机器学习是否能够解决IT运维难题?

2017-09-13 08:35比特网HAFOM

  由于互联网的发展与扩大,使得应用产品技术日渐多样和复杂,越来越多的企事业单位的生产业务和日常工作将实现信息化,并通过提高信息化水平实现对内提高经营水平、对外提高服务水平的目的。各企业业务的展开越来越依赖IT系统的正常运转,生产业务日渐依赖IT部门提供的系统服务,IT部门正由“成本中心”转变为“服务中心”、“效益中心”。

  随之而来的问题是IT部门将如何通过管理为企业提供更好的、可度量的、符合业务需求的服务?同时,这些服务需要能够适应业务需求以及新技术带来的影响,为新业务系统的运行提供支撑,让IT运维管理成为企业成长的助力。

  作为一门人工智能的科学,机器学习的主要研究对象是人工智能,特别是如何在经验学习中改善具体算法的性能。现实中,IT系统已经变得如此互通、复杂而庞大,让人们——即使是最有天赋的基础设施和工程团队——都无法赶上。譬如最近的英国航空公司系统故障,一个简单的人为错误导致电压瞬间超出正常工作电压,使得英航电脑瘫痪,并对包含乘客和飞行数据的关键服务器造成了严重损害。谁能知道一个动作的所有后果呢?

  每天都有类似的问题困扰着世界各地的企业。但是,这些问题出现的原因并不是信息或数据匮乏,而是数据量太多。单纯依靠人力去获取和应用所有领域的知识已经不再可能,因而机器学习正在迅速变得必不可少。

  以下是IT专业人员寻求机器帮助的三个重要原因:

  定制化

  机器学习的优点在于可以通过无监督学习实现定制化,从而满足公司独特业务环境的需求。机器学习通过采用各种算法,识别数据中可实际应用于商业活动、挑战和机会的一致、连贯且循环的模式,从而实现这一优势。

  无监督学习有诸多好处:

  • 机器并非由IT专家编程以实现特定结果不同,而是能够通过识别数据中的模式以提供最优解

  • 机器并非只能针对有限的特定情况做出响应不同,而是在任何情境中都能能够做出响应

  • 机器学习所得出的见解或洞悉不是泛泛的结果, 而是个性化且有针对性的。

  举个例子,假设有两家保险公司恰巧使用相同的数据中心基础设施和软件工具,但各自有不同的工作负载模式、客户资料、业务规则和评分方法。如果两者都采用机器学习,即使它们在同一个行业,并且使用相同的技术,机器学习也会根据两个业务环境中的特有因素为每个公司生成完全定制化的结果。

  高效化

  现今的公司往往都掌握了大量的数据,但是大多未被利用或者不可用,并且可能还正在迅速变化。这些数据太过庞大,即使是整个部队的分析员也无法奢望能够完全掌控。

  有了机器学习,大数据的优势可以通过将操作智能嵌入到现有的性能管理工具中得到有效实现。例如,假设一家大型百货商店使用机器学习来分析销售交易,就可以轻松地评估数十亿笔交易及相关元数据并从中获取有价值的信息(例如,交易发生的地点和时间是什么?网站是如何执行其功能的?交易对收入、营销和库存有什么影响?诸如此类)。这些信息可以被纳入现有的工具中,以帮助商店改进其内部运营,并提升端对端的客户体验。

  持续化

  机器学习也可以帮助弥补IT运维专家退休或离开公司时留下的空缺。例如,新一代的IT专家未必接受过大型机技术的培训,而许多领先的企业以及政府都依赖此技术来执行其最重要的应用程序。嵌入智能和应用机器学习技术吸纳了大型机专家的技能和知识,可以降低风险,确保机构可以实现持续和可扩展的运营,从而弥补对于优化大型机性能和故障排除等专业能力的缺失。

  机器学习是优化基础架构性能,促进业务增长,改善客户体验,提高知识管理以及带来众多可能性的关键。下一步,就是让机器学习为你所用