AIOps是人工智能和IT运营的融合，通常被称为解决方案，代表着有效的自动化。但在许多情况下，它只解决了一小部分问题——对警报进行分类，并将数据级别降低到更易于管理的程度。为了充分挖掘其潜力，组织应该为AIOps寻找更复杂的用例，这些用例可以扩展到IT操作之外——想让DevOps自动化的AI，或者更好的BizDevSecOps。
AIOps的作用和责任
通过使业务、开发和运营团队能够自动化现代云环境并驱动自愈应用程序，此类AIOps有巨大的潜力来加速数字创新。这是一种更全面的方法来控制数据增长，这需要一种新形式的AIOps。为了支持这一点，AI需要立即从广泛、结构良好、高质量的数据中学习，而不是简单地分析非结构化数据集中的历史模式。因此，组织必须重新思考捕获、处理和操作数字服务数据的方式。
云原生技术和多云环境
创新者正越来越多地依赖云本地技术和多云环境来提高其数字灵活性并加速转型。然而，这增加了复杂性，这往往使IT和业务团队难以管理动态技术堆栈。AIOps，即人工智能和IT运营的合并，通常被视为一种解决方案，但在许多情况下只解决了一小部分问题——将警报分类并将数据级别降低到更易于管理的程度。要解锁其完整的多云组织，组织应该为AIOps寻找更复杂的用例，这些用例扩展到IT操作之外——想想AI自动化DevOps，或者更好的BizDevSecOps。
AIOps的潜力
通过使业务、开发和运营团队能够自动化现代云环境并驱动自愈应用程序，此类AIOps有巨大的潜力来加速数字创新。这是一种更全面的方法来控制数据增长，这需要一种新形式的AIOps。为了支持这一点，AI需要立即从广泛、结构良好、高质量的数据中学习，而不是简单地分析非结构化数据集中的历史模式。因此，组织必须重新思考捕获、处理和操作数字服务数据的方式。
人们普遍认为，人工智能的智能程度取决于用户提供给它的数据。因此，组织专注于提高其技术环境的可观察性，以确保从所有可用来源捕获数据，从而丰富其人工智能产生的见解。然而，云本地多云和多云环境的使用导致了复杂性，这使得难以以标准化和整体的方式捕获每天产生的数PB的数字服务数据。业务、运营和开发团队使用多种监控工具来捕获不同的数据源。因此，数据收集和交付格式不一致，使得人工智能很难保留防止多重跛行所需的结构和场景。
