人们对 AIOps 的兴趣日益浓厚：ML 和生成式 AI 用例

快速阅读: 《芬格尔》消息，研究显示六成以上公司计划增加对AIOps的投资。高质量数据是AIOps成功的关键，无论是机器学习还是生成式AI，都需要良好数据支持。结合两者优势的AIOps将更具前瞻性与韧性，助力IT运营转型。

生成式人工智能的热潮推动了对智能运维（AIOps）的兴趣浪潮。近期一项由Kyndryl和IDC联合开展的研究显示，即便整体IT预算持平或下降，仍有63%的公司计划在未来两年内增加对自动化和AIOps的投入。

尽管AIOps传统上依赖机器学习（ML），但生成式人工智能（GenAI）的兴起正在将这一领域推向全新境界。对于已经熟悉AIOps领域的从业者来说，机器学习在解决IT服务管理（ITSM）挑战中的作用并不陌生。然而，生成式人工智能激发的新热情促使组织着手解决更关键的数据相关问题。

随着数据成为有效AI驱动洞察的核心，高质量数据的需求呈爆炸式增长。组织意识到AI和ML模型的有效性完全取决于它们所训练的数据质量，这进一步凸显了数据质量在AIOps生态体系中的重要地位。数据质量高、干净且结构良好的数据，现在是实现异常检测、根本原因分析和预测分析有意义结果的关键。而数据质量差——例如不完整、不一致或有偏见的数据，则会严重影响AIOps系统的性能，因此数据治理和数据卫生已成为任何AIOps战略中不可或缺的一部分。

**基于ML和GenAI的AIOps应用场景**

随着组织深入探索AIOps，一些成熟的应用场景脱颖而出，展示了机器学习和生成式AI如何彻底改变IT运营：

– **通过机器学习发现异常**
ML模型筛选海量IT数据，识别异常模式，帮助在问题升级为重大故障之前检测潜在系统故障。输入模型的数据越优质，异常检测就越准确及时。

– **根本原因分析**
AI模型连接分散的IT事件，简化问题根源的识别，并更快地解决问题。这需要来自各种系统的持续高质量数据流，以保持AI故障排除能力的准确性。

– **预测事件**
通过学习历史数据，ML模型可以识别预示潜在问题的模式，使团队能够在问题发生前采取行动。为了最大化预测模型的效果，必须拥有全面、干净且最新的数据集，这增强了这些模型的预测能力和准确性。

**生成式AI在AIOps中的角色**

超越传统ML应用，生成式AI引入了一系列快速发展的新用例，包括：

– **智能事件响应指南**
生成式AI可以自动生成定制化的事件处理手册，让IT团队更高效地响应。这些手册基于历史事件数据创建，因此确保数据清洁且结构良好至关重要。

– **创建合成数据用于测试和培训**
生成式AI可以生成逼真的IT操作场景，在不暴露敏感数据的情况下提供无风险的测试和培训环境。通过利用高质量、代表性的数据进行训练，组织可以确保AI系统健壮且能应对现实世界的问题。

– **AI驱动的IT助手**
由GenAI驱动的虚拟助手提供实时、类人响应的IT查询支持，优化支持流程并提升用户体验。这些助手的表现高度依赖训练数据的质量和多样性。结构良好、多样且高质量的数据确保AI助手提供准确且上下文相关的响应。

**ML、GenAI与数据质量的交汇点**

通过结合ML的数据处理能力和GenAI的创造性问题解决能力，AIOps正变得越来越智能化和适应性更强。然而，要充分发挥这些技术的潜力，高质量的数据是必不可少的。

随着企业完善其AI策略并继续整合这些技术，ML和GenAI的融合将带来更具前瞻性和韧性的IT运营。AIOps的未来不仅取决于算法的复杂性，还取决于驱动它们的数据质量。归根结底的问题是：机器学习还是生成式AI将在塑造IT运营的未来中发挥更大的变革作用？答案很可能在于它们的联合使用，前提是高质量数据的基础。

(以上内容均由Ai生成)