01. 數(shù)據(jù)與智能技術(shù)在運(yùn)維業(yè)務(wù)中的定位

數(shù)據(jù)與智能技術(shù)在運(yùn)維業(yè)務(wù)中的應(yīng)用近幾年進(jìn)入“實(shí)用化提升階段”，無論從供給方，還是需求方，都逐步認(rèn)識到，“數(shù)據(jù)與智能”運(yùn)維有其邊界和條件，“AI加持運(yùn)維”比“AI顛覆運(yùn)維”有了更廣泛的聲音；我們樂于看到甲乙方更為聚焦在實(shí)用化業(yè)務(wù)場景上：基于數(shù)據(jù)與智能的技術(shù)手段，補(bǔ)足和提升一體化運(yùn)維。

回歸業(yè)務(wù)本質(zhì)，運(yùn)維復(fù)雜度是由管理場景和技術(shù)對象共同來影響的，所以回到一體化運(yùn)維的定義中：基于運(yùn)維業(yè)務(wù)視角的角色、流程、活動（對象）、工具系統(tǒng)的整合，業(yè)務(wù)運(yùn)轉(zhuǎn)順暢、流程運(yùn)行高速、工具支撐高效是對運(yùn)維一體化的核心驗(yàn)證，運(yùn)維一體化不僅僅是工具全面和單一工具技術(shù)功能完備，而是要融入業(yè)務(wù)設(shè)計和整個體系中。因而數(shù)據(jù)和智能是一種生產(chǎn)力，尤其是在數(shù)據(jù)整合、高階分析場景上，帶來整體的提升。

運(yùn)維大數(shù)據(jù)在運(yùn)維的定位：跨多數(shù)據(jù)源系統(tǒng)，實(shí)現(xiàn)配置、運(yùn)行、操作、流程等維度數(shù)據(jù)源分析，提升性能容量、觀測整合、運(yùn)營分析等的運(yùn)維能力。例如：在一站式數(shù)據(jù)和功能閉環(huán)的可觀測架構(gòu)設(shè)計下，數(shù)據(jù)采集、清洗、存儲、檢測、消費(fèi)均自行閉環(huán)，產(chǎn)品內(nèi)置大數(shù)據(jù)能力。然而，由于數(shù)據(jù)源來自不同的專業(yè)監(jiān)控工具，對數(shù)據(jù)接入、統(tǒng)一元數(shù)據(jù)和數(shù)據(jù)標(biāo)簽的要求變得更高。因此，需要運(yùn)維大數(shù)據(jù)進(jìn)行管理和處理。

AI技術(shù)在運(yùn)維中的定位：通過機(jī)器學(xué)習(xí)、自然語言處理、大語言模型和其他AI技術(shù)，AI in All來對原有運(yùn)維系統(tǒng)的能力加持，提升故障管理、服務(wù)優(yōu)化、成本節(jié)省、安全提升等運(yùn)維能力。例如：在一體化運(yùn)維的告警事件中心里，核心是告警接入、標(biāo)準(zhǔn)化與豐富、告警收斂、屏蔽、委派、生成事件、自動化處置，而在規(guī)模到達(dá)一定量級的告警數(shù)，則需要文本相似度等算法來做告警的智能聚合，或基于圖譜的智能聚合，這樣能在原有基礎(chǔ)上進(jìn)一步升級。

概要設(shè)計：運(yùn)維大數(shù)據(jù)及AI是技術(shù)能力，核心是應(yīng)用到運(yùn)維業(yè)務(wù)場景中；有三個核心基礎(chǔ)：基礎(chǔ)運(yùn)維系統(tǒng)提供數(shù)據(jù)和能力、數(shù)據(jù)及AI平臺提供數(shù)據(jù)處理和模型訓(xùn)練能力、運(yùn)維數(shù)據(jù)分析及算法工程師和團(tuán)隊提供組織支撐。

