AI 技术在各个应用领域的落地及实践，IT 运维也将迎来一个智能化运维的新时代。算法的效率提升了 AIOps 的价值，通过持续学习，智能运维将把运维人员从纷繁复杂的告警和噪音中解放出来。
在现阶段，运维中的哪些痛点适合引入人工智能技术?如何加速落地?解决智能运维普世化的问题在数据、算法、算力、人才四方面。
如果成功的将机器学习应用到运维之中，还需要以下三个方面的支持：
数据。互联网应用本身具有海量的日志。需要做优化存储。 数据不够还需要自主生成。 标注的数据。日常运维工作会产生标注的数据。 比如出了一次事件后，运维工程师会记录下过程， 这个过程会反馈到系统之中， 反过来提升运维水平。运维工程师是智能运维系统的用户。 用户使用过程发现的问题可以对智能系统的优化起正向反馈作用。而我们的Opmanager可以自定义各种不同的报表，从而提供大量的基础数据。
我们大家都知道，在运维发展的过程中，最早出现的是手工运维;在大量的自动化脚本产生后，就有了自动化的运维;后来又出现了 DevOps 和智能运维。
在运维的过程中，涉及到的步骤可以概括为：产生海量的监测日志，进行分析决策，并通过自动化的脚本进行控制。
运维的发展过程，主要是分析决策步骤发生了变化：起初，由人工决策分析;后来，在采集数据的基础上，使用自动化的脚本进行决策分析;最后，用机器学习方法做决策分析。根据 Gartner Report，智能运维相关的技术产业处于上升期。OpManager作为其中的佼佼者，提供全面的网络监控功能，可帮助您监控网络性能，实时检测网络故障，及时排除故障以防止停机。作为一个功能强大的网络监视器，它支持多供应商IT环境，并且可以扩展以适应您的网络。OpManager全面可视化监控您的设备和网络，让您获得对整个网络基础架构的完全可见性和性能控制。
如果 AIOps 普遍部署之后会是什么样的呢?现在做运维的同学们会变成怎样?
从机器的角度，基础性、重复性的运维工作都交给计算机来做了;同时，机器通过机器学习算法为复杂的问题提供决策的建议，然后向运维专家学习解决复杂问题的思路。
从运维专家的角度，运维专家主要处理运维过程中的难题，同时基于机器建议给出决策和训练机器徒弟。
运维工程师将逐渐转型为大数据工程师，主要负责开发数据采集程序以及自动化执行脚本，负责搭建大数据基础架构，同时高效实现基于机器学习的算法。
机器学习科学家主要负责 AI 的落地应用，智能运维领域相对于其他 AI 应用领域的优势在于，我们不仅有大量的应用数据，而且有实际的应用场景和部署环境。
因此，人工智能在计算机视觉、自然语言理解、语音识别之外，又多了一个落地应用——这是一座尚未开采的金矿。
因为智能运维需要三方面的知识：
我们要熟悉应用的行业，比如互联网、电信或者相对传统的行业，如金融、电力等等。 我们要熟悉运维相关的场景，包括异常检测、故障预测、瓶颈分析、容量预测等。 虽然工业界熟悉运维行业和场景，熟悉生产实践中的挑战，也有数据。但是，工业界并不熟悉整个智能运维中最重要的部分——如何把实际问题转化为算法问题。因此，智能运维是一个需要三方面领域知识结合的高门槛领域。
