❶ 智能运维是什么
得益于IT外包服务的发达，现在的运维已经不包括搬机器上架、接网线、安装操作系统等基础工作，运维人员一般会从一台已安装好指定版本的操作系统、分配好IP地址和账号的服务器入手，工作范围大致包括：服务器管理（操作系统层面，比如重启、下线）、软件包管理、代码上下线、日志管理和分析、监控（区分系统、业务）和告警、流量管理（分发、转移、降级、限流等），以及一些日常的优化、故障排查等。
随着业务的发展、服务器规模的扩大，才及云化（公有云和混合云）、虚拟化的逐步落实，运维工作就扩展到了容量管理、弹性（自动化）扩缩容、安全管理，以及（引入各种容器、开源框架带来的复杂度提高而导致的）故障分析和定位等范围。
听上去每一类工作都不简单。不过，好在这些领域都有成熟的解决方案、开源软件和系统，运维工作的重点就是如何应用好这些工具来解决问题。
传统的运维工作经过不断发展（服务器规模的不断扩大），大致经历了人工、工具和自动化、平台化和智能运维（AIOps）几个阶段。这里的AIOps不是指Artificial Intelligence for IT Operations，而是指Algorithmic IT Operations（基于Gartner的定义标准）。
基于算法的IT运维，能利用数据和算法提高运维的自动化程度和效率，比如将其用于告警收敛和合并、Root分析、关联分析、容量评估、自动扩缩容等运维工作中。
在Monitoring（监控）、Service Desk（服务台）、Automation（自动化）之上，利用大数据和机器学习持续优化，用机器智能扩展人类的能力极限，这就是智能运维的实质含义。
智能运维具体的落地方式，各团队也都在摸索中，较早见效的是在异常检测、故障分析和定位（有赖于业务系统标准化的推进）等方面的应用。智能运维平台逻辑架构如图所示。
智能运维平台逻辑架构图
智能运维决不是一个跳跃发展的过程，而是一个长期演进的系统，其根基还是运维自动化、监控、数据收集、分析和处理等具体的工程。人们很容易忽略智能运维在工程上的投入，认为只要有算法就可以了，其实工程能力和算法能力在这里同样重要。
智能运维需要解决的问题有：海量数据存储、分析、处理，多维度，多数据源，信息过载，复杂业务模型下的故障定位。这些难题是否会随着智能运维的深入应用而得到一定程度的解决呢？我们会在下一篇文章中逐步展开这些问题，并提供一些解决方案。
本文选自《智能运维：从0搭建大规模分布式AIOps系统》，作者彭冬、朱伟、刘俊等，电子工业出版社2018年7月出版。
本书结合大企业的智能运维实践，全面完整地介绍智能运维的技术体系，让读者更加了解运维技术的现状和发展。同时，帮助运维工程师在一定程度上了解机器学习的常见算法模型，以及如何将它们应用到运维工作中。
❷ 一文读懂工业大数据的脉络
一文读懂工业大数据的脉络
工业大数据不同于大数据，具有自己独特的特征。本文着重从工业大数据的定义与范畴、来源、特征、技术及应用领域、面临的问题等，全面剖析工业大数据的方方面面，让你一文读懂工业大数据的脉络！
工业大数据是指在工业领域中，围绕典型智能制造模式，从客户需求到销售、到订单、计划、研发、设计、工艺、制造、采购、供应、库存、发货和交付、售后服务、运维、报废或回收再制造等整个产品全生命各个环节所产生的各类数据及相关技术和应用的总称，其以产品数据为核心，极大延展了传统工业数据范围，同时还包括工业大数据相关技术和应用。
——工业大数据来源——
我们所谈的工业大数据，不完全等同于企业信息化软件中流淌的数据，从业界的共识看，主要来源有三类，第一类是企业经营相关的业务数据，这类数据来自企业信息化范畴，包括企业资源计划（ERP）、产品生命周期管理（PLM）、供应链管理（SCM）、客户关系管理（CRM）和环境管理系统（EMS）等，此类数据是工业企业传统的数据资产。
第二类是机器设备互联数据，主要是指工业生产过程中，装备、物料及产品加工过程的工况状态、环境参数等运营情况数据，通过MES系统实时传递，目前在智能装备大量应用的情况下，此类数据量增长最快。
第三类是企业外部数据，这包括了工业企业产品售出之后的使用、运营情况的数据，同时还包括了大量客户、供应商、互联网等数据状态。
——工业大数据特征——
笔者曾就工业大数据特征及数据驱动工业价值创造等话题，专门采访过工业大数据领域知名专家——美国科学基金会（NSF）智能维护系统（IMS）中心主任李杰教授，他表示：工业大数据与互联网大数据最大的区别在于工业大数据有非常强的目的性，而互联网大数据更多的是一种关联的挖掘，是更加发散的一种分析。
除此之外，两者在数据的特征和面临的问题方面也有不同。有别于互联网大数据，工业大数据的分析技术核心要解决“3B”问题：
