01.AI重塑運(yùn)維范式后，運(yùn)維人員能力提升方向在哪？

人工智能（AI）技術(shù)，尤其是大模型的迅猛發(fā)展，正重構(gòu)運(yùn)維領(lǐng)域的底層邏輯。傳統(tǒng)經(jīng)驗(yàn)驅(qū)動的被動式運(yùn)維在復(fù)雜系統(tǒng)面前日益捉襟見肘，而AI賦能的預(yù)測性運(yùn)維通過實(shí)時分析、異常預(yù)警和智能決策，推動行業(yè)向“治未病”的主動模式躍遷。

這種范式轉(zhuǎn)變的意義重大而深遠(yuǎn)。但AI在為運(yùn)維賦能的同時，也帶來了諸如模型幻覺、數(shù)據(jù)依賴性困境、模型可解釋性缺失等新的技術(shù)挑戰(zhàn)，給運(yùn)維人員造成了不小的職業(yè)轉(zhuǎn)型壓力。

對于運(yùn)維管理者和工程師而言，站在這一技術(shù)變革的十字路口，如何在充分挖掘 AI 賦能潛力的同時，有效控制由此帶來的風(fēng)險，妥善應(yīng)對職業(yè)轉(zhuǎn)型的挑戰(zhàn)，成為未來三年內(nèi)亟待解決的核心命題。這不僅關(guān)乎個人職業(yè)發(fā)展的走向，更關(guān)系到企業(yè)乃至整個行業(yè)在數(shù)字化時代下的競爭力與可持續(xù)發(fā)展能力。

接下來，本文將深入剖析 AI 在運(yùn)維場景中的核心價值與落地挑戰(zhàn)，為不同角色的運(yùn)維人員規(guī)劃轉(zhuǎn)型路徑與能力圖譜，并構(gòu)建全局行動框架，助力讀者在 AI 時代的運(yùn)維變革浪潮中找準(zhǔn)方向、乘風(fēng)破浪。

02.AI在運(yùn)維場景中的核心價值與落地挑戰(zhàn)

1）AI已實(shí)現(xiàn)的典型應(yīng)用場景

在運(yùn)維領(lǐng)域，AI技術(shù)已經(jīng)成功落地了多個具有顯著價值的應(yīng)用場景，為提升運(yùn)維效率與質(zhì)量發(fā)揮了重要作用。以下是這些場景的詳細(xì)描述和價值體現(xiàn)：

2）落地過程的三大技術(shù)風(fēng)險

盡管 AI 在運(yùn)維場景中展現(xiàn)出了巨大的應(yīng)用價值，但在實(shí)際落地過程中，也面臨著一些不容忽視的技術(shù)風(fēng)險。以下是這些風(fēng)險的詳細(xì)描述和應(yīng)對策略：

03.面向不同角色的轉(zhuǎn)型路徑與能力圖譜

1）管理型運(yùn)維（管理驅(qū)動型團(tuán)隊(duì)）

在央國企等管理驅(qū)動型團(tuán)隊(duì)中，管理型運(yùn)維人員肩負(fù)著統(tǒng)籌規(guī)劃、團(tuán)隊(duì)管理以及確保運(yùn)維工作符合合規(guī)要求等重要職責(zé)，他們在推動 AI 技術(shù)引入和應(yīng)用的過程中，面臨著一些特有的挑戰(zhàn)。

首先，外包團(tuán)隊(duì)技術(shù)能力參差不齊，這使得 AI 工具的引入可能會加劇對外包團(tuán)隊(duì)的依賴，一旦外包團(tuán)隊(duì)的技術(shù)支持出現(xiàn)問題，將對運(yùn)維工作的正常開展產(chǎn)生嚴(yán)重影響。其次，央國企等機(jī)構(gòu)通常具有嚴(yán)格的合規(guī)要求，如《數(shù)據(jù)安全法》等相關(guān)法律法規(guī)的約束，直接應(yīng)用一些大語言模型等 AI 工具，可能會存在數(shù)據(jù)泄露等合規(guī)風(fēng)險，這給管理型運(yùn)維人員帶來了巨大的壓力。

