e-works数字化企业网  »  文章频道  »  基础信息化  »  运维管理

当 DevOps 遇见 AI,智能运维黄金时代即将开启?

2017/7/16    来源:运维派    作者:万金      
关键字:DevOps  智能运维  
很多情况下人工智能无法给出 100% 正确的回答(其实人类也是一样的),如何找到人工智能善于解决的问题就成了首要的任务。
    弱人工智能”(Narrow AI), 是在某些特定领域高效完成任务的专用人工智能, 比如识别图片中的内容或是通过搜索大量医学临床案例为医生提出治疗建议的专用人工智能。目前可实现的人工智能的本质是,人来提出目标,由机器分析大量数据人来高效找到答案。
 
    人工智能应用的分类
 
    很多情况下人工智能无法给出 100% 正确的回答(其实人类也是一样的),如何找到人工智能善于解决的问题就成了首要的任务。
 
    人工智能应用可以分成三类:
 
  • 核心业务,失败不可接受。 医疗,银行,法律。
 
  • 核心业务,失败率可接受。 自动驾驶,自然语言理解。
 
  • 非核心业务,对失败不敏感。 用于改善用户体验。
 
    从人工智能发展和应用的过程来看,通过对感知的模拟,帮助人类做决策,直到完全 代替人类处理大量重复的数据方面的工作。
 
    另一方面,由 巨大商业利益 推动的人工智能将很快成为现实,自动驾驶商业应用会带来客观的商业价值比如:
 
    人为交通事事故减少,保险费降低,无人参与驾驶,用车成本减少到五分之一;按需用车,汽车保有数量会减少到三分之一,导致车商业模式变革;车辆流量变化,大量节省道路和停车场的面积,导致城市规划改变。
 
    人工 + 智能才是最佳的组合方式
 
    卡斯帕罗夫和李世石真的败给了机器吗?
 
    (IBM 的深蓝和谷歌的 AlphaGo)在人类选手的对面,是人工智能汇集了所有人类智慧和经验的智能流算法,如果是这样的话人类必败无疑。
 
    但反过来想如果人类也有一个人工智能辅助来比赛呢?那胜负就未尝可知了。
 
    卡斯帕罗夫在被深蓝击败后,发起了自由式国际象棋比赛,可以使用人工 + 智能(半人马选手)方式参与比赛,由人工智能给出建议,人类来决定是否采纳建议。2014 自由式国际象棋对抗比赛人类赢得了 42 场半人马选手赢得 53 场,当前最优秀的国际象棋团队都是半人马选手由人类和人工智能组成。既然人工智能可以帮助人类成为最优秀的象棋选手,那么可以推测人工智能也能帮助人类成为最优秀的医生、飞行员、法官 和教师甚至是运维和开发人员。
 
    人工智能的工作方式和解决的问题种类
 
人工智能
 
    上图为典型的机器学习流程(图来源于 Natalia Konstantinova 博士的博客)
 
    机器学习可以解决以数据为基础四类问题:典型的机器学习通过无监督学习和监督学习,抽取特征,再通过机器学习算法,实现基于通用特征分组,得出预测模型,通过预测模型为新数据数据打标签。逻辑推理预测、规划师、沟通者、体验与情感。
 
    由 Ajit 的一片博客中总结到人工智能善于解决的 12 中问题(http://www.opengardensblog.futuretext.com/archives/2017/01/twelve-types-of-artificial-intelligence-ai-problems.html)
 
