I. 知识图谱 应用案例 — 美团概述深度学习（隐性模型）特点面向一个具体任务（如下围棋、识别猫、人脸识别、语音识别等）需要海量训练数据需要强大的计算力场景示例人脸识别目前进展在一些任务上已经接近或超过人类任务范围面向具体任务，难以迁移可解释性较难解释数据量海量训练数据知识图谱（显性模型）特点可广泛用于不同任务从海量数据中进行知识学习和挖掘可理解、可解释，类似人类的思考方式场景示例语音助手目前进展

运维背景知识A. 运维体系：SRE/CREA. Google SRE概述B. Google SRE指导思想B. Google SRE指导思想 - 拥抱风险C. Google SRE 实践C. Google SRE 实践 - 产品发布D. Google SRE 管理D. Google SRE 管理 - 培训SRED. Google SRE 管理 - SRE参...

C. 人工智能 — 迁移学习 - 终身学习概述别称Continuous LearningNever Ending LearningIncremental Learning难点Knowledge Retention，but NOT IntransigenceKnowledge TransferModel Expansion，but Parameter Efficiency其他多任务学习，是终身学习的

C. 强化/增强学习离散马尔可夫模型马尔科夫链马尔可夫决策过程动态规划贝尔曼方程策略估计策略改进策略迭代值迭代蒙特卡罗方法时间差分法隐马尔可夫模评估问题：前向后向算法解码问题：维特比算法（Viterbi）学习问题：前向后向算法（BAUM-W...

J. 知识图谱 知识运维概述由于构建全量的行业知识图谱成本很高，在真实的场景落地过程中， 一般遵循小步快走、快速迭代的原则进行知识图谱的构建和逐步演化。知识运维是指在知识图谱初次构建完成之后，根据用户的使用反馈、不断出 现的同类型知识以及增加的新的知识来源进行全量行业知识图谱的演化和 完善的过程，运维过程中需要保证知识图谱的质量可控及逐步的丰富衍 化。知识图谱的运维过程是个工程化的体系，覆盖了知识

开发智能运维，团队需要的能力结构业务能力概述智能运维，是建立在现有运维业务和技术体系之上的；智能运维的落地和发展，需要跟业务产生良好的互动，取得他们的支持：智能运维所需要的业务经验，是来源于业务方的；智能运维产品，最终也是业务方在使用的；因此，掌握运维业务以及运维技术体系，对于后续寻找方向、以及跟业务沟通，都有很大的帮助。能力结构对运维业务相关的方法论，有较深入的理解；对运维技术体系，有较深入的理

随着时代的发展，现有的企业 IT 设施越来越庞大、越来越复杂。根因分析的定位，变得越来越难。由此引出了一个问题，是否可以借助人工智能技术，实现故障的智能定位？现在市面上关于根因分析的材料并不多，更多的是以论文的形式出现，都在探索不同的算法在特定场景下的效果。学术研究本来就应该百花齐放，但是工业界除了关心理论本身，更关心的是如何落地以及如何为企业带来效益。

鉴于人工智能系统的复杂性，你或许会质疑智能运维是否只是追逐潮流、名不符实。然而，事实并非如此。本小节将详细阐述为何这一观点不成立。首先，让我们先来回答一下什么是智能运维。基于前面讲的人工智能相关的一些概念，我个人理解是：智能运维是模拟和延伸运维工程师的操作或者行为，并且根据外部产生的数据或者信息，通过智能推理的算法，形成内部决策，并且反馈给外部环境。接下来，我们根据上述人工智能技术框架，以质量保障

个人认知过程至从2017年，开始从事智能监控开发之后，就跟智能运维搭上了不解之缘。2017年：刚开始做监控的时候，研究了几乎市面上所有监控产品，和相关的技术文章、视频。这个时候，主要是接触了大数据相关的技术，包括：Kafka、Spark、HiTSDB、ELK等。《大数据日知录》：分布式系统相关的理论、以及大数据相关的技术；《从零开始学习架构》：阿里的一位大神写的，关于 分布式系统架构 的一整套方法

基础信息详见： 《企业级 AIOps 实施建议》白皮书现阶段的研究方向