針對這些挑戰(zhàn)，管理型運(yùn)維人員需要從以下幾個關(guān)鍵能力模塊入手提升自身能力：

2）技術(shù)型運(yùn)維工程師（互聯(lián)網(wǎng)/技術(shù)驅(qū)動型公司）

在互聯(lián)網(wǎng)和技術(shù)創(chuàng)新型企業(yè)中，技術(shù)型運(yùn)維工程師是運(yùn)維團(tuán)隊(duì)的核心力量，他們通常具備扎實(shí)的 DevOps 工具鏈技能，如熟練掌握 Jenkins、Kubernetes 等工具，能夠高效地進(jìn)行持續(xù)集成與持續(xù)部署（CI/CD）流程的管理和優(yōu)化。然而，在 AI 時代，僅掌握這些傳統(tǒng)技能已不足以應(yīng)對新的挑戰(zhàn)，他們還面臨著一些核心能力差距。

多數(shù)技術(shù)型運(yùn)維工程師雖然對分布式集群的架構(gòu)有深入的理解，但對 AI 硬件基礎(chǔ)設(shè)施（如 GPU 集群調(diào)度）卻不夠熟悉。在 AI 驅(qū)動的運(yùn)維場景中，GPU 等高性能硬件資源的合理調(diào)度與管理對于模型訓(xùn)練和推理的效率至關(guān)重要。此外，他們往往缺乏 AI 模型訓(xùn)練與調(diào)優(yōu)的經(jīng)驗(yàn)，這限制了他們將 AI 技術(shù)與運(yùn)維工作深度融合的能力。

為了彌補(bǔ)這些能力差距并實(shí)現(xiàn)升級，技術(shù)型運(yùn)維工程師可以從以下幾個能力模塊入手：

在實(shí)戰(zhàn)建議方面，短期內(nèi)可以在變更管理中引入“AI+安全漏洞掃描”，利用靜態(tài)代碼分析模型等 AI 工具，快速發(fā)現(xiàn)代碼中的潛在漏洞和風(fēng)險點(diǎn)，降低系統(tǒng)因變更而引入安全問題的可能性

從中期到長期來看，規(guī)劃并構(gòu)建 AIOps 中心，將異常檢測（如采用 OneClass SVM 等算法進(jìn)行無監(jiān)督異常檢測）、根因分析（運(yùn)用因果推理模型深入挖掘故障的根本原因）與自動化修復(fù)（借助機(jī)器人流程自動化 RPA 技術(shù)實(shí)現(xiàn)故障的自動修復(fù)）等各個環(huán)節(jié)有機(jī)串聯(lián)起來，形成一個智能化的運(yùn)維生態(tài)系統(tǒng)，全面提升運(yùn)維工作的效率和質(zhì)量。

04.AI對運(yùn)維人員技能提升的影響

AI技術(shù)的快速發(fā)展對運(yùn)維人員的技能提升產(chǎn)生了多方面的影響。一方面，AI能夠幫助運(yùn)維人員更快獲取到相關(guān)的知識和方案。通過智能搜索和知識推薦系統(tǒng)，運(yùn)維人員可以在海量的技術(shù)文檔和案例中迅速找到所需的信息，加速問題的解決過程。例如，當(dāng)遇到一個復(fù)雜的系統(tǒng)故障時，運(yùn)維人員可以利用AI驅(qū)動的知識庫，快速定位到類似的故障案例，并獲取詳細(xì)的解決方案，從而提高工作效率。

另一方面，由于AI及自動化取代了較多的基礎(chǔ)運(yùn)維工作，運(yùn)維人員實(shí)際的操作機(jī)會變少了?；A(chǔ)工作被工具替代，雖然提升了整體效率，但也導(dǎo)致初級工程師學(xué)習(xí)的曲線變得非常陡峭。在傳統(tǒng)運(yùn)維模式下，初級工程師可以通過大量的基礎(chǔ)操作積累經(jīng)驗(yàn)，逐步提升技能水平。