02. 大數(shù)據(jù)分析運(yùn)維場景實(shí)踐

首先初步定義運(yùn)維數(shù)據(jù)域，可以大致劃分成5個域：

① 配置域：IT資產(chǎn)管理系統(tǒng)、配置管理中各類電子信息設(shè)備的基本信息、技術(shù)參數(shù)及關(guān)聯(lián)關(guān)系等信息，包括PC機(jī)、服務(wù)器、存儲設(shè)備、網(wǎng)絡(luò)設(shè)備、安全設(shè)備、輔助設(shè)備、機(jī)房環(huán)境設(shè)備、套裝軟件及應(yīng)用系統(tǒng)軟件等。

② 狀態(tài)域：IT監(jiān)控、自動化運(yùn)維、安全監(jiān)測等采集的設(shè)備軟硬件性能、狀態(tài)、事件、日志、告警及實(shí)用化數(shù)據(jù)等。

③ 流程域：運(yùn)維流程管理中執(zhí)行一個業(yè)務(wù)流程所產(chǎn)生的相關(guān)記錄數(shù)據(jù)。

④ 作業(yè)域：自動化作業(yè)、故障自愈、編排處置步驟等作業(yè)執(zhí)行流程數(shù)據(jù)和操作審計數(shù)據(jù)。

⑤ 知識域：故障事件處理經(jīng)驗(yàn)，其他相關(guān)知識庫，以知識主題、關(guān)鍵字索引、內(nèi)容等形式存在。

數(shù)據(jù)治理框架核心要定義幾個問題：

1. 運(yùn)維數(shù)據(jù)之間的邏輯和關(guān)聯(lián)設(shè)計如何做？
2. 運(yùn)維大數(shù)據(jù)平臺的定位？
3. 數(shù)據(jù)消費(fèi)場景如何持續(xù)建設(shè)？
4. 數(shù)據(jù)與AI如何統(tǒng)一建設(shè)？

這里有幾個實(shí)踐建議：

① 消費(fèi)場景聚焦在提升性能容量、觀測整合、運(yùn)營分析的高階運(yùn)維能力；尤其是在觀測整合上，當(dāng)前可觀測主要圍繞故障分析和定位展開，基于數(shù)據(jù)管理框架，則可以完成數(shù)據(jù)標(biāo)簽統(tǒng)一、數(shù)據(jù)聚合計算、數(shù)據(jù)關(guān)聯(lián)信息平面、AI模型應(yīng)用等，例如其中一個觀測場景可以基于告警視角，展開Trace、Log、Metric、場景視圖、知識庫關(guān)聯(lián)、變更事件關(guān)聯(lián)分析等，來形成初步的觀測整合分析場景：

② 技術(shù)價值主要體現(xiàn)在復(fù)雜和大規(guī)模的數(shù)據(jù)清洗、開發(fā)和存儲需求；跨數(shù)據(jù)源的數(shù)據(jù)關(guān)聯(lián)計算；聯(lián)動MLOps實(shí)現(xiàn)數(shù)據(jù)樣本和數(shù)據(jù)源的關(guān)聯(lián)，實(shí)現(xiàn)AIOps模型開發(fā)和應(yīng)用。

③ 數(shù)據(jù)管理采用專業(yè)分散，消費(fèi)驅(qū)動的模式管理，專業(yè)分散是指如CMDB、Metric、Trace、Log等都在專業(yè)管理工具里，消費(fèi)驅(qū)動則是基于場景調(diào)用時，再去做數(shù)據(jù)接入、標(biāo)簽、關(guān)聯(lián)計算等，支撐數(shù)據(jù)之上的場景應(yīng)用。

