當代社會的生產(chǎn)和生活在許多方面都離不開龐大復(fù)雜的軟硬件系統(tǒng)，包括互聯(lián)網(wǎng)、高性能計算、電信、金融、電力網(wǎng)絡(luò)、物聯(lián)網(wǎng)、醫(yī)療網(wǎng)絡(luò)和設(shè)備、航空航天、軍事裝備和網(wǎng)絡(luò)等。

這些系統(tǒng)的用戶需要良好的用戶體驗。因此，這些復(fù)雜系統(tǒng)的部署、運行和維護需要專業(yè)的運行維護人員來應(yīng)對各種突發(fā)事件，確保系統(tǒng)的安全可靠運行。因為各種突發(fā)事件都會產(chǎn)生大量的數(shù)據(jù)，從本質(zhì)上講，智能運維可以看作是大數(shù)據(jù)分析的具體場景。

智能操作和維護的范圍是機器學習、軟件工程、行業(yè)知識、操作和維護場景知識在四者結(jié)合的交叉領(lǐng)域，智能運維的順利發(fā)展離不開四者的密切配合。

得益于大數(shù)據(jù)和人工智能，今天的運營維護模式開始走向智能化階段，越來越多的企業(yè)開始重視智能化運營維護。公司和組織采用集中監(jiān)控平臺收集系統(tǒng)的各種運行狀態(tài)和執(zhí)行邏輯信息，如網(wǎng)絡(luò)流量、服務(wù)日志等等等來實現(xiàn)綜合感知。隨著系統(tǒng)規(guī)模的增長，運維數(shù)據(jù)也呈爆炸式增長。每天產(chǎn)生數(shù)千億的監(jiān)測數(shù)據(jù)和日志，給運行維護帶來各種困難和挑戰(zhàn)，推動了智能運行維護技術(shù)的不斷發(fā)展。

相較于手動運維，自動化運維極大地提升了運維的效率，DevOps提升了研發(fā)和運維的配合效率。然而當整個互聯(lián)網(wǎng)系統(tǒng)的數(shù)據(jù)規(guī)模開始爆炸性增長和服務(wù)類型的復(fù)雜多樣，基于人為指定規(guī)則的專家系統(tǒng)遇到了諸多瓶頸，其中很重要的一條是：對于長期從事某行業(yè)運行維護工作的專家來說，手工總結(jié)重復(fù)、可追溯的現(xiàn)象，形成規(guī)則，完成自動運行維護是非常必要的。然而，這種基于人工規(guī)則的方法并不能解決大規(guī)模的運行維護問題。

與依賴人工生成規(guī)則的自動操作和維護不同，智能操作和維護強調(diào)機器學習算法從海量運維數(shù)據(jù)中自動學習（包括事件本身和運維人員人工處理日志），完善和總結(jié)規(guī)則。也就是說，智能運維在自動運維的基礎(chǔ)上增加了一個基于機器學習的大腦，它命令監(jiān)控系統(tǒng)采集大腦決策所需的數(shù)據(jù)，進行分析、決策，并命令自動腳本執(zhí)行大腦決策，從而達到系統(tǒng)運行維護的總體目標。

高德納報告預(yù)測，全球aiops的部署率將從2017年的10%提高到2020年的50%。