然而，在AI時代，許多基礎(chǔ)工作由自動化工具完成，初級工程師缺乏實(shí)際操作的機(jī)會，難以通過實(shí)踐積累經(jīng)驗(yàn)。這就要求運(yùn)維人員在學(xué)習(xí)過程中更加注重理論知識的學(xué)習(xí)和對復(fù)雜問題的思考，通過參與高難度的項(xiàng)目和任務(wù)，提升自己的技能水平。

此外，AI對運(yùn)維人員技能提升的影響還體現(xiàn)在對技能需求的變化上。隨著AI技術(shù)在運(yùn)維領(lǐng)域的廣泛應(yīng)用，對運(yùn)維人員的技能要求也發(fā)生了轉(zhuǎn)變。除了傳統(tǒng)的運(yùn)維技能外，運(yùn)維人員還需要掌握AI相關(guān)的知識和技能，如機(jī)器學(xué)習(xí)算法、數(shù)據(jù)處理、模型訓(xùn)練與部署等。這使得運(yùn)維人員需要不斷學(xué)習(xí)和更新自己的知識體系，以適應(yīng)新的技術(shù)要求。

以下是AI對運(yùn)維人員技能提升影響的具體表現(xiàn)：

05.全局行動框架：構(gòu)建抗風(fēng)險的 AI 運(yùn)維體系

1）構(gòu)建“人機(jī)協(xié)同”安全網(wǎng)

為了確保 AI 在運(yùn)維工作中的安全、可靠應(yīng)用，需要構(gòu)建一個“人機(jī)協(xié)同”安全網(wǎng)，合理分配人機(jī)在決策過程中的權(quán)限和職責(zé)。以下是人機(jī)決策權(quán)分配的具體原則：

2）數(shù)據(jù)治理體系升級

數(shù)據(jù)是 AI 的基石，構(gòu)建一個完善的數(shù)據(jù)治理體系對于提升 AI 運(yùn)維的效能至關(guān)重要。以下是數(shù)據(jù)治理體系升級的關(guān)鍵措施：

在數(shù)據(jù)治理體系升級的過程中，CMDB（配置管理數(shù)據(jù)庫）和可觀測數(shù)據(jù)的治理是兩個重要的方面。

• CMDB數(shù)據(jù)治理

CMDB作為運(yùn)維數(shù)據(jù)的核心樞紐，其數(shù)據(jù)治理至關(guān)重要。以下是CMDB數(shù)據(jù)治理的具體措施：

• 可觀測數(shù)據(jù)治理

可觀測數(shù)據(jù)治理旨在提升數(shù)據(jù)的質(zhì)量和可用性，以更好地支持AI模型的訓(xùn)練和推理。以下是可觀測數(shù)據(jù)治理的關(guān)鍵措施：

3）持續(xù)驗(yàn)證與反饋機(jī)制

為了不斷提升 AI 模型的性能和適應(yīng)性，需要建立持續(xù)驗(yàn)證與反饋機(jī)制，確保模型在實(shí)際應(yīng)用中的有效性和可靠性。以下是具體的實(shí)施策略：

06.即刻行動清單

為了幫助運(yùn)維人員更好地應(yīng)對 AI 時代的變革，以下是細(xì)化后的即刻行動清單：

07.個人能力路線圖設(shè)計(jì)方法

1）基礎(chǔ)能力：通用大模型在運(yùn)維工作中的應(yīng)用

通用大模型在運(yùn)維工作中的應(yīng)用可以顯著提升工作效率和質(zhì)量。以下是一些具體的應(yīng)用場景和方法：

• 腳本編寫：利用通用大模型的代碼生成能力，快速生成和優(yōu)化腳本。例如，使用 GitHub Copilot 或其他基于大模型的代碼生成工具，提高腳本編寫效率。
• 解決方案查詢：通過大模型驅(qū)動的知識庫，快速查詢和生成解決方案。例如，構(gòu)建一個基于大模型的企業(yè)知識庫，員工可以通過自然語言提問獲取準(zhǔn)確的解決方案。
• 文檔編寫：利用大模型的文本生成能力，自動生成文檔。例如，使用大模型生成會議紀(jì)要、技術(shù)報告等，顯著提高文檔編寫效率。

