傳統訂定IT策略、運用規則的維運方式正面臨嚴峻挑戰，企業需要找尋更智慧化的維運方法來克服這項難題。藉由解析IT系統既有的歷史日誌與效能資料，運用人工智慧相關技術來協助自動化故障檢測、異常判斷，或是提供更視覺化的工具，將能輔助管理人員更快察覺問題根源。
近年來，隨著IT環境愈益複雜，維運管理與部署挑戰也愈形艱鉅，從虛擬化、雲端運算乃至於容器、微服務，在在都加深了IT維運工作的複雜度，更不用說5G、物聯網應用成熟後，各式各樣的前端裝置都有可能承載著服務，這些大量產生的資料以及後端複雜的IT系統與架構，無疑更讓IT維運工作雪上加霜。
IBM全球資訊科技服務事業部資訊系統規劃顧問林倩全指出，現今已有許多解決方案提供了很好的監控管理介面，可以大幅降低維運人員的管理負擔，但企業環境不可能僅僅只有單一品牌，而且可能是多雲環境的應用，在多供應商的情況下，維運管理挑戰勢必更為複雜，其中最明顯的挑戰是，企業愈來愈難找到問題的根本原因（Root Cause）。
舉例而言，過去一台伺服器只承載了一種應用服務，隨著處理器運算力愈益強悍以及虛擬化技術持續進步，單台伺服器上可能承載了二十至三十台虛擬機器，如今容器技術愈益成熟，可預見的未來，單台伺服器可能有上百個容器同時在運行，倘若企業運用微服務架構，那麼單一交易就可能由多個微服務來組成，在這種情況下，一旦交易出現問題，或是服務無法提供時，企業將愈來愈難以察覺造成問題的根本原因在何處？「很明顯地，基礎架構的維運與管理挑戰難度將只會愈來愈高。」他說。
智慧維運新概念
 |
| ▲ IBM全球資訊科技服務事業部資訊系統規劃顧問林倩全指出，企業環境愈複雜，基礎架構的維運與管理挑戰難度將會愈高。 |
顯然，傳統訂定IT策略、運用規則的維運方式正面臨嚴峻挑戰，企業需要找尋更智慧化的維運方法來克服這項難題，能不能藉由過去IT系統既有的歷史日誌與效能資料，透過現今當紅的人工智慧相關技術來協助自動化故障檢測、異常判斷，或是提供更視覺化的工具輔助管理人員找出問題根源，是現今IT產業中正在努力的方向，而這也催生了市場發展出AI與Ops結合的新興概念。
調研機構Gartner早期將此概念稱為Algorithmic IT Operations，後改以AIOps（Artificial Intelligence for IT Operations，智慧維運）稱之，並且發表AIOps平台市場報告。Gartner認為，AIOps平台是一種結合大數據、人工智慧或機器學習功能的軟體系統，主要是用於增強並部份取代廣泛的IT維運流程與任務，包含可用性與效能監控、事件關聯和分析、IT服務管理以及自動化。Gartner並且預估到了2022年，將有40%的大型企業會結合大數據與機器學習的功能，來支援或部份取代監控、自動化流程與任務。
由於目前幾乎沒有供應商能夠提供一個很全面的AIOps平台，多數的情況是提供大量的AIOps功能，因此，Gartner也將AIOps能力劃分為11種類別，從歷史資料管理、串流、日誌以及有線網路資料擷取乃至於文件檔案的語意分析與索引、自動化的模式探索與預測（Automated Pattern Discovery and Prediction）、根因與異常檢測，甚至是雲端服務上提供的AIOps服務，都劃歸在AIOps市場類別中。
值得留意的是，儘管「AIOps」一詞目前已開始被廣泛地通用，但不同的分析機構對AIOps的界定並不相同，舉例而言，Wikibon首席分析師James Kobielus認為AIOps指的是AI與雲端基礎架構及維運之間的交集，它包含了兩個方向，一是支援AI的運算平台，其二則是由AI驅動的基礎架構優化工具，藉由AI技術，讓基礎架構及維運能夠持續地自我修復、管理與優化；這些工具可能嵌入在AI工作負載優化的平台中，也可能是以獨立工具的形式來管理眾多的平台。
因此，James Kobielus列舉的供應商方案中，包含了許多AI就緒的運算方案，例如Dell EMC提供AI就緒的儲存、基礎架構設備以及超融合基建等等，而HPE則是在儲存設備中提供自我服務的儲存管理以及預測儲存優化，而IBM則提供了AI基建的參考架構、Power AI伺服器、FlashSystem多雲解決方案以及Storage Insights等等，其他還有NetApp、PureStorage等供應商也在名單之列。
雖然兩大分析機構所稱的AIOps均與IT基礎架構與維運有著密不可分的關連，但Gartner與Wikibon的界定卻是兩種迥然不同方向，因此，考量AIOps目前仍是一個新興概念，而且未來很可能會依據企業的運用情況而修正調整，在本期的專題報導中，將從「維運管理」的角度出發，不管是將人工智慧引用到IT基礎架構與維運、雲端服務供應商所提供的AI維運服務，還是現今熱門的AI就緒基礎架構內所提供的AI管理平台，都廣義地視為AIOps的範疇。
企業環境各異資料至關重要
現階段，多數AIOps供應商採取的策略，主要都是基於多年來累積的客戶經驗與資料，透過大數據以及機器學習等技術，找出其Pattern並且將其訓練成模型，或轉化成工具、平台，以提供給企業快速洞察、自我預測，簡化總體維運的複雜度。此處提及的客戶資料，並非指的是單一企業用戶環境內部的資料，而是供應商從大量機器設備中遙測而得的數據。
 |
| ▲將AI與Ops結合的新概念，Gartner將其稱為AIOps。結合大數據、人工智慧或機器學習功能的AIOps，主要是用於增強並部份取代廣泛的IT維運流程與任務。（資料來源：Gartner） |
對於企業的好處是，維運人員可以克服手動管理所遇到的挑戰，不管是數位轉型帶來的資料量激增難題，還是基於使用者對於即時回應的體驗期望，AIOps都能加速企業對IT事件的反應，而且無須從頭佈建。而對於IT維運人員而言，採用AIOps供應商的方案，可以直接跨越人工智慧的技術門檻，無論是AI監控模型還是自主服務管理，都相對輕鬆容易。
但需提醒的是，個別企業環境畢竟與IT供應商收集而得的客戶資料環境有所不同，初期導入後，多少都需要一些時間調校，許多專家都建議，企業不妨先訂定一個準確率目標，然後再運用內部的數據持續地訓練、調校參數，以便取得最佳的成果。Hitachi Vantara台灣區資深技術顧問梁萬宇指出，一如企業導入新設備需要經過調校才能更符合自身環境一樣，供應商訓練好的AI模型仍需企業不斷提供資料，才能讓模型持續地學習，並且讓預測洞察更貼近企業實際環境；一般來說，效能預測通常可以很快調整完成，但容量預測方面，就得視企業環境而定，如果企業一年半才需要擴充基礎架構資源，持續調校的時間就需要拉長。