人工智能将如何增强监控和管理领域

企业从单纯的数字化组织转变为完全智能化的组织越多，数据主管就越会意识到传统的复杂系统和流程的监控和管理是不够的。需要的是一种新的、更广泛的监督形式——最近被称为“数据可观察性”。

可观察性的内容和原因

可观察性和监控之间的区别是微妙但重要的。在最近的一篇文章中解释的那样，监控允许技术人员根据预定义的指标或日志查看过去和当前的数据环境。观测，在另一方面，提供了深入了解为什么系统随时间而变化，并且可以检测到以前没有考虑的条件。简而言之，监控告诉你发生了什么，而可观察性告诉你为什么会发生。

为了完全接受可观察性，企业必须以三种不同的方式参与其中。首先，人工智能必须完全渗透到 IT 运营中，因为这是快速可靠地检测模式并确定性能受损根本原因的唯一方法。其次，数据必须在整个生态系统中标准化，以避免不匹配、重复和其他可能影响结果的因素。最后，可观察性必须转移到云端，因为大部分企业数据环境也正在向云端转移。

根据可观察性平台开发商 Moogsoft 的首席布道者 Richard Whitehead 的说法，可观察性是基于控制理论的。这个想法是，有了足够的质量数据可供使用，人工智能技术人员可以观察一个系统对另一个系统的反应，或者至少可以根据系统的输入和输出推断系统的状态。

问题是在 DevOps 和 IT 之间的不同上下文中查看可观察性。虽然 IT 通过将应用程序性能监控 (APM) 与基础设施性能监控 (IPM) 相结合而运作良好，但新兴的 DevOps 模型以其快速的变化率受到数据摄取缓慢的影响。然而，通过在粒度数据馈送上释放人工智能，IT 和 DevOps 都将能够快速识别出表征快速发展的数据环境的隐藏模式。

这意味着可观察性是新兴 AIOps 和 MLOps 平台的核心功能之一，它们承诺将数据系统和应用程序管理推向超光速。New Relic 最近更新了其 New Relic One 可观察性应用程序，以整合 MLOps 工具，以便在收到警报后立即进行自我再培训。这对于 ML 和 AI 训练应该特别方便，因为这些模型往往会随着时间的推移而恶化。数据可观察性有助于解释影响关键指标（如偏斜、数据陈旧性以及整体模型精度和性能）的不断变化的现实条件，无论这些变化是在几秒钟内发生，还是在几天、几周或几年内发生。

类固醇自动化

Gartner 研究副总裁道格拉斯·图姆斯 (Douglas Toombs) 表示，在接下来的几年里，有理由期待人工智能和可观察性迎来“超自动化”的新时代 。在接受 RT Insights 采访时，他指出，完全实现的 AIOps 环境是 Gartner 长期预测的“即时基础架构”的关键，在该基础架构中，数据中心、托管、边缘和其他资源可以根据内部的业务需求进行编译。一个有凝聚力但分布广泛的数据生态系统。

在某种程度上，可观察性是人工智能改变监控和管理参数的方式，就像它改变数字企业的其他方面一样——通过使其更具包容性、更直观和更自我操作。无论任务是绘制消费者趋势图、预测天气还是监督数据流，人工智能的工作都是根据这些分析提供对复杂系统的精细洞察并绘制行动路线图，其中一些可以自行实施，而另一些则可以自行实施。必须得到管理员的批准。

因此，可观察性是人工智能承担人类今天所做的平凡任务的另一种方式，它不仅创造了一个更快、反应更灵敏的数据环境，而且更适应它试图以数字方式解释的真实环境.