2）能力進(jìn)階：技術(shù)型運(yùn)維工程師

假設(shè)你是一名技術(shù)型運(yùn)維工程師，具備扎實(shí)的 DevOps 工具鏈技能，如熟練掌握 Jenkins、Kubernetes 等，但對 AI 硬件基礎(chǔ)設(shè)施（如 GPU 集群調(diào)度）不夠熟悉，缺乏 AI 模型訓(xùn)練與調(diào)優(yōu)的經(jīng)驗(yàn)。

（1）分析自身當(dāng)前的技術(shù)能力

在制定個人技術(shù)路線圖之前，需要先對自己的技術(shù)能力進(jìn)行全面的評估?？梢詮囊韵聨讉€方面入手：

• 運(yùn)維基礎(chǔ)知識：評估自己對操作系統(tǒng)、網(wǎng)絡(luò)、數(shù)據(jù)庫等基礎(chǔ)知識的掌握程度。
• 編程能力：了解自己是否具備編程基礎(chǔ)，如 Python、Shell 等。
• DevOps 工具鏈：檢查自己對 Jenkins、Kubernetes、Docker 等工具的熟悉程度
• 數(shù)據(jù)分析能力：評估自己對數(shù)據(jù)處理、統(tǒng)計(jì)分析的掌握情況。
• AI/ML 基礎(chǔ)：了解自己對機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等 AI 相關(guān)知識的熟悉程度。

（2）根據(jù) AI 運(yùn)維的需求，確定需要提升的技能

根據(jù) AI 運(yùn)維的需求，結(jié)合自身的能力差距，確定需要提升的技能。主要可以從以下幾個方面考慮：

• AI 基礎(chǔ)知識：掌握機(jī)器學(xué)習(xí)、深度學(xué)習(xí)的基本概念和算法。
• AI 框架：學(xué)習(xí) PyTorch、TensorFlow 等主流的深度學(xué)習(xí)框架。
• 數(shù)據(jù)處理與分析：提升數(shù)據(jù)清洗、特征工程、數(shù)據(jù)分析的能力。
• 模型部署與維護(hù)：學(xué)習(xí)模型的部署、監(jiān)控、優(yōu)化等技能。
• 人機(jī)協(xié)作：掌握如何設(shè)計(jì)高效的工作流程，實(shí)現(xiàn) AI 建議與人工決策的有機(jī)結(jié)合。
• 通用大模型應(yīng)用：學(xué)習(xí)如何利用企業(yè)內(nèi)部或公網(wǎng)上的通用大模型，提升腳本編寫、解決方案查詢、文檔編寫等工作的效率。

（3）示例：

針對上述技術(shù)型運(yùn)維工程師的能力差距，需要提升的技能包括：

• AI 基礎(chǔ)：掌握 PyTorch/TensorFlow 框架，熟悉運(yùn)維數(shù)據(jù)預(yù)處理（日志清洗、指標(biāo)聚合）。
• 模型部署與維護(hù)：熟練使用 MLflow 進(jìn)行模型生命周期管理，優(yōu)化推理時延（如模型量化、輕量化部署）。
• 人機(jī)協(xié)作：設(shè)計(jì)“AI 建議→人工驗(yàn)證→自動執(zhí)行→反饋模型”的工作流，開發(fā)數(shù)字孿生系統(tǒng)進(jìn)行 AI 決策沙盤推演。
• 通用大模型應(yīng)用：學(xué)習(xí)如何利用通用大模型提升腳本編寫、解決方案查詢、文檔編寫等工作的效率。

（4）制定 6 個月內(nèi)的學(xué)習(xí)計(jì)劃，明確每個階段的目標(biāo)和任務(wù)

根據(jù)需要提升的技能，制定詳細(xì)的學(xué)習(xí)計(jì)劃，明確每個階段的目標(biāo)和任務(wù)。以下是一個示例學(xué)習(xí)計(jì)劃：