而到運(yùn)維數(shù)據(jù)平臺自身的應(yīng)用架構(gòu)，運(yùn)維數(shù)據(jù)平臺應(yīng)該具備的核心功能包括數(shù)據(jù)采集接入、數(shù)據(jù)清洗加工、數(shù)據(jù)入庫存儲、數(shù)據(jù)開發(fā)、數(shù)據(jù)探索、數(shù)據(jù)集市等，并且要具備元數(shù)據(jù)、數(shù)據(jù)質(zhì)量和安全等管理能力和自運(yùn)維能力。在運(yùn)維數(shù)據(jù)管理過程中不僅要關(guān)注“穩(wěn)定”“安全”“可靠”，更要關(guān)注“體驗(yàn)”“效率”“效益”。

03. AI運(yùn)維場景實(shí)踐

數(shù)據(jù)+算法驅(qū)動的分析決策能力是AIOps場景落地的核心能力。基于運(yùn)維數(shù)據(jù)平臺提供的高質(zhì)量、低延遲的統(tǒng)一運(yùn)維數(shù)據(jù)，智能分析決策平臺可以根據(jù)不同場景需求采用適合的AI算法和模型做出合理判斷或結(jié)論，并驅(qū)動自動管控平臺執(zhí)行運(yùn)維操作。

因此，智能分析決策平臺最核心的模塊是人工智能/機(jī)器學(xué)習(xí)平臺。類似于行業(yè)通用的機(jī)器學(xué)習(xí)平臺，它需要具備數(shù)據(jù)集成和計算、模型開發(fā)和訓(xùn)練、模型部署和推理等基礎(chǔ)功能。然而，為了支撐AIOps場景，該平臺需要在運(yùn)維領(lǐng)域中加入一些特性，高效地孵化出適配各種智能運(yùn)維場景的算法和模型。

首先，智能分析決策平臺需要建立運(yùn)維數(shù)據(jù)模型、指標(biāo)體系和知識圖譜。該功能面向可擴(kuò)展的AI場景，依托于運(yùn)維數(shù)據(jù)平臺，采用“采集、治理、應(yīng)用、采集”的循環(huán)迭代方法。通過不斷嘗試落地AIOps場景，發(fā)現(xiàn)數(shù)據(jù)質(zhì)量問題，并進(jìn)行補(bǔ)充完善。

其次，智能分析決策平臺最終的用戶是運(yùn)維人員。因此，它需要具備流程化的低門檻場景建模能力，采用向?qū)降膱D形化建模。這樣可以將運(yùn)維人員難以理解的算法變成“組件”，將模型訓(xùn)練過程中的復(fù)雜調(diào)參過程變成“靈敏度調(diào)整”，從而更快地將成熟的AI場景普及到更多的業(yè)務(wù)中。

最后，可以將運(yùn)維領(lǐng)域的DevOps理念引入到算法和模型開發(fā)過程中，以加速AI場景的開發(fā)。

1）指標(biāo)異常檢測

指標(biāo)異常檢測是其他智能運(yùn)維場景建設(shè)的基礎(chǔ)，屬于單場景，異常檢測的結(jié)果將為后續(xù)的告警收斂、故障定位、故障自愈等場景提供重要輸入。指標(biāo)一般分為業(yè)務(wù)指標(biāo)（如訪問量、響應(yīng)率、響應(yīng)時間等）、性能指標(biāo)（CPU、內(nèi)存、IO、網(wǎng)絡(luò)流量等），并且匯總多個獨(dú)立的或關(guān)系型的指標(biāo)可以組成不同的多指標(biāo)異常檢測。這里詳細(xì)介紹一下性能單指標(biāo)異常檢測。

性能指標(biāo)異常檢測可以采用了時間序列特征提取和深度貝葉斯學(xué)習(xí)的通用異常檢測方案，它考慮了不同類型曲線（周期型、穩(wěn)定型、稀疏型）的特征，可以滿足機(jī)器指標(biāo)、業(yè)務(wù)指標(biāo)等時序數(shù)據(jù)的異常檢測需求。

