自 ChatGPT 橫空出世之后，AIGC 已成為不可逆轉(zhuǎn)的時(shí)代浪潮。在之前的文章中，我們介紹了DevOps 領(lǐng)域中AI的用例，需要回顧可以點(diǎn)擊下方鏈接。在本篇文章中，我將簡(jiǎn)單聊聊人工智能（AI）如何通過(guò)分析日志和指標(biāo)來(lái)預(yù)測(cè)潛在的系統(tǒng)故障或性能下降，從而實(shí)現(xiàn)主動(dòng)維護(hù)和問(wèn)題解決。
?

持續(xù)監(jiān)控和可觀測(cè)性用例

CI 異常檢測(cè)：人工智能可以分析歷史數(shù)據(jù)，檢測(cè)持續(xù)集成階段的異常情況。在進(jìn)入下一階段之前，任何異常變更都會(huì)被標(biāo)記為審查對(duì)象。像 IBM Watson Anomaly Detection 這樣的工具可以通過(guò)使用人工智能來(lái)檢測(cè)模式和異常，從而幫助識(shí)別這些異常。
?

代碼質(zhì)量保證：在開(kāi)發(fā)階段可以使用人工智能來(lái)分析代碼以確保其質(zhì)量，有助于減少錯(cuò)誤和漏洞。DeepCode 和 Codota 等工具會(huì)使用 AI 來(lái)識(shí)別潛在問(wèn)題，并根據(jù)學(xué)習(xí)的代碼和解決方案數(shù)據(jù)庫(kù)提出改進(jìn)建議。
?

測(cè)試用例優(yōu)化： AI 可以幫助優(yōu)化持續(xù)集成（CI）中測(cè)試用例的選擇。利用歷史測(cè)試數(shù)據(jù)，人工智能可以確定哪些測(cè)試用例最有可能發(fā)現(xiàn)新缺陷。Testim.io 等工具可以根據(jù)風(fēng)險(xiǎn)和變更影響使用人工智能來(lái)確定測(cè)試的優(yōu)先級(jí)，從而幫助實(shí)現(xiàn)這一目標(biāo)。
?

CD 中的預(yù)測(cè)分析：AI 可以分析歷史部署數(shù)據(jù)并預(yù)測(cè)持續(xù)交付 (CD) 期間的潛在問(wèn)題。這可以幫助先發(fā)制人地解決問(wèn)題，減少停機(jī)時(shí)間。Splunk 等工具使用人工智能和機(jī)器學(xué)習(xí)來(lái)為運(yùn)營(yíng)數(shù)據(jù)提供預(yù)測(cè)分析。
?

自動(dòng)回滾：在持續(xù)部署的情況下，AI 可用于自動(dòng)回滾導(dǎo)致問(wèn)題的部署。Harness 等工具使用機(jī)器學(xué)習(xí)來(lái)了解典型的應(yīng)用程序行為，如果檢測(cè)到異常，則會(huì)自動(dòng)恢復(fù)到最后的穩(wěn)定狀態(tài)。
?

基礎(chǔ)設(shè)施優(yōu)化： AI 可幫助優(yōu)化云環(huán)境中的資源使用。CAST.AI 和 Turbonomic 等工具可以利用人工智能持續(xù)優(yōu)化基礎(chǔ)架構(gòu)，確保在降低成本的同時(shí)提高性能。
?

事件管理：AI 幫助實(shí)現(xiàn)從檢測(cè)到解決的事件管理流程自動(dòng)化。BigPanda 和 Moogsoft AIOps 等工具使用人工智能來(lái)匯總、關(guān)聯(lián)和分析來(lái)自不同來(lái)源的警報(bào)，從而減少噪音并加快事件解決速度。
?

日志分析：人工智能可以分析日志，找出人類(lèi)難以發(fā)現(xiàn)的模式。Logz.io 等工具利用人工智能對(duì)日志數(shù)據(jù)進(jìn)行認(rèn)知洞察，從而提供對(duì)數(shù)據(jù)的更深入理解。
?

安全威脅檢測(cè)：人工智能可以分析模式，更有效地檢測(cè)安全威脅。Darktrace 等工具利用機(jī)器學(xué)習(xí)來(lái)實(shí)時(shí)檢測(cè)異常行為，從而在潛在威脅造成破壞之前將其檢測(cè)出來(lái)。
?

網(wǎng)絡(luò)監(jiān)控：人工智能可以通過(guò)分析流量模式預(yù)測(cè)網(wǎng)絡(luò)中斷。Kentik 等工具利用人工智能在影響用戶之前主動(dòng)識(shí)別潛在的網(wǎng)絡(luò)問(wèn)題。
?

