演讲主题

大模型在可观测AIOps的探索和应用实践

在云原生时代，运维团队面临着数据质量波动、标注不足以及链路信息不完整等重大挑战，这些障碍严重影响了AIOps（智能运维）的有效实施。监控数据的不确定性增加了运维任务的复杂度，使得从海量数据中提取有用信息并作出快速响应变得更加困难。 大模型强大的涌现能力和推理能力，为AIOps在复杂架构下提供更精准的数据关联和诊断提供了可能。 阿里云可观测团队通过AIOp结合大模型应用， 探索了利用大模型进行知识问答和PromQL查询生成，极大地简化了对监控数据的查询与分析过程。此外，大模型在提供上下文明确的告警方面表现出色，通过与ChatOps机器人的整合，实现了更加自然和人性化的交互方式。这些实践不仅提高了诊断效率，也为系统异常的快速解决提供了有力支持。 然而，大模型作为AIOps实施中的双刃剑，同时也带来了一系列新的挑战，包括模型的解释性问题和与现有系统的集成问题。基于ReAct框架的agent协同诊断方案为这些挑战提供了可能的解决路径，使得AIOps不再局限于单一的自动化任务，而是朝着更加协同和自适应的方向发展。展望未来，我们预测大模型将继续在可观测性领域中扮演关键角色，推动AIOps技术的进一步发展和创新。 技术分享大纲 1. 引言：云原生时代的运维数据挑战 ○ 分析监控运维数据质量波动、标注不足和链路信息缺失的问题 ○ 探讨这些挑战如何影响AIOps的有效实施 2. 阿里云可观测大模型实践：解锁复杂架构的诊断之钥 ○ 分享大模型在可观测中的典型应用：知识问答、PromQL生成 ○ 探索大模型在处理复杂系统诊断问题中的实践 ○ 讨论在明确上下文的告警中，通过大模型来助力ChatOps机器人“说人话” 3. 大模型的双刃剑：对AIOps的影响与挑战 ○ 分析大模型如何为AIOps带来变革，以及可能带来的新挑战 ○ 探讨基于ReAct框架的agent协同的诊断方案的价值？ 4. 总结与前瞻：可观测大模型的未来探索 ○ 对未来大模型给可观测领域发展方向进行展望