概述

“弱人工智能”（Narrow AI）, 是在某些特定領域高效完成任務的專用人工智能， 比如識別圖片中的內容或是通過搜索大量醫學臨床案例為醫生提出治療建議的專用人工智能。目前可實現的人工智能的本質是，人來提出目標，由機器分析大量數據人來高效找到答案。

人工智能應用的分類

很多情況下人工智能無法給出 100% 正確的回答（其實人類也是一樣的），如何找到人工智能善於解決的問題就成了首要的任務。

人工智能應用可以分成三類：

• 核心業務，失敗不可接受。 醫療，銀行，法律。
• 核心業務，失敗率可接受。 自動駕駛，自然語言理解。
• 非核心業務，對失敗不敏感。 用於改善用戶體驗。

從人工智能發展和應用的過程來看，通過對感知的模擬，幫助人類做決策，直到完全 代替人類處理大量重複的數據方面的工作。

另一方面，由 巨大商業利益

人為交通事事故減少，保險費降低，無人參與駕駛，用車成本減少到五分之一；按需用車，汽車保有數量會減少到三分之一，導致車商業模式變革；車輛流量變化，大量節省道路和停車場的面積，導致城市規劃改變。

人工 + 智能才是最佳的組合方式

卡斯帕羅夫和李世石真的敗給了機器嗎？

（IBM 的深藍和谷歌的 AlphaGo）在人類選手的對面，是人工智能彙集了所有人類智慧和經驗的智能流算法，如果是這樣的話人類必敗無疑。

但反過來想如果人類也有一個人工智能輔助來比賽呢？那勝負就未嘗可知了。

卡斯帕羅夫在被深藍擊敗後，發起了自由式國際象棋比賽，可以使用人工 + 智能（半人馬選手）方式參與比賽，由人工智能給出建議，人類來決定是否採納建議。2014 自由式國際象棋對抗比賽人類贏得了 42 場半人馬選手贏得 53 場，當前最優秀的國際象棋團隊都是半人馬選手由人類和人工智能組成。既然人工智能可以幫助人類成為最優秀的象棋選手，那麼可以推測人工智能也能幫助人類成為最優秀的醫生、飛行員、法官 和教師甚至是運維和開發人員。

人工智能的工作方式和解決的問題種類

典型的機器學習流程

機器學習可以解決以數據為基礎四類問題：典型的機器學習通過無監督學習和監督學習，抽取特徵，再通過機器學習算法，實現基於通用特徵分組，得出預測模型，通過預測模型為新數據數據打標籤。邏輯推理預測、規劃師、溝通者、體驗與情感。

運維發展的歷程與人工智能的作用

運維行業經歷了初始、專業化、工具化、平臺化、雲化和智能化過程。從手動運維階段基本沒有數據，到規模化結構化數據和智能化非結構化數據的趨勢。

人工智能發展初期充當輔助人類的助手角色，以增加銷售額，提升用戶體驗，優化生產過程和節省成本為目標。

手動階運維階段

運維工作量小運維人員主要工作就是看監控屏幕，隨著對運維要求提高，工作分工此階段產生，產生了穩定，便捷，可靠，快速的工作原則。

人工智能可以做的是：基於人的經驗，對結構化銷售數據進行商業智能分析（BI）找出數據中的知識，從而提升銷售額。存在的問題主要是數據專家基於經驗發現業務數據中的知識，對業務瞭解程度成為 BI 有效性的最大瓶頸。即缺乏即懂業務規則又懂數據發掘的人才阻礙商業智能的發展。

隨著 DevOps 概念的推出，工具大量湧現來協助運維工作運維能力大幅提升，帶來問題是很少有一家公司可以生產覆蓋所有 DevOps 生命週期的工具，而學習多種不同廠商的工具完成任務帶來很高的技術門檻。隨著一些創業型公司崛起，運維工作量爆發式增長，為了保證業務的連續性 SRE 也在此時期產生，主要目標是使用軟件工程技術實現業務大幅增長而運維工作了保持平穩。

