AIOps 解决方案需要传统 AI 和生成 AI
生成式人工智能为 AIOps 注入了新的活力，但相信它是未来维持其活力的唯一必要人工智能类型则是一个错误的想法。
到 2022 年，AIOps 似乎将成为一项生命支持技术。 几乎所有所谓的 AIOps 解决方案都只不过是加强版的传统监控。 当时 AIOps 的用途很平凡，在推动自适应应用愿景的进展方面作用甚微。 也就是说，为运营带来智能和执行实时变更的能力。
但当生成式人工智能出现后，AIOps 突然获得了第二次生命的机会。 但事实并非如此。 并不真地。
为了理解原因，我们需要根据 AIOps 想要提供的功能来定义它。
什么是 AIOps？
AIOps 是一个广义的术语，通常指使用人工智能进行 IT 运营。 AIOps 解决方案（通常称为平台）通常提供四种不同的功能：
- 观察： 涵盖遥测摄取和异常检测。
- 分析： 使用人工智能来发现模式、关联上下文中的事件、找出根本原因并产生见解。
- 从事： 使用户能够可视化并与数据和见解进行交互。
- 行为： 通过自动化将洞察转化为行动。
总体而言，到目前为止，我们看到的是生成式人工智能与参与能力的结合。 具体来说，生成式人工智能通过将 GUI（图形用户界面）和 API 替换为 NLI（自然语言界面），增强了该功能的交互功能。 根据ZK Research 的报告，这在很大程度上使 AIOps 成为最常被引用的用例：
- 64% IT 运营效率/生产力
- 网络或应用性能提升 54%
- 54% 提高了安全性或合规性
有迹象表明，生成式人工智能正被用于通过生成策略和配置来减轻风险和解决事件，但目前这些迹象还很微弱，并且主要局限于单一目标生态系统，即一个供应商或提供商的产品组合。
生成式人工智能对于提升分析观察能力所收集数据的能力起着很小的作用。 这并不是对它的批评，而是承认它不是为此而设计的。 为此，我们需要依靠传统的人工智能。
什么是传统人工智能？
自从生成式人工智能出现以来，我们一直所说的人工智能就需要一个自己的名字。 市场已经用传统人工智能来描述“除生成性人工智能之外的所有人工智能”。
传统人工智能使用与生成人工智能相同的许多训练技术和基本原理，但其旨在通过识别大量结构化数据中的模式和关系来分析甚至预测结果。 传统的人工智能擅长分类和识别。
几十年来，传统人工智能一直用于：
- 识别机器人以防止滥用和欺诈，例如账户接管（ATO）
- 根据网络 (DDoS) 和应用(L7) 流量中的行为模式检测攻击
- 根据消费模式推荐产品和/或服务
- 手写和图像识别
AI 在 AIOps 中的作用
传统人工智能不仅能够预测现有的模式和关系，还能近乎实时地发现新的模式和关系，这使得该技术对于真正的 AIOps 解决方案具有无价的价值。 需要一个能够分析新数据并推断攻击的存在或预测会影响可用性或降低性能的问题的模型。 传统人工智能尤其擅长这两点：为观察能力注入检测异常的能力，并为分析能力提供模式和关系的发现。
生成式人工智能可以生成代码、配置和内容。 它复制现有模式并应用它们来生成新内容。 它不会创造任何东西，而是依赖于根据反馈而加强或削弱的对象之间的关系。
事实上，要求生成人工智能分析新数据充满风险。 它可能会给你一个正确的答案，但也可能会产生幻觉并给你错误的答案。 这是因为，最终生成式人工智能是一场数字游戏，如果数据点之间的关系或模式不强，或者不存在足够的关系或模式，它就会简单地填补空白——无论正确与否。
生成式人工智能为我们提供了数据可访问性——因为我们不需要成为查询语言专家或依赖开发人员为我们构建界面——以及自动生成可执行以解决问题的代码或配置的能力。 这也是可访问性，因为它减轻了成为编写代码或利用多个 API 专家的需要。
但是，如果没有传统的人工智能来实时分析遥测数据，这样的系统只能部分解决全功能 AIOps 解决方案所需的三个功能中的两个。 因此，我们需要同时使用传统人工智能和生成人工智能：
- 观察：用于异常检测的传统人工智能。
- 分析：传统人工智能用于发现模式和关系。
- 参与：生成式人工智能使用户能够可视化并与数据和见解进行交互。
- 行动：生成式人工智能将洞察力转化为行动。
因此，虽然我看好生成式人工智能及其简化甚至加速运营的能力，但我也意识到，要充分发挥人工智能在 AIOps 中的潜力，需要传统人工智能和生成式人工智能的结合。