通用單指標(biāo)異常檢測的檢測流程分為異常模式提取和有監(jiān)督異常檢測兩部分：

①在異常模式提取階段，基于概率論、極值理論、殘差理論等，從時序數(shù)據(jù)中提取能多方面表征數(shù)據(jù)異常模式的特征。

②在有監(jiān)督異常檢測階段，采用基于主動學(xué)習(xí)的深度貝葉斯模型，能夠在異常檢測的同時，根據(jù)用戶反饋學(xué)習(xí)未知的異常模式和部分用戶偏好。

單指標(biāo)異常檢測可以集成應(yīng)用到監(jiān)控產(chǎn)品中，當(dāng)CPU使用率突降和磁盤使用率突降時，通用單指標(biāo)異常檢測算法可檢測出異常點(diǎn)，并在告警中心可以展示告警詳情。包括告警內(nèi)容，以及關(guān)聯(lián)的維度。如下圖所示，其中檢測出異常時刻，會進(jìn)行標(biāo)注（紅色框）。

2）時序數(shù)據(jù)預(yù)測

在IT運(yùn)維領(lǐng)域，對信息系統(tǒng)進(jìn)行檢測，會產(chǎn)生大量多類型的時間序列數(shù)據(jù)，如用戶在線數(shù)、主機(jī)CPU使用率等。時序數(shù)據(jù)預(yù)測利用歷史時間，序列數(shù)據(jù)預(yù)測未來一段時間數(shù)據(jù)的變化趨勢，可以滿足如CPU、磁盤使用率、在線人數(shù)等各類大型在線業(yè)務(wù)的時序預(yù)測需求，為用戶做出重要決策（如資源管理、異常告警等）提供準(zhǔn)確有力的數(shù)據(jù)支撐。

時序數(shù)據(jù)預(yù)測是一種基于Transformer的時間序列預(yù)測方法，Transformer是最成功的序列模型架構(gòu)，在自然語言處理（NLP）、語音識別和計算機(jī)視覺等各方面有著非常顯著的優(yōu)勢。基于Transformer的時間序列預(yù)測模型，廣泛運(yùn)用的相關(guān)場景包括交通流量估計、能源管理、金融等領(lǐng)域。在運(yùn)維領(lǐng)域主要對長時時序數(shù)據(jù)進(jìn)行預(yù)測，例如資源的容量預(yù)測（如服務(wù)器的CPU、Mem）、成本預(yù)測等。

時序數(shù)據(jù)預(yù)測方案設(shè)計了一套基于Transformer模型的融合遷移學(xué)習(xí)和增量學(xué)習(xí)的時間序列預(yù)測服務(wù)，它通過對不同頻率下的時間序列指標(biāo)進(jìn)行歸一化，以確保模型能在多源系統(tǒng)之間實(shí)現(xiàn)共享，采用基于貝葉斯估計的Transformer模型來生成預(yù)測邊緣分布，同時將遷移學(xué)習(xí)和增量學(xué)習(xí)引入到模型訓(xùn)練過程中以避免概念漂移風(fēng)險，確保模型的長期預(yù)測性能。

時序數(shù)據(jù)預(yù)測算法可以集成應(yīng)用在配置管理平臺的資產(chǎn)盤點(diǎn)分析和容量管理平臺的容量分析預(yù)測等場景，分析和預(yù)測IT系統(tǒng)的關(guān)鍵應(yīng)用未來的容量情況，支撐報表展示和輔助客戶進(jìn)行資源規(guī)劃。下圖是在容量管理平臺里的一個業(yè)務(wù)彈性擴(kuò)縮容場景，應(yīng)用時序數(shù)據(jù)預(yù)測AI模型對某業(yè)務(wù)服務(wù)器集群CPU使用量進(jìn)行預(yù)測分析，并結(jié)合自動化系統(tǒng)執(zhí)行擴(kuò)縮容任務(wù)，在保障業(yè)務(wù)穩(wěn)定的情況下，降低了30%的成本。