    1.领域专家:模拟现场专家给出建议
 
    2.领域扩展:给出新见解新方法。
 
    3.复杂规划师:比非 AI 算法易于优化
 
    4.更好的沟通者:智能代理,自动语言翻译
 
    5.新感知能力:机器视觉产生了自主车辆
 
    6.企业 AI:改进业务流程
 
    7.ERP AI:  通过认知系统增强 ERP
 
    8.跨界影响预测:比如自主车辆导致司机岗位需求降低;人为交通事事故减少,保险费降低;按需用车消费导致车企商业模式变革,车辆流量变化,导致城市规划改变。
 
    9.目前算法和硬件问题无法很好解决的问题:语音识别达到人的能力。
 
    10.更好的专家系统:通过资料无监督学习获取知识
 
    11.超长序列模式识别:时间序列预测模型
 
    12.情感分析:通过行为预测人类情感的变化
 
    运维发展的历程与人工智能的作用  
 
人工智能
 
    运维行业经历了初始、专业化、工具化、平台化、云化和智能化过程。从手动运维阶段基本没有数据,到规模化结构化数据和智能化非结构化数据的趋势。
 
    人工智能发展初期充当辅助人类的助手角色,以增加销售额,提升用户体验,优化生产过程和节省成本为目标。
 
    手动阶运维阶段
 
    运维工作量小运维人员主要工作就是看监控屏幕,随着对运维要求提高,工作分工此阶段产生,产生了稳定,便捷,可靠,快速的工作原则。
 
    人工智能可以做的是:基于人的经验,对结构化销售数据进行商业智能分析(BI)找出数据中的知识,从而提升销售额。存在的问题主要是数据专家基于经验发现业务数据中的知识,对业务了解程度成为 BI 有效性的最大瓶颈。即缺乏即懂业务规则又懂数据发掘的人才阻碍商业智能的发展。
 
    规模化阶段
 
    随着 DevOps 概念的推出,工具大量涌现来协助运维工作运维能力大幅提升,带来问题是很少有一家公司可以生产覆盖所有 DevOps 生命周期的工具,而学习多种不同厂商的工具完成任务带来很高的技术门槛。随着一些创业型公司崛起,运维工作量爆发式增长,为了保证业务的连续性 SRE 也在此时期产生,主要目标是使用软件工程技术实现业务大幅增长而运维工作了保持平稳。
 
    人工智能可以做的是:出现以结构化数据为主工业级解决方案,使用算法为主解决商业通用问题,以提高人员利用率加快创造价值为典型问题。同时也存应用了工业级智能解决方案有多大的效率提升很难估算和当数据知识变化后很难进行跟踪优化的问题。
 
    生态化阶段
 
    随着互联网规模的发展,少数大公司承担起基础设施的工作,通过高度集中提升数倍的运维效率(在亚马逊购买 1 美元的基础设施,可以带来与传统数据中心 7 美元投资相同的计算力),这种变革让云计算客户专注于业务的发展将基础设施运维交给云计算平台。市场规模继续增长一个公司无法使用一套解决方案覆盖所有细分市场的需求,生态化从而产生。因此大量的数据为人工智能实用化奠定基础。
 
    人工智能可以做的是:出现以非机构化数据为主通用的技术框架,不同的公司负责一部分问题形成生态圈,协助业务人员完成工作,通过新感知能力半自动或自动化完成以前手工的工作。如何结合新的感知能力辅助人类在巨大数据量,变化的规律中做出决策成为新的问题。
 
    用矛盾论的观点分析 DevOps  
 
    DevOps 存在矛盾的两方面,我们做的事情无外乎一分为二,最终二合为一 矛盾论。
 
    DevOps
 
    这是第一次西方的 DevOps 方法论与中国的矛盾论结合,其实所谓的方法论要不就被认为是废话(一般性原则),要不就是不被人理解(太深奥)。不妨我们往下看看,一分为二和二合为一是什么意思。
 
    我们先抛开 DevOps 的定义,假设我们 DevOps 要做什么事情,他就像足球比赛开始时候裁判抛出的硬币正面或反面朝上,来决定由哪一方先发球,先发球就意味着具有很大优势,但是双方认可这枚硬币来作为双方都可以接受的方式来开始一场比赛。这就是 DevOps 在研发和运维工作中起到的低成本的沟通协调的作用。
 
    很有趣的一点就是随着 DevOps 理论的提出各种工具(硬币)大量涌现,这些工具只不过提供了比抛硬币复杂一些的规则而已。而人工智能会给这些工具带来增强效果。
 
    不能一味的追求事物的某个方面而忽略另一方面
 
    我们在回过头来看一分为二是什么意思。研发追求功能的吞吐量,主要关注需求实现时长,发布频率和部署前置时间。而运维追求稳定性,主要关注部署成功率,应用错误率,事故严重程度和严重 bug。这本来就是一对不可调和的矛盾。
 

责任编辑:李欢
本文为授权转载文章,任何人未经原授权方同意,不得复制、转载、摘编等任何方式进行使用,e-works不承担由此而产生的任何法律责任! 如有异议请及时告之,以便进行及时处理。联系方式:editor@e-works.net.cn tel:027-87592219/20/21。
e-works
官方微信
掌上
信息化
编辑推荐
新闻推荐
博客推荐
视频推荐