那么如果是在校同学，应该怎么去拥抱 AIOps 呢？有的人可能说我们学校没有运维专业，更没有 AIOps 专业。其实专业从来就不是问题，就像从事 IT 的，往往也不都是科班出身，而且 AI 也为数学，应用数学等专业的同学找到新的职业方向。那么关键问题是什么呢？还是基础很重要，一切皆归于算法（重要的事情说三遍）。此外，在校同学应该加强实践，从应届招聘的情况来看，往往实践较多的同学会有明显优势。有同学可能问，我们怎么实践 AI 呢？其实要从生活或学习中找场景，例如是不是可以为自己量身定制一个小的智能推荐系统，利用 AI 技术实现从海量数据中推荐符合你需求的旅游去处。

总之，无论是工程师还是在校同学，我相信 AI 以及 AIOps 都是极好的新机遇。

AI FE 的修炼之术

既然面对这么好的新机遇，我们要如何武装自己，成为一名 AI FE 呢？

首先，前面的说的心法还是管用的，那可能是贯穿整个职业人生的术：打好基础，正确方法，不断总结，知识体系，反复实践，研究思维。

再者，实践 AIOps 知识体系构建的三部曲：

第一步：算法原理搞明白。记得上学时，有本书叫《算法导论》，掌握里面的基本算法原理是培养算法思维的好途径。从入门机器学习的角度，结合个人经历，我推荐大家关注以下几个算法的原理：神经网络，马尔可夫模型，决策树，逻辑回归。一方面现代机器学习的算法都是从这些基础算法里发展出来的，“知根知底”才能融汇贯通，另一方面在我们的实际应用中，发现这四类算法及其衍生算法是确实能够通过“工程化”手段解决实际问题的。

第二步：要了解 AI 的常见领域以及相关工具，这是技术选型的前提。一般来说常见的领域包括自然语言处理，搜索技术，知识图谱，图形图像分类，语音识别等。常用的开源工具有 NLP 类（中文方面 Standard NLP，清华 NLP，复旦 NLP 等），word2vec（词向量），Elastic Search(搜索引擎)，Neo4J（知识图谱，图数据库），TensorFlow（基于流的机器学习），DeepLearning4J（java 的深度学习工具）等等。

第三步：掌握 DevOps 工具链（3 大工具：自动化测试，CI/CD，监控）的特性，因为它们是 AIOps 处理的数据来源，也是 AIOps 实现执行的目标；同时，了解运维知识，逻辑，方法等也是很重要的，最好是能成长为运维专家。

另外，要了解是系统体系“智能”的三种玩法，在不同场景下，玩法不同：

实现方式偏编码方式，让系统体现智能。信息搜索和微智能属于此类

实现方式模拟人的行为，最终让系统体现智能。机器学习，知识图谱等属于此类

混合方式，将前两种方式一起使用。其实在真实场景中，往往是这种方式，这主要是由于 AI 技术还处于发展期，有的场景可能难以完全模拟人的行为，也可能付出成本很高，投入产出不适合。

小窥 AIOps 落地之道

那么 AIOps 到底应该如何落地呢？在引入 AI 技术时, 我们也进行了仔细的思考，坦白说，AI 还不是“平民技术”，并且其投入和产出也并不像去使用某种开发框架一样直接。最终确立了以下原则：

从实际痛点入手，找到适合场景以及正确的问题来试点，而不是“大而全”的 AIOps 解决方案。

技术选型上充分利用已经比较成熟的开源 AI 技术，可以做必要改进，但尽量不重复造轮子。

充分使用我们现有的 DevOps 工具链，而不是全面推倒重来

在金融运维 / 运营领域，我们认为有两类场景是可以引入 AI 技术来产生效益的：

第一种是时效类场景：就是运维要求响应以及恢复越来越快，快到逐步超过了人 + 工具的极限，另外人员可能休假，以及其他不能作业的状态。运维界流行一句话“出门三柱香，保佑服务不要挂”，但墨菲定律总是让故障发生在运维休假的时候。此外，日常上线也是经常遇到的场景，尽管 DevOps 流水线已经让一切都自动化起来，但是这些过程是人定义的，能够预防的也是人预料的异常，事实上往往出现意外，此外上线时机的选择，验证，合理回退等仍然需要大量人工介入进行决策

第二种是协作类场景：我们经常会听到业务同事抱怨每次出现问题，他们都不知道进展如何，不知道出了什么问题，什么时候能够解决，而且大量 IT 术语他们也听不懂；我们也经常遇到研发同事追查代码问题，但是不了解基础设施的状况，还得找运维同事帮忙。这里症结在哪里呢？其实是缺失一个“全知”的，掌握人，业务，系统的状况的助手，就像钢铁侠的 Javis 和 Friday 一样。

那么作为一个 AI FE 的日常工作内容有哪些呢？

首先，AI FE 仍然是工程师，需要完成工程师日常所有内容，开发，测试，运维一样都不能少。只是增加了一些内容：

(责任编辑：本港台直播)