操作问题的可能原因和结果。”

异常/威胁检测(55%)。“机器学习算法可以通过模式识别快速识别异常值，以便IT团队可以从噪声中提取信号并识别与常规系统行为不同的事件。”

容量优化(54%)。管理系统资源的能力一直是IT性能管理的基石，而AI和机器学习现在正在帮助按需跨各种云和本地系统实现这一目标。

事故自动修复(53%)。 调查发现，五分之二的被访者能够显着加快补救事件的时间，十分之十的被访者将整个事件的解决时间缩短了近一半。

从内部的角度来看，到目前为止，这些AIOps的使用案例和好处与提高IT服务的性能和交付能力有关。尽管距直接业务收益还有一步之遥，但它可能会加强IT部门在企业内部服务的目标，即在降低成本的同时提供卓越的客户服务和客户体验。