人工智能与智能运维

人工智能的历史源远流长，先民对人工智能的追求表现在诸多神话、传说、故事、预言以及制作机器人偶的实践中。

人工智能一词可以分为人工和智能两个部分。“人工”一词毫无争议，在这里它与自然相对，泛指由人制造的。至于什么是“智能”，至今在学术界仍然没有达成共识，因为它涉及到其他诸如意识、自我、心灵等问题，人唯一了解的智能就是人本身的智能，但是我们对自身智能的理解是非常有限的，对构成人的智能的必要元素也了解有限。

纵观人工智能的发展历程，跟随人工智能的发展脚步，智能机器的发展主要经历了如下阶段：

一．专家式的智能机器

专家式的智能机器属于智能机器发展的第一个阶段，其采用传统的编程技术，充分利用计算机技术的发展，用数学和算法模拟人类计算，使智能机器代替人类来进行计算和重复性劳动，从而“呈现出”一种智能效果。我们平常接触的文字识别、简单电脑下棋、搜索引擎、工厂生产线等，都可以归入此类。大名鼎鼎的“深蓝”就属于此类。

专家式的智能机器，只能算作某领域内的专业人才，一旦换到新的应用场景就无法适应。这种专家式的智能机器，需要人工详细规定逻辑程序，一旦出错，就必须重新修改原有程序，重新编译测试，它无法自行学习，自行纠错，因此在使用过程中具备较大的局限性。

二．学习式的智能机器

正因为专家式的智能机器的局限性和不足，所以到了智能机器发展的第二阶段，智能机器就要通过自我学习，变成类似人类的通才。这个系统一开始就如同一个婴儿般什么都不懂，但它能够像婴儿那样逐步适应环境，学习并应付复杂的状况。这种系统开始也常犯错误，但它能够吸取教训，自我完善。

苹果公司的Siri就是机器学习的典范，依靠原来训练过的模型，抽取规律，新用户使用时无需提前训练，即使在背景噪音和口音不同时，也能够识别用户指令，这个背后就是机器学习算法的贡献。

在电信智能运维领域，同样的也是一个从基于规则到基于学习的发展过程。

智能运维领域，基于学习的智能机器需要满足以下要素：

1.数据：电信网络天然有海量日志作为特征数据，另外还可以根据需要，按照指令生成新的日志数据

2.标注：日常运维产生结构化的标注数据，如TT

3.工具：大量成熟的机器学习算法和开源系统

4.应用：运维人员可以设计、部署、使用并受益于智能运维系统，形成闭环。

对于智能运维，可行的目标到底是什么？当前比较普遍的有两种思路：一是代替运维人员，接管所有的工作；二是作为运维人员的的高效可靠助手。究竟哪一种思路是切实可行，这就又回到了运维工作面临的实际问题。

1.“知其然又知其所以然”、“知其然不知其所以然”

这两类问题，原则上机器可以解决，在一定条件下，在某些性能上，可以达到或超过人类的水平

2.“不知其然又不知其所以然，但知道问题存在，如理解、直觉、意识等”，此类问题，采用数据驱动的方法，但性能与人类差距较大，以目前的技术，尚不具备取代人类的可能性。

因此，一种可行的思路是，自动化那些知其然而不知其所以然的的运维任务。

技术可以解决工程领域的问题，如编程、分布式计算、数据库等等......

技术可以解决科学领域的问题，如统计、机器学习、关联规则、相似性等等......

但是,

技术可能永远也无法替代领域专家，无法解决艺术领域的问题，如网络知识、应用原理、业务需求、系统结构等等，但是可以为领域专家提供更好的工具。

智能运维的终极可行目标：日常工作都能自动完成、运维人员能够独立进行数据分析。

近年来，机器学习理论和研究迅猛发展，不断取得突破，促进了人工智能技术的飞跃。基于机器学习的智能运维，在今后若干年会飞速发展，因为在电信及互联网领域，拥有得天独厚的大数据、标注和应用，更系统的数据采集和标注会帮助智能运维更快发展。最终实现智能运维的终极可行目标：运维人员高效可靠的助手。