人工智能可以做的是：出現以結構化數據為主工業級解決方案，使用算法為主解決商業通用問題，以提高人員利用率加快創造價值為典型問題。同時也存應用了工業級智能解決方案有多大的效率提升很難估算和當數據知識變化後很難進行跟蹤優化的問題。

生態化階段

隨著互聯網規模的發展，少數大公司承擔起基礎設施的工作，通過高度集中提升數倍的運維效率（在亞馬遜購買 1 美元的基礎設施，可以帶來與傳統數據中心 7 美元投資相同的計算力），這種變革讓雲計算客戶專注於業務的發展將基礎設施運維交給雲計算平臺。市場規模繼續增長一個公司無法使用一套解決方案覆蓋所有細分市場的需求，生態化從而產生。因此大量的數據為人工智能實用化奠定基礎。

人工智能可以做的是：出現以非機構化數據為主通用的技術框架，不同的公司負責一部分問題形成生態圈，協助業務人員完成工作，通過新感知能力半自動或自動化完成以前手工的工作。如何結合新的感知能力輔助人類在巨大數據量，變化的規律中做出決策成為新的問題。

為什麼人工智能在 DevOps 中大有可為？

DevOps 可以獲取幾乎所有類型的數據

指標體系框架來自《精益軟件度量》我們瞭解到人工智能解決的問題都是以數據為基礎的，那麼有了價值、效率、質量和能力方面有指標和數據就可以在 DevOps 過程中通過人工智能解決問題了。

找到 DevOps 全生命週期中人工智能可以改善問題

在 DevOps 生命週期中還有很多工具無法實現自動化的過程，這些過程往往會投入大量的人力和溝通成本，也有很多信息不足無法做出很好決定的場景，在這些場景中人工智能可以根據以往大量數據訓練的模型，給出建議，從而給出研發和運維都能認同的工作方式，提升工作效率提高工作質量。

當人工智能牽手 DevOps

我們現在有了 DevOps 生命週期中的數據，同時也瞭解到人工智能易於解決的四類問題。我們可以嘗試使用全連接的方式找出 36（4×9）個在 DevOps 領域裡適合使用人工智能解決的問題。

比如上圖中的“精益需求管理”過程中：通過價值和效率數據使用邏輯推理和預測人工智能方法，得出需求的價值命中率和客戶滿意度的預測。通過這些人工智能得出的標籤優化需求的優先級管理。這樣從完全靠人工經驗的過程變為人工智能輔助完成的高效過程。

到那時需求人員只需要調節想得到的轉化率（運營指標），或是性能（運維指標），就可以通過人工智能方式自動提升改善這些指標的需求的優先級。。甚至是根據需求改變的特性，分析大量現有代碼庫中的通過測試的代碼而自動為開發人員推薦代碼。

“分層自動測”過程中：使用圖片轉文字，方式將必須人工完成的測試自動化彎道提高測試效率與準確率。

“持續運營反饋”過程中：通過自動化運維根因分析，提升定位系統問題的效率。

找到成功的第三條路，在吞吐量和穩定性中間建立平衡讓兩方面都能正常行事

再說“最終二合為一”的矛盾論下半部分。通過人工智能給出的第三種方式讓雙方都能向自己的目標前進，從而為一個共同業務成功目標結合為一個整體。

比如，在“安全發佈策略（灰度發佈）“階段，使用研發團隊的能力數據、內在質量數據和歷史中發佈後的外部質量數據訓練機器學習模型。通過這個模型在發佈階段給出軟件發佈後外部質量評估。在發佈過程中對比前後兩個版本的外部質量差距來決定是否進入灰度發佈的下一個階段。

今天主要分享的是AI和運維結合，覺得有用的話幫忙轉發下哦~

後面會分享更多DBA和devops內容，感興趣的朋友可以關注下

閱讀更多 波波說運維 的文章

關鍵字: 雲計算 數據挖掘 運維