简单说下AIOps是运维的趋势吗？
答案是肯定的，想想如果机器可以帮我们查找问题、处理故障、分析代码甚至开发代码。并且指导我们如何去修改代码，降低人工失误，减少代码bug，或者招聘时，可以根据候选人的度量指标来预测加入团队后所产生的影响，从而确定合适的面试者。或对于我们运维来说，让机器来干那些重复而又枯燥的工作，帮助我们分析问题甚至解决问题，让运维人员有更多的时间专注服务或应用本身。那么这将是多么美好的事，那AIOps还离我们还有多远呢？
我们先看下运维的发展阶段：
| 阶段 | 特征 |
|---|---|
| 手工 | 依靠个人能力 |
| SHELL | 工具，处理重复、枯燥的工作 |
| DevOps | 自动化、流程化、标准化 |
| AIOps | 智能化 |
目前DevOps是比较流行的趋势，是用现有成熟的产品整合到运维体系中并集中到运维平台统一管理，将运维的工作移到开发阶段，用工程化、流程化、规范化、统一化的方法让开发和运维整合。
随着Docker、OpenStack、CI/CD、Python、Go的发展，DevOps和自动化运维也被推到了高潮，整体来看自动化运维帮助我们提升了运维的效率，并减少因流程或人工失误引起的运维故障。
从发展阶段我们可以看出两个趋势：由零散到整合，从半自动化到智能化，这是由于DevOps是由所有服务器产生的数据形成的。目前已经有很多公司实现了DevOps，也正在尝试从DevOps到AIOps的转变。
要实现AIOps最重要的是大量的数据，而在运维中数据来源是服务器（系统日志和状态、服务及监控等），当有了数据链之后，传统运维可以做监控告警、用户行为分析等，这种度量是从Ops到Dev的，在度量的驱动下智能运维（AIDevOps）将具有以下的模式：
度量：针对服务生命周期的不同行为进行度量定义，并定义度量指标。
分析：对数据进行收集，针对不同业务目标确定预测模型或者对原有的模型进行调整。
学习：用户数据建模，通过对不同模型效能评估，确定可以模型。
预测：通过大量的数据对业务（服务、可靠性）进程预测。
指导：对预测的结果和度量目标的对比，对实践者进行最佳的指导。
行动：按照指导行动，并为下一次的度量积累数据。
理想的情况下，人们只需要参与度量和行动环节，而其他的环节都可以由机器自动去完成。所以，AIOps会更加全面的利用软件数据，挖掘潜在的影响因素，帮助我们更好的完善业务，提高服务可用性。
未完......