將持續(xù)監(jiān)控轉(zhuǎn)變?yōu)槭褂萌斯ぶ悄軙r(shí)的挑戰(zhàn)

以下是企業(yè)在過(guò)渡現(xiàn)有 CI/CD 流水線以將人工智能納入持續(xù)監(jiān)控和可觀察性時(shí)可能面臨的一些挑戰(zhàn)，以及可能的解決方案：
?

數(shù)據(jù)質(zhì)量和可用性：人工智能工程工具的有效性在很大程度上取決于所提供數(shù)據(jù)的質(zhì)量和數(shù)量。數(shù)據(jù)不足或質(zhì)量不佳會(huì)導(dǎo)致洞察力或預(yù)測(cè)不準(zhǔn)確。實(shí)施有效的數(shù)據(jù)治理和管理實(shí)踐可確保數(shù)據(jù)的質(zhì)量和可訪問(wèn)性。數(shù)據(jù)應(yīng)徹底清理并適當(dāng)標(biāo)注，以方便人工智能模型的訓(xùn)練。
?

技術(shù)差距：采用人工智能工程工具需要現(xiàn)有 IT 團(tuán)隊(duì)可能不具備的新技能。他們可能不了解如何有效地使用這些工具。為您的 DevOps 團(tuán)隊(duì)提供全面培訓(xùn)，彌補(bǔ)技術(shù)差距，還可以考慮聘請(qǐng) AI 專(zhuān)家或與經(jīng)驗(yàn)豐富的供應(yīng)商合作，幫助實(shí)施和管理人工智能工具。
?

變革阻力：與任何重大轉(zhuǎn)型一樣，變革阻力也可能是一個(gè)巨大障礙。員工可能會(huì)擔(dān)心工作保障或認(rèn)為難以適應(yīng)新工具。無(wú)論是在組織層面還是個(gè)人層面，都要清晰透明地宣傳人工智能轉(zhuǎn)型的好處。確保員工認(rèn)識(shí)到，人工智能是用來(lái)幫助他們的，而不是取代他們。組織研討會(huì)和培訓(xùn)課程，幫助員工輕松過(guò)渡。
?

與現(xiàn)有系統(tǒng)集成：人工智能工具需要與現(xiàn)有的 DevOps 工具和工作流程無(wú)縫集成，以確保在不影響運(yùn)營(yíng)的情況下增加價(jià)值。選擇與現(xiàn)有基礎(chǔ)設(shè)施兼容的人工智能工具，或考慮實(shí)施集成中間件。進(jìn)行概念驗(yàn)證（PoC），確保新的人工智能工具順利集成。
?

實(shí)施成本：部署人工智能工具可能需要大量的前期投資，包括工具本身和必要的基礎(chǔ)設(shè)施升級(jí)。進(jìn)行全面的成本效益分析，以了解人工智能工具所能帶來(lái)的投資回報(bào)（ROI）。考慮從低成本或開(kāi)源工具開(kāi)始，或使用基于云的人工智能服務(wù)，以減少對(duì)基礎(chǔ)設(shè)施的初始投資。
?

總 結(jié)

隨著 DevOps 世界的發(fā)展，人工智能在監(jiān)控和可觀測(cè)性方面的整合變得越來(lái)越重要。無(wú)論是在持續(xù)集成、持續(xù)交付或持續(xù)部署階段，還是在應(yīng)用程序、基礎(chǔ)設(shè)施和流水線階段，人工智能都能帶來(lái)非凡的效益。從 CI 中的異常檢測(cè)、代碼質(zhì)量保證和測(cè)試用例優(yōu)化到 CD 中的預(yù)測(cè)分析，人工智能可以改變您的運(yùn)維，提供更快速、更可靠的結(jié)果。
?

然而，向人工智能優(yōu)化的 DevOps 環(huán)境過(guò)渡并非沒(méi)有挑戰(zhàn)。必須考慮并解決數(shù)據(jù)質(zhì)量、技能差距、變革阻力、系統(tǒng)集成和成本影響等問(wèn)題。但不用擔(dān)心，解決方案就在眼前。通過(guò)有效的數(shù)據(jù)治理、全面的培訓(xùn)、透明的溝通、明智的工具選擇和徹底的成本效益分析，您可以應(yīng)對(duì)這些挑戰(zhàn)，并在 DevOps 之旅中收獲人工智能帶來(lái)的回報(bào)。準(zhǔn)備好迎接 AI 驅(qū)動(dòng)的 DevOps 的未來(lái)了嗎？現(xiàn)在就開(kāi)始探索各種可能吧。
?

參考鏈接：
https://devops.com/how-ai-addresses-devops-monitoring-and-observability-challenges/