大模型時(shí)代的智能運(yùn)維AIOps--與小模型是關(guān)系及通用大模型底座該如何選擇

在大模型時(shí)代，AIOps（智能運(yùn)維）正面臨技術(shù)挑戰(zhàn)，需要整合語言模型與現(xiàn)有小模型工具，實(shí)現(xiàn)更智能的運(yùn)維決策。

AIOps小模型數(shù)量眾多，但通識大模型在運(yùn)維L域的表現(xiàn)參差不齊，需要解決技術(shù)挑戰(zhàn)，如運(yùn)維語料不足、結(jié)構(gòu)化數(shù)據(jù)處理、以及與現(xiàn)有AIOps工具的融合。

大語言模型的模型棧分為L1、L2、L3三層，分別對應(yīng)不同的應(yīng)用場景和技術(shù)挑戰(zhàn)，如私有部署、多模態(tài)數(shù)據(jù)處理和知識融合。

運(yùn)維大語言模型的應(yīng)用案例包括數(shù)字化運(yùn)維助手、私有文檔問答、腳本解讀和數(shù)據(jù)注釋，這些應(yīng)用旨在提G運(yùn)維效率和準(zhǔn)確性。

運(yùn)維大語言模型的中長期應(yīng)用定位為從助手到內(nèi)部專家的角色轉(zhuǎn)變，通過智能體和基礎(chǔ)模型編程框架，實(shí)現(xiàn)復(fù)雜運(yùn)維任務(wù)的自動化。

報(bào)告強(qiáng)調(diào)，盡管存在挑戰(zhàn)，但通過技術(shù)思路和策略，如檢索增強(qiáng)、課程學(xué)習(xí)、模型分層等，可以逐步克服這些問題，實(shí)現(xiàn)AIOps的廣泛應(yīng)用。

附件：大模型時(shí)代的智能運(yùn)維AIOps--與小模型是關(guān)系及通用大模型底座該如何選擇