AIOps(用于IT运营的人工智能)是人工智能(AI)的应用，用于增强IT运营。具体而言，AIOps使用大数据，分析和机器学习功能来收集和汇总由多个IT基础架构组件，应用程序和性能监视工具生成的庞大且不断增长的操作数据。它还可以从“噪声”中智能筛选“信号”，以识别与系统性能和可用性问题相关的重要事件和模式。机器学习和分析的结合功能可帮助诊断根本原因，并将其报告给IT部门以进行快速响应和补救，或者在某些情况下，无需人工干预即可自动解决这些问题。

通过使用单个智能，自动化的IT运营平台替换多个单独的手动IT运营工具，AIOps使IT运营团队能够以更快的速度(甚至是主动地)对减速和停机做出更快的响应，而所需的工作却更少。

一方面，它弥合了日益多样化，动态且难以监控的IT环境与另一方面，用户对应用程序性能和可用性几乎没有中断的期望之间的鸿沟。大多数专家认为AIOps是IT运营管理的未来。

但是，AIOps的世界具有双重性。一方面，这是一项新兴技术，首次融合了运营和AI。另一方面，该领域中的许多解决方案都是传统工具，已经过更新以利用AI。新老，传统玩家和创业公司的混合，使这个空间特别有趣。根据一份报告，以下是AIOps的流行趋势的主要亮点。

当今市场上的AIOps工具涉及AI的使用。尽管有些工具在云和非云系统的监视和管理中系统地使用了知识引擎，但大多数工具都是事后才利用AI，而并未驱动工具的大部分功能。

企业通常会采用AIOps作为对现有操作工具的升级，并保持品牌忠诚度。这意味着AIOps领域的新贵很难进入一个市场，在这个市场中，既有的参与者本质上会以相同的基本信息进行销售：将AI与您信任的管理和监视集成在一起。考虑到这一点，明年我们可能会看到合并，因为市场集中在少数参与者上，而今天只有两个左右。

AIOps中似乎有两个方向：自我修复和非自我修复。某些AIOps系统能够解决受管理和/或监控的系统的问题。这意味着，如果该工具发现问题，则会启动一个过程来尝试纠正问题，例如重新启动服务器或网络集线器。其他解决方案则更为被动，可以向用户发出问题警报，但无需采取自动纠正措施。趋势是使用主动或自我修复的AIOps工具。

这些工具都是关于数据的。他们在监视系统时存储数据，并可以确定需要立即注意的问题，例如停机的服务器。或者，他们可以深入分析历史数据以确定可能预示着故障或其他潜在问题的趋势。任何AI系统的生命线都是训练AI模型所需的数据，这是AIOps工具所面临的机遇。监视的云或本地系统每周都会剥离出数千兆字节的数据，并且可以将这些数据馈送到由AI增强的分析系统中。

希望利用这些工具的企业应谨慎了解其功能，并应跨企业云和非云平台测试这些工具。报告了兼容性问题，大多数是在部署后发现的。

这些工具中有许多正在转向“按需”模型，这意味着它们将提供基于云的服务。对于在公共云上拥有或将拥有大部分系统的用户而言，这是一个机会。但是，对于大多数仍在本地部署系统的系统来说，这可能不是一个好的模型。