Marc Hornbeek，Engineering DevOps Consulting首席执行官兼首席顾问，DEVOPS INSTITUTE认证作者
Marc Hornbeek在全球数字化转型项目中，带来了在持续测试、DevOps、DevSecOps、站点可靠性工程（SRE）、安全以及AI驱动实践领域的深厚专业知识。在本文中，他探讨了DEVOPS INSTITUTE焕新升级的AIOps基础和可观测性基础认证如何应对智能运维的新时代。基于他在自动化、可靠性和AI辅助决策方面的实践经验，他解释了包括生成式AI、DataOps和全栈可观测性在内的新兴趋势，如何重新定义现代团队需要大规模交付韧性、性能和持续价值的能力。
随着人工智能和自动化持续重塑IT运维格局，组织正在重新评估“卓越运营”的真正含义。它不再仅仅是关于工具和仪表板；现在更依赖于解读复杂数据、将智能集成到工作流中，并支持更主动的决策。
这种转变正推动雇主所需技能的显著变化。组织越来越看重那些理解AI、自动化和可观测性实践背后基本原理的专业人士，而不仅仅是知道如何操作特定平台的人。他们寻求能够促进技术团队与业务团队之间沟通、解读AI驱动洞察的影响，并支持向更数据驱动和前瞻性运维的文化转型的个人。
DEVOPS INSTITUTE的AIOps基础和可观测性基础认证已直接针对这些不断变化的期望进行了更新。这两项认证帮助学习者建立概念性理解和信心，使他们能够解释AIOps、可观测性和DevSecOps如何在组织的韧性、性能和安全性战略中协同工作。
即使在这个基础级别，参与者也能更好地为讨论和转型计划做出有意义的贡献，这正是现代数字化团队中雇主日益看重的。
这些更新反映了IT运维格局的更广泛转变，特别是AI、自动化和数据驱动决策在数字化企业中的影响力日益增长。随着组织采用云原生架构、微服务和混合环境，运维数据的数量和复杂性已超出传统监控和分析方法的能力范围。
最近的进步，如大语言模型（LLMs）和生成式AI，正在通过使系统能够解读数据、总结洞察和支持根因分析，扩展AIOps的可能性。虽然焕新后的认证仍为基础级别，但它们帮助学习者理解这些新兴能力，并认识到AI、机器学习和数据质量原则如何促进更智能、主动和可解释的运维。这些行业转变也正在重塑核心运维学科之间的互动方式。
更新课程的一个关键焦点是可观测性与AIOps的日益融合。这两个学科越来越相互关联，因为它们解决的是同一个挑战：通过系统生成的数据来理解复杂、快速变化的系统。
可观测性提供了理解系统行为所需的基本可见性，而AIOps则应用分析和AI技术来大规模解读这些数据。两者结合，通过支持更快的问题检测、诊断和预防，增强了可靠性、性能和安全性。
这些认证帮助学习者理解可观测性如何生成洞察，以及AIOps如何增强团队解读和基于这些洞察采取行动的方式，从而在分布式环境中实现更具韧性的运维。
AIOps基础的更新反映了该学科从传统数据分析向AI辅助运维的演变。更新的主要原因包括AI技术的快速发展、云原生系统日益复杂，以及自动化和生成式AI在IT运维中的作用日益增强。
大数据和机器学习仍然是概念基础，因为它们继续作为AIOps的构建模块。AIOps基础随后引入自动化和生成式AI作为自然延伸，帮助学习者理解新能力如何增强熟悉的目标，如更快的洞察、改进的协作和更智能的决策。
这种平衡确保参与者清晰地了解AIOps如何发展，同时仍植根于数据、学习和持续改进的持久原则。
更新材料中探讨的一个相关主题是AIOps、DevOps和站点可靠性工程（SRE）如何相互补充。DevOps强调协作和开发与运维之间的流程，而SRE则通过度量和自动化专注于可靠性。AIOps通过数据分析和机器学习增加智能和可扩展性。AIOps基础使用真实世界的示例和共享术语，包括服务水平和DORA指标，帮助学习者理解这些学科如何在现代的AI赋能运维文化中相互强化。
可观测性基础也已焕新，以应对云原生复杂性的需求。现代系统，特别是基于微服务的系统，比传统的单体架构动态性和分布式程度显著更高。因此，组织需要跨技术栈每一层的可见性，从基础设施和容器到网络、服务和用户体验。
这次更新帮助学习者掌握如何收集和关联来自指标、事件、日志和追踪的遥测数据，以理解一个组件的变化如何影响整个系统。它还介绍了AI和自动化如何通过帮助团队解读复杂的数据关系来增强这种可见性。
目标是确保学习者理解为什么可观测性必须从一开始就内置，以及它如何在云原生环境中支持韧性、安全性和可靠性。
两项认证现在都融入了基于场景的讨论和引导练习，帮助学习者将关键概念与现实的组织挑战联系起来。在AIOps基础中，一个场景可能描述一家公司正面临告警疲劳和监控工具碎片化的问题。学习者探索AIOps方法，利用数据关联、自动化和AI驱动的洞察，如何能增强可见性和响应时间。
在可观测性基础中，一个场景可能涉及诊断基于微服务的应用程序中的性能问题，帮助参与者理解各种遥测信号如何结合以揭示依赖关系并指导韧性改进。
这些练习较少关注工具操作，更多关注帮助学习者理解AIOps和可观测性原则如何带来更好的协作、更快的问题检测和更明智的决策。这些实践练习也强化了一个同样重要的元素——现代运维中的人力和文化方面。
除了认证之外，最有价值的收获是对AI、自动化和数据驱动洞察如何与现代DevSecOps文化融合的共同理解。参与者就数据、可靠性、AI支持的决策制定共同语言，并深入了解这些概念如何影响角色、工作流以及性能、韧性和安全等共同目标。这些认证通过将技术概念与实际业务价值联系起来，帮助弥合技术知识与组织文化之间的差距。
展望未来，下一代AIOps和可观测性教育将受到生成式AI、智能自动化和自主运维持续演进的塑造。诸如AI代理、自然语言界面、可解释AI、DataOps和安全可观测性等概念将变得越来越重要，以确保信任和透明度。
对于开始这一旅程的组织，建议很明确：在工具之前，优先考虑文化和共同理解。一旦基础知识到位，就能更自信和可持续地采用先进技术。
未来将结合人类判断和AI驱动的洞察，那些现在投资于基础教育的组织将最能在这个混合环境中蓬勃发展。
了解更多关于DEVOPS INSTITUTE的AIOps基础和可观测性基础认证的信息，请点击此处
