當(dāng)代社會(huì)的生產(chǎn)和生活在許多方面都離不開龐大復(fù)雜的軟硬件系統(tǒng)，包括互聯(lián)網(wǎng)、高性能計(jì)算、電信、金融、電力網(wǎng)絡(luò)、物聯(lián)網(wǎng)、醫(yī)療網(wǎng)絡(luò)和設(shè)備、航空航天、軍事裝備和網(wǎng)絡(luò)等。

這些系統(tǒng)的用戶需要良好的用戶體驗(yàn)。因此，這些復(fù)雜系統(tǒng)的部署、運(yùn)行和維護(hù)需要專業(yè)的運(yùn)行維護(hù)人員來應(yīng)對(duì)各種突發(fā)事件，確保系統(tǒng)的安全可靠運(yùn)行。因?yàn)楦鞣N突發(fā)事件都會(huì)產(chǎn)生大量的數(shù)據(jù)，從本質(zhì)上講，智能運(yùn)維可以看作是大數(shù)據(jù)分析的具體場(chǎng)景。

智能操作和維護(hù)的范圍是機(jī)器學(xué)習(xí)、軟件工程、行業(yè)知識(shí)、操作和維護(hù)場(chǎng)景知識(shí)在四者結(jié)合的交叉領(lǐng)域，智能運(yùn)維的順利發(fā)展離不開四者的密切配合。

得益于大數(shù)據(jù)和人工智能，今天的運(yùn)營維護(hù)模式開始走向智能化階段，越來越多的企業(yè)開始重視智能化運(yùn)營維護(hù)。公司和組織采用集中監(jiān)控平臺(tái)收集系統(tǒng)的各種運(yùn)行狀態(tài)和執(zhí)行邏輯信息，如網(wǎng)絡(luò)流量、服務(wù)日志等等等來實(shí)現(xiàn)綜合感知。隨著系統(tǒng)規(guī)模的增長，運(yùn)維數(shù)據(jù)也呈爆炸式增長。每天產(chǎn)生數(shù)千億的監(jiān)測(cè)數(shù)據(jù)和日志，給運(yùn)行維護(hù)帶來各種困難和挑戰(zhàn)，推動(dòng)了智能運(yùn)行維護(hù)技術(shù)的不斷發(fā)展。

相較于手動(dòng)運(yùn)維，自動(dòng)化運(yùn)維極大地提升了運(yùn)維的效率，DevOps提升了研發(fā)和運(yùn)維的配合效率。然而當(dāng)整個(gè)互聯(lián)網(wǎng)系統(tǒng)的數(shù)據(jù)規(guī)模開始爆炸性增長和服務(wù)類型的復(fù)雜多樣，基于人為指定規(guī)則的專家系統(tǒng)遇到了諸多瓶頸，其中很重要的一條是：對(duì)于長期從事某行業(yè)運(yùn)行維護(hù)工作的專家來說，手工總結(jié)重復(fù)、可追溯的現(xiàn)象，形成規(guī)則，完成自動(dòng)運(yùn)行維護(hù)是非常必要的。然而，這種基于人工規(guī)則的方法并不能解決大規(guī)模的運(yùn)行維護(hù)問題。

與依賴人工生成規(guī)則的自動(dòng)操作和維護(hù)不同，智能操作和維護(hù)強(qiáng)調(diào)機(jī)器學(xué)習(xí)算法從海量運(yùn)維數(shù)據(jù)中自動(dòng)學(xué)習(xí)（包括事件本身和運(yùn)維人員人工處理日志），完善和總結(jié)規(guī)則。也就是說，智能運(yùn)維在自動(dòng)運(yùn)維的基礎(chǔ)上增加了一個(gè)基于機(jī)器學(xué)習(xí)的大腦，它命令監(jiān)控系統(tǒng)采集大腦決策所需的數(shù)據(jù)，進(jìn)行分析、決策，并命令自動(dòng)腳本執(zhí)行大腦決策，從而達(dá)到系統(tǒng)運(yùn)行維護(hù)的總體目標(biāo)。

高德納報(bào)告預(yù)測(cè)，全球aiops的部署率將從2017年的10%提高到2020年的50%。