3）多維下鉆

業(yè)務(wù)系統(tǒng)的管理人員需要監(jiān)控大量的指標(biāo)來了解和維護(hù)系統(tǒng)的可用性，通常這些指標(biāo)會包含一些維度，例如，一個微服務(wù)調(diào)用數(shù)相關(guān)的指標(biāo)可能會包含服務(wù)供應(yīng)方（Internet Service Provider，ISP）、服務(wù)所屬業(yè)務(wù)信息等維度。通過組合不同維度來匯總指標(biāo)，可以從不同粒度，不同角度來充分展示系統(tǒng)的實(shí)時狀態(tài)。然而，由于維度的組合爆炸問題，系統(tǒng)管理人員通常需要篩選并重點(diǎn)關(guān)注某些維度組合下的指標(biāo)匯總值；這些指標(biāo)的匯總方式可以是求和，求均值等。經(jīng)過篩選出來的指標(biāo)匯總值又稱為SLI (Service Level Indicator)。當(dāng)從SLI中檢測出異常時，為了診斷異常，就需要找出實(shí)際上導(dǎo)致SLI出現(xiàn)異常的維度與這一維度下的元素組合，這一過程又稱為多維下鉆。

基于多維下鉆和貝葉斯網(wǎng)絡(luò)的多維指標(biāo)異常根因維度定位方法流程如下圖所示，由檢測出的SLI異常觸發(fā)。多維下鉆算法包含維度映射構(gòu)造和維度下鉆兩個核心步驟。維度映射構(gòu)建旨在指定各個最細(xì)粒度指標(biāo)與聚合形成的SLI之間的計算公式。這一計算公式可由用戶配置的，用戶可基于業(yè)務(wù)自身需要定制任意SLI指標(biāo)計算方式。用戶對SLI指標(biāo)計算方法的需求包含但不限于計數(shù)型，求和型，求均值型，求最值型，求分位數(shù)型和求比例型。異常維度下鉆，就是要利用各個最細(xì)粒度指標(biāo)的值作為輸入，最終找出真正導(dǎo)致匯總形成的SLI指標(biāo)出現(xiàn)異常的維度和對應(yīng)的元素組合。由于組合爆炸問題，需要充分挖掘異常維度的特征，以設(shè)計啟發(fā)式搜索的方法來實(shí)現(xiàn)這一目的。

在某些情形中，在下鉆出具體的異常維度后，需要更進(jìn)一步地明確這些異常維度之間的因果關(guān)系。最終識別的異常維度及其因果關(guān)系會提供給用戶，輔助其對系統(tǒng)中出現(xiàn)的故障進(jìn)行根因分析，做出快速響應(yīng)與恢復(fù)。

在監(jiān)控場景的單指標(biāo)告警策略，如果沒有配置完整的維度信息，可能在告警時無法準(zhǔn)確判斷當(dāng)前異常是由哪個維度導(dǎo)致的。維度下鉆功能可以自動分析異常的維度信息，輔助定位問題。如某業(yè)務(wù)的在線人數(shù)檢測到異常，通過下鉆該時間點(diǎn)的異常，給出具體異常的維度（比如用戶所屬省份、客戶端版本等），以及最有可能異常的具體維度值 (含排序)。

4）指標(biāo)關(guān)聯(lián)推薦

在生產(chǎn)環(huán)境下，在線系統(tǒng)的系統(tǒng)管理人員需要管理大量的運(yùn)維對象（例如，關(guān)鍵績效指標(biāo)等描述應(yīng)用服務(wù)能力的指標(biāo)，服務(wù)器、公共和自定義組件等基礎(chǔ)物理設(shè)施）來維護(hù)系統(tǒng)的可用性。其中，每個運(yùn)維對象會暴露大量的監(jiān)控指標(biāo)，供系統(tǒng)管理人員從各個方面來監(jiān)視系統(tǒng)的實(shí)時狀態(tài)。通常，這些監(jiān)控指標(biāo)的數(shù)量可達(dá)成百上千個，并且，隨著系統(tǒng)可觀測性的發(fā)展，這一數(shù)量只會越來越大。大量的監(jiān)控指標(biāo)使得系統(tǒng)管理人員疲于觀察和分析，極大地影響了故障發(fā)現(xiàn)和診斷的效率。