3）能力進(jìn)階：管理型運(yùn)維人員

（1）當(dāng)前能力評估

假設(shè)你是一名央國企的管理型運(yùn)維人員，具備以下能力：

• 團(tuán)隊(duì)管理：具備豐富的團(tuán)隊(duì)管理經(jīng)驗(yàn)，能夠協(xié)調(diào)內(nèi)外部資源，推動項(xiàng)目落地。
• 合規(guī)管理：熟悉《數(shù)據(jù)安全法》等法律法規(guī)，具備較強(qiáng)的合規(guī)意識。
• 戰(zhàn)略規(guī)劃：能夠制定和執(zhí)行運(yùn)維團(tuán)隊(duì)的長期發(fā)展戰(zhàn)略。

（2)需要提升的技能

根據(jù) AI 運(yùn)維的需求，結(jié)合自身的能力差距，需要提升的技能包括：

• AI 技術(shù)理解：掌握 AI 技術(shù)的基本原理和應(yīng)用場景。
• AI 模型管理：學(xué)習(xí)如何管理和優(yōu)化 AI 模型。
• 人機(jī)協(xié)作：掌握如何設(shè)計(jì)高效的工作流，實(shí)現(xiàn) AI 建議與人工決策的有機(jī)結(jié)合。
• 通用大模型應(yīng)用：學(xué)習(xí)如何利用通用大模型提升管理效率。

(3)學(xué)習(xí)計(jì)劃

08.結(jié)語：在變革中尋找第二成長曲線

AI 不是運(yùn)維人員的替代者，而是一種需要被駕馭的新質(zhì)生產(chǎn)力工具。在 AI 時代的運(yùn)維變革浪潮中，無論是管理者還是工程師，都需要重新審視和定義自己的價值，積極尋找第二成長曲線，實(shí)現(xiàn)個人和團(tuán)隊(duì)的可持續(xù)發(fā)展。

對于管理者而言，需要從傳統(tǒng)的“資源協(xié)調(diào)者”進(jìn)化為“技術(shù)戰(zhàn)略家”，具備敏銳的技術(shù)洞察力和前瞻性的戰(zhàn)略規(guī)劃能力，能夠準(zhǔn)確把握 AI 技術(shù)的發(fā)展趨勢，并將其與企業(yè)的業(yè)務(wù)需求相結(jié)合，制定出切實(shí)可行的技術(shù)戰(zhàn)略。同時，要構(gòu)建安全的人機(jī)協(xié)作框架，確保 AI 技術(shù)在提升運(yùn)維效率的同時，不會給企業(yè)帶來不可控的風(fēng)險，保障企業(yè)的穩(wěn)定運(yùn)營和長遠(yuǎn)發(fā)展。

對于工程師而言，要在技術(shù)深度和跨域認(rèn)知兩個方面建立優(yōu)勢。在技術(shù)深度方面，深入學(xué)習(xí)和掌握 AI+運(yùn)維實(shí)踐的相關(guān)知識和技能，成為這一領(lǐng)域的專家，能夠熟練運(yùn)用 AI 技術(shù)解決實(shí)際運(yùn)維問題。在跨域認(rèn)知方面，加強(qiáng)對業(yè)務(wù)需求的理解，了解企業(yè)的核心業(yè)務(wù)流程和關(guān)鍵績效指標(biāo)，使運(yùn)維工作能夠更好地服務(wù)于業(yè)務(wù)發(fā)展，為企業(yè)創(chuàng)造更大的價值。

總之，拒絕被動等待“人機(jī)替代”浪潮的到來，主動塑造未來運(yùn)維的新規(guī)則，才是運(yùn)維人員在 AI 時代贏得挑戰(zhàn)、實(shí)現(xiàn)自我價值提升的關(guān)鍵所在。只有積極擁抱變革，不斷提升自我，才能在運(yùn)維領(lǐng)域的廣闊天地中開創(chuàng)更加美好的未來。