这是公司尝试采用AI失败的一个常见故事。他们与有前途的技术供应商紧密合作。他们通过概念验证投入时间，金钱和精力，以取得圆满成功，并证明人工智能的使用将如何改善其业务。然后，一切都停止了-公司发现自己陷入了困境，他们出色的概念证明被封存，而他们的团队却受挫。

用什么来解释失望的结局?好吧，实际上很难将AI模型集成到公司的整体技术架构中。这样做需要将新技术正确地嵌入到更大的IT系统和基础架构中-如果您无法将一流的AI连接到现有系统，那么一流的AI将无济于事。但是，尽管公司将时间和资源投入到自己对AI模型的思考中，但他们经常这样做，却没有考虑如何使其真正与他们拥有的系统一起工作。

此处缺少的组件是AI操作-或简称为“ AIOps”。这是一种实践，涉及构建，集成，测试，发布，部署和管理系统，以将AI模型的结果转化为最终用户所需的见解。从根本上讲，AIOps归结为不仅拥有合适的硬件和软件，还拥有合适的团队：具有将AI集成到现有公司流程和系统中的技能和知识的开发人员和工程师。它是从旨在集成软件开发和软件运营的软件工程和实践演变而来的，它是将AI引擎的工作转换为真实业务产品并以大规模，可靠的规模实现AI的关键。

从正确的环境开始

在许多由AI驱动的业务中，只有一小部分代码专门用于AI功能-实际上，实际的AI模型只是大型系统中的一小部分，而用户如何与之交互与模型本身一样重要。要释放AI的价值，您需要从设计良好的生产环境(代码与用户见面的真实世界环境中的开发人员名称)开始。从一开始就考虑这种设计将帮助您管理项目，从探究是否可以开发AI解决方案并将其集成到客户端的IT环境中，再到算法在客户端操作系统中的集成和部署。您需要一种软硬件可以无缝协同工作的设置，以便企业可以依靠它来运行其实时日常商业运营。

良好的产品环境必须成功满足三个条件：

可靠性。目前，人工智能技术充满了技术问题。例如，当输入错误和格式错误的数据时，由AI驱动的系统和模型将停止运行。此外，当他们必须摄取大量数据时，它们的运行速度必然会降低。这些问题充其量会减慢整个系统的运行速度，最坏的是会使系统崩溃。

避免数据瓶颈对于创建可靠的环境非常重要。精心考虑的处理和存储体系结构可以解决吞吐量和延迟问题。此外，期望是关键。一个优秀的AIOps团队将考虑防止环境崩溃的方法，并为出现问题的情况制定应急计划。

灵活性强。业务目标以及整个系统中的支持流程和流程会不断变化。同时，一切都需要在系统级别像发条一样运行，以使AI模型能够发挥其应有的优势：数据导入必须根据某些固定规则定期进行，报告机制必须不断更新，陈旧数据必须避免经常刷新。

为了满足不断变化的业务需求，生产环境需要足够灵活，以快速，流畅地进行系统重新配置和数据同步，而又不影响运行效率。想一想如何通过将可分解的块分解为可管理的块(例如可随后添加，替换或移除的LEGO块)来最佳地构建灵活的体系结构。

可扩展性和可扩展性。当业务扩展时，基础架构中的“管道”不可避免地必须适应。这可能涉及扩大现有功能并扩展到新的能力。但是，不可避免的事实是，不同的IT系统通常具有不同的性能，可伸缩性和可扩展性特征。结果：尝试跨越系统边界时可能会出现许多问题。

在嵌入升级的AI模型的同时能够保持“一切照旧”的状态对于业务扩展至关重要。成功与否很大程度上取决于团队使用新提出的解决方案不断调整，修补和测试现有系统的能力，并通过旧系统与新系统的功能达到平衡。

优秀的系统来自优秀的团队

因此，问题不是您是否需要AIOps团队，而是哪种AIOps团队对您的业务最有意义。对于大多数企业而言，他们与AIOps团队一起做出的最重要的决定是他们要内部构建还是将其外包。两者都有优点，但是这是折衷的样子：

自己动手做。从好的方面来说，创建自己的团队来构建和维护生产环境使您可以完全控制整个设置。由于必须与外部供应商合作，它还可以节省大量潜在的管理和合同麻烦。这既适用于可能希望使AIOps团队垂直化的大型公司，也适用于想要扩展其IT团队的能力以直接处理生产环境的中小型企业。