指標(biāo)關(guān)聯(lián)推薦算法設(shè)計了一種基于異常共現(xiàn)頻率和隨機(jī)游走的監(jiān)控指標(biāo)推薦方法。它由兩個主要部分組成：指標(biāo)關(guān)系構(gòu)建和關(guān)鍵指標(biāo)推薦。指標(biāo)關(guān)系構(gòu)建首先計算監(jiān)控指標(biāo)兩兩之間的異常共現(xiàn)頻率和曲線相似度，然后基于異常共現(xiàn)頻率確立指標(biāo)間的關(guān)系，并使用曲線相似度剪枝，避免冗余推薦，最終確立指標(biāo)間關(guān)系圖。關(guān)鍵指標(biāo)推薦則利用隨機(jī)游走算法分析上一步驟得出的指標(biāo)關(guān)系圖，確定監(jiān)控指標(biāo)的推薦排名。

監(jiān)控配置的單指標(biāo)告警策略，只能對單個指標(biāo)的異常進(jìn)行告警，在排查問題時可能需要結(jié)合關(guān)聯(lián)指標(biāo)進(jìn)行人工的根因定位。關(guān)聯(lián)指標(biāo)推薦功能會根據(jù)是否同時異常、告警發(fā)生時的曲線形態(tài)來推薦關(guān)聯(lián)指標(biāo)。如下圖所示，某服務(wù)器的磁盤空間使用率檢測到異常，通過關(guān)聯(lián)指標(biāo)推薦，發(fā)現(xiàn)了【操作系統(tǒng)】層級的其他7個關(guān)聯(lián)指標(biāo)（僅展示3個示例），存在形狀相似或同時異常。

5）日志聚類

日志聚類的主要流程是日志經(jīng)過預(yù)處理后，通過計算日志間的相似度，將相似度高的日志聚在一起，通過模式識別生成日志模式，從而得到日志聚類模型，供日志檢索和實(shí)時預(yù)測使用，降低運(yùn)維人員查看海量異構(gòu)日志的工作負(fù)擔(dān)。

聚類是找出日志分詞和已有聚類簇的最大相似度，進(jìn)行閾值判別，放入對應(yīng)類/創(chuàng)建新類。

模式識別是從聚好的類簇中提取日志模式。模式識別包括日志對齊和模式生成兩部分。

日志對齊：日志對齊的最佳方式是在合并后生成最小數(shù)量的通配符和變量。在對齊的過程中，分詞之間可能會插入一些GAP。對齊算法確保插入GAP后同一類的日志長度相等。

模式生成：得到相同長度的日志后，遍歷分詞，將不一致的替換為通配符，并輸出日志模式。

在藍(lán)鯨日志平臺，開啟日志聚類后，可以高效查看日志聚類結(jié)果，了解新出現(xiàn)的日志模式。同時可以根據(jù)Pattern從少到多的不同檔位，來靈活地選擇不同粒度的聚類結(jié)果。

6）日志異常檢測

日志異常檢測屬于相對復(fù)雜的場景，本方案采用了離線冷啟動訓(xùn)練和在線訓(xùn)練相結(jié)合的方式，依賴日志聚類單場景能力。離線冷啟動訓(xùn)練，是將離線冷啟動日志樣本經(jīng)過預(yù)處理后，計算日志間的相似度，將相似度高的日志聚在一起，通過模式識別生成日志模式，得到日志聚類模型，供在線訓(xùn)練作為冷啟動模型使用；在線訓(xùn)練以流式方式實(shí)時解析日志，快速匹配到已有的日志模式，對未匹配到的日志即為新的日志模式，即為新類日志。

