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

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

A. 运维体系 — SLA理论体系概述：SLA，是服务供应商与客户之间的服务等级协议，它定义了服务供应商应保证的服务质量，以及在服务不达标情况下的服务赔偿。SLA在定义上又细分为SLI、SLO与SLA。SLI，服务质量指标，服务的某项质量的一个具体的量化指标。SLO，服务质量目标，服务的某项SLI的具体目标值，或者目标范围。SLA，服务质量协议，描述在服务不达SLO情况下的后果。SLA的收益3.1

问题边缘概率最大后验概率状态求归一化因子变量消元法基本思想逐步从联合概率中消除变量，求解边缘概率变量消除的顺序：最有消元顺序是NP难问题可以通过一些启发式的规则优化，如最少临接点算法边缘概率Sum Product VE最大后验概率状态（MAP）max-sum elimination应用求边缘概率求条件概率团树传播算法与变量消元法对比相同点本质上相同，只是从不同的角度出发不同点变量消元法把全局概率推

机器学习 - 可解释性概述观点Goal of ML Explanation != you completely know how the ML model work.Goal of ML Explanation is make people(your customers, your boss, yourself) comfortable.针对不同的人，可能需要不同的解释\nPersonalized

D. 深度学习 — 图神经网络概述任务分类分类链接预测聚类图生成可视化图嵌入概述真实的图（网络）往往是高维、难以处理的，20世纪初，研究人员发明了图形嵌入算法，作为降维技术的一部分。挑战属性选择节点的“良好”向量表示应保留图的结构和单个节点之间的连接。第一个挑战是选择嵌入应该保留的图形属性。考虑到图中所定义的距离度量和属性过多，这种选择可能很困难，性能可能取决于实际的应用场景。可扩展性大多数真实网

机器学习 - 异常检测概述目标判断预测的数据，跟训练数据的相似程度应用场景金融欺诈行为：正常刷卡行为 VS 盗刷网络入侵检测癌细胞检测二分类模型困难异常数据无法穷尽异常数据很少有标签数据流程输入输出类别可信度（可能是 0 ~ 1 的浮点数）阈值设置通过设置阈值，判断数据是否异常阈值的设定基于实际情况而定算法神经网络算法评估验证数据：数据，以及标注该数据是否正常（不是具体的分类）优化点通过对抗神经网

C. 人工智能 — 迁移学习 - Domain Adaptation概述概念不同的数据分布，但是相同的任务难点源域和目标域 的特征空间，映射到同一个分布领域迁移第一种：训练数据和测试数据不一样第二种：输出的发布发生变化第三种：输出的关系（标签）发生变化Target Domain 的数据完备程度数据很多，并且都有标签直接使用分类算法数据很少，但是都打了标签避免 过拟合控制 epoch 次数调整 Le

C. 人工智能 — 强化学习 - 前沿技术难点Exploitation VS ExplorationSample EfficiencyModel-based RL概述针对真实环境建模通过Model-Network 反馈给 Policy Network应用场景棋类游戏特点优点更好的基于环境做规划缺点很难完美复现真实环境算法Alpha GoTrainingPre-train the policy ne

C. 人工智能 — 迁移学习 - 元学习概述概念Learn to learn本质上，就是输入训练资料，生成一个 目标函数也可以说是Domain Adaptation问题Too many tasks to learn, to learn more efficientlyFaster learning methodsBetter hyper-parameter/learning algorithmsR