1）Below Surface —— 隐匿性，即需要洞悉背后的意义
工业环境中的大数据与互联网大数据相比，最重要的不同在于对数据特征的提取上面，工业大数据注重特征背后的物理意义以及特征之间关联性的机理逻辑，而互联网大数据则倾向于仅仅依赖统计学工具挖掘属性之间的相关性。
2）Broken —— 碎片化，即需要避免断续、注重时效性
相对于互联网大数据的量，工业大数据更注重数据的全，即面向应用要求具有尽可能全面的使用样本，以覆盖工业过程中的各类变化条件、保障从数据中能够提取以反映对象真实状态的信息全面性。因此，工业大数据一方面需要在后端的分析方法上克服数据碎片化带来的困难，利用特征提取等手段将这些数据转化为有用的信息，另一方面，更是需要从数据获取的前端设计中以价值需求为导向制定数据标准，进而在数据与信息流通的平台中构建统一的数据环境。
3）Bad Quality —— 低质性，即需要提高数据质量、满足低容错性
数据碎片化缺陷来源的另一方面也显示出对于数据质量的担忧，即数据的数量并无法保障数据的质量，这就可能导致数据的低可用率，因为低质量的数据可能直接影响到分析过程而导致结果无法利用，但互联网大数据则不同，其可以只针对数据本身做挖掘、关联而不考虑数据本身的意义，即挖掘到什么结果就是什么结果，最典型的就是经过超市购物习惯的数据挖掘后啤酒货架就可以摆放在尿不湿货架的对面，而不用考虑他们之间有什么机理性的逻辑关系；
换句话说，相比于互联网大数据通常并不要求有多么精准的结果推送，工业大数据对预测和分析结果的容错率远远比互联网大数据低的多。互联网大数据在进行预测和决策时，仅仅考虑的是两个属性之间的关联是否具有统计显著性，其中的噪声和个体之间的差异在样本量足够大时都可以被忽略，这样给出的预测结果的准确性就会大打折扣。比如当我觉得有70％的显著性应该给某个用户推荐A类电影，即使用户并非真正喜欢这类电影也不会造成太严重的后果。但是在工业环境中，如果仅仅通过统计的显著性给出分析结果，哪怕仅仅一次的失误都可能造成严重的后果。
——工业大数据技术：算法与模型——
有了工业数据的大量积累，但并不等于直接的商业收益，中间隔着一道非常关键的通道——工业大数据技术。近几年，很多大数据专家和行业专家也在争执：数据量重要还是大数据算法更重要，双方各执一词。比如Googole就认为数据量的多寡至关重要，甚至直言：更多的数据胜过更好的算法。这种观点与我们意识认知中的“信息越多，就越靠近真相”类似。
而如《The Signal and the Noise》（信号与噪声，作者NateSilver），这本书里面的一个观点是“更多的数据意味着更多的噪声。信号是真相，噪声却使我们离真相越来越远。”所以，人们需要构建有效的算法和模型，去识别和认知何为真相。
在这里暂不讨论到底是数据量重要还是算法模型更重要，但针对工业大数据的有效利用，肯定离不开工业大数据的分析技术。
——工业大数据应用领域（场景）——
一、研发设计：主要用于提高研发人员的研发创新能力，研发效率和质量，支持协同设计，具体体现在：（1）、基于模型和仿真的研发设计；（2）、基于产品生命周期的设计；（3）、融合消费者反馈的设计
二、在复杂生产过程优化的应用：（1）、工业物联网生产线；（2）、生产质量控制；（3）、生产计划与排程；
三、在产品需求预测中的应用
四、在工业供应链优化中的应用
——工业大数据应用发展存在的主要问题——
《工业大数据白皮书2017年版》指出，研究与应用工业大数据，产品大数据是核心，物联大数据是实现手段，集成贯通是基础（业务模式、商业和价值驱动、关键抽取和应用）。而在实践过程中，这三个方面都存在不同程度的难点。
《工业大数据白皮书2017年版》封面
1、产品大数据：产品大数据是工业大数据的根源与核心，但工业制造业领域涵盖十分广泛，行业种类繁多，产品种类数量庞大且仍在不断增长，如何规范产品大数据的定义与分类方法，建立规范的、属性明确的、可查询可追溯可定位的产品大数据，将是顺利应用工业大数据的前提。
2、物联接入设备：物联大数据是实现工业大数据畅通流动的必要手段，但在工业实际应用中，工业软件、高端物联设备不具备国产自主可控性，物联接入的高端设备的读写不开放，形成设备信息的孤岛，数据流通不畅，突破这种束缚是实现工业大数据的关键。
3、信息集成贯通：集成贯通的难点在于商业驱动、打通关键点和环节，掌控产品源和设备，持续优化。
❸ 智能设备运行与维护和大数据应用哪个好
大数据应用。
智能化运维工程师的工资一般低于大数据运维工程师。
目前大数据相关技术已经趋于成熟，相关的理论体系已经逐步完善，而智能设备运维尚处在行业发展的初期，理论体系依然有巨大的发展空间。从学习的角度来说，如果从大数据开始学习是个不错的选择，从大数据过渡到智能设备运维也会相对比较容易。