當(dāng)使用日志模板模型檢測出新的模板后，將會發(fā)出異常告警，可以在日志出現(xiàn)新的異常/錯誤模式時，第一時間收到告警，并查看對應(yīng)的模式及日志內(nèi)容。

7）告警收斂

在運(yùn)維監(jiān)控系統(tǒng)中，告警收斂是指對告警信息進(jìn)行分析、合并和丟棄，以此來降低告警信息的規(guī)模，其對降低網(wǎng)絡(luò)運(yùn)維的壓力意義重大。

在運(yùn)維監(jiān)控系統(tǒng)中，可以把告警分為噪聲告警、事件告警、故障告警。根據(jù)告警出現(xiàn)的頻繁程度和基于統(tǒng)計的方式，區(qū)分出噪聲告警和非噪聲告警，其中噪聲告警指的是在歷史上頻繁出現(xiàn)的告警。再根據(jù)非噪聲告警的數(shù)量和涉及的指標(biāo)范圍，區(qū)分為事件告警和故障告警，一個故障的重要告警更多，涉及的指標(biāo)也更廣。

聚集維度的告警收斂主要是基于頻繁項集進(jìn)行挖掘，找到告警聚集的維度，比如告警都聚集在某個服務(wù)上、某個主機(jī)上、某個Pod上，幫助用戶快速定位告警的影響范圍或者根因。層級分析的告警收斂使用有監(jiān)督的方式，對告警進(jìn)行分類，假設(shè)常見的告警類型有應(yīng)用層、服務(wù)層、主機(jī)層、數(shù)據(jù)中心層等，由于一般來說，越偏低層告警數(shù)量越多，用戶關(guān)心程度越低，因此采用高層級的告警收斂低層級的告警，將影響的最高層級通知用戶。

告警收斂后的降噪比如下圖所示，整體降噪比達(dá)到98.4%，某個業(yè)務(wù)的降噪比84.6%。

8）大語言模型應(yīng)用

大語言模型在運(yùn)維領(lǐng)域?qū)τ谖覀儊砜矗淖兞巳伺c運(yùn)維系統(tǒng)的交互模式，其中場景就包括智能問答、故障解決建議、數(shù)據(jù)統(tǒng)計分析等。

提供了集中核心能力：

1. 語料管理系統(tǒng)：為用戶提供語料撰寫、語料管理、流程編排；
2. 高級編排中心：集成了語料、大模型、知識庫、自動化等多種功能，提供了高度靈活的編排方式；
3. 模型訓(xùn)練中心：支持多次、批量訓(xùn)練，并提供了調(diào)參功能，提供了高效的模型訓(xùn)練方式，能夠快速訓(xùn)練出高質(zhì)量的機(jī)器人模型。
4. 接入運(yùn)維沉淀的知識庫文章→用戶專業(yè)咨詢→從知識庫總結(jié)輸出，自動獲取告警、資產(chǎn)、日志等相關(guān)信息，綜合分析，專業(yè)引導(dǎo)，最終輔助解決問題。

嘉為藍(lán)鯨作為業(yè)內(nèi)領(lǐng)先的平臺化、一體化、數(shù)智化運(yùn)維解決方案提供商，我們堅定地致力于把成熟的業(yè)務(wù)實(shí)踐、領(lǐng)先的技術(shù)架構(gòu)，賦能給我們的客戶。

本期我們共同探討了“數(shù)智化”相關(guān)內(nèi)容，“一體化”、“平臺化”相關(guān)內(nèi)容請點(diǎn)擊下方“系列推薦”。

最后，歡迎隨時與嘉為藍(lán)鯨共同探討！

總結(jié)：以上為筆者對數(shù)據(jù)與智能運(yùn)維的剖析，歡迎探討交流，謝謝！