跳转至

AI 时代的 DevOps 与 NoOps — 从辅助到自治的路线图

这一章讲什么: 前面十四章讲的 DevOps 全是「人写规则、机器执行」; 本章讲下一棒:AI 进入之后,「机器学规律、人做监督」。 这是全书的收束——第 02 章画的 NoOps 愿景,在这里变成逐层的具体能力与一张七阶段路线图。 也正因为写于 2026 年,本章是全书时效性最强、也最需要带着怀疑读的一章。

1. 主线例子:一次提交,穿过 AI 加持的整条流水线

本章的主线例子,是同一次代码变更在五层 AI 能力下的旅程。

  第 1 层 写代码:IDE 里 Copilot 补全了函数体与单元测试
      → 你按「强初稿」规则审读:数据形状、鉴权、错误处理
  第 2 层 进流水线:TIA(测试影响分析)只跑了受影响的 18% 用例
      → 风险预测模型给这次构建打分「低危」
  第 3 层 部署:金丝雀放量中,异常检测模型发现错误率偏离基线
      → 自动回滚;置信度不足的动走人工审批清单
  第 4 层 观察:根因关联把「网关 5xx + 内存尖峰 + 延迟上升」
      合成一条根因告警,值班者直接看结论
  第 5 层 学习:事故处置结果回流训练,模型下次更早识别同类模式

  图说:AI 在五层各替换了一部分「人盯规则」的工作;
  但每一层的自治边界都由人来划(§6 的审批清单)。
  各层工具名沿原书;「18% 用例」等为演示量级,不是实测。

2. AI 辅助编码:强初稿,不是终稿

机制一句话:这类工具的内核是在几十亿行代码上训练出的大语言模型(LLM), 根据上下文(函数名、注释、邻近变量)预测下一行乃至整个函数1。 工作流的三个转变:从查文档到生成;从写语法到设计逻辑; 从个人技艺到集体智能(千万项目的模式人人可用)2。

原书给的承重例子(照抄结构):一段旧式 Python 数据库函数——手动建连接、 取下标、不关连接;Copilot 重构为 with 上下文管理、字典游标(查询结果按字段名直接取值)、只查需要的列—— 样板减少、连接管理正确化、可读性提升3。

但 AI 出的代码会系统性栽在固定几处:数据形状的想当然、鉴权/授权的不安全处理、 缺错误处理与重试、弱输入校验(涉及外部 API、并发、分布式时尤甚)、 推荐过时或废弃的库、只测 happy path 的测试。 原书的实用规则值得原文记住:把 AI 产出当强初稿,合并前必须人工审 正确性、安全、性能与内部标准4。

度量上别数行数,要盯六个工程指标:周期时间、PR 吞吐、评审延迟; 缺陷逃逸率、变更失败率、返工比例——采纳前后各取 4–6 周对比5。

工具五强对照(原书表 15.1)6:

工具 独门 短板
GitHub Copilot 语言覆盖广、IDE 深集成 可能给不安全或无许可的片段
Amazon CodeWhisperer 内置安全扫描、AWS API 上下文 AWS 栈之外语言覆盖弱
Tabnine 离线/自托管、隐私优先 上下文理解弱于 LLM 系
Cursor AI 对话式、适合结对与解释代码 依赖云连接
Replit Ghostwriter 云端 IDE 实时生成 无企业级集成

集成工作流四步(原书):IDE 生成 → 静态分析与依赖扫描(SonarQube/Trivy 把关)→ 版本控制门禁(人审后才合)→ 度量回流7。五条最佳实践里最要紧的两条: human-in-the-loop(AI 是建议不是替代);AI 生成代码在 commit message 里 明确标注(可审计)8。

治理三个雷区:代码来源(可能无许可地复现开源片段)、偏见复制、 数据泄漏(云端助手可能把专有代码片段外传)——对策:许可检查、企业版/自托管模型、 AI 逻辑强制人审9。

案例(SaaS 公司,原书数字):后端团队上 Cursor AI—— 编码速度 +35%,月省约 200 开发者小时;SQL 注入在提交前被扫描拦下10。

3. AI 进 CI/CD 流水线:从静态脚本到自优化反馈环

传统 CI/CD 流水线按静态规则执行;AI 加持的 CI/CD 系统从历史构建、测试结果、部署日志里学习, 每次构建都把智能喂回流水线本身11。五段能力(原书表 15.2)12:

CI/CD 阶段 AI 能力 工具例子
构建 预测式构建优化:找瓶颈、建议并行与缓存 Harness CI、Cloud Build Insights
测试 TIA(测试影响分析):只跑改动相关的用例 Launchable、Azure DevOps Test Optimization
部署 失败预测 + 自动回滚/金丝雀叫停 Harness CD Intelligence
监控 持续反馈环:日志指标喂回模型 Datadog CI Visibility
治理 策略合规自动化 OPA + ML 扩展

TIA 是最有体感的一项:全量测试每次提交都跑是浪费,AI 按改动范围挑相关子集, 时间大幅缩而质量不掉13。原书给了概念性 Actions 例子:predict_pipeline_risk.py 给构建打风险分,「高危」就暂停等人看——用智能代替固定规则做安全网14。

案例(金融科技,原书数字):Launchable TIA + Harness AI—— 构建失败降 42%(早预测+精选测试)、流水线时长降 30%、 AI 金丝雀自动回滚拦下三次生产事故15。

实施五条:先收度量再谈 AI;单点切入(先测试优化)再铺开; AI 的判断可被工程师覆盖,直到置信足够;训练数据质量(脏日志进脏结论); AI 工具自身要过安全审查16。

4. AI 驱动的可观测性:从盯仪表盘到读结论

传统监控的结构性疲惫:阈值静态、指标孤立、事后反应、根因靠人肉跨屏查。 AI 版的样子(原书表 15.3 对照)17:

维度 传统监控 AI 可观测
告警 静态阈值 动态行为基线
信号 指标孤立看 日志/指标/追踪关联
检测 破阈值才报 影响发生前 proactive
根因 人肉跨仪表盘 自动关联给根因线索
噪音 告警疲劳 降噪 + 按优先级

六种技法(原书表 15.4):统计基线(学「正常」长什么样,Dynatrace Davis); 日志聚类(找稀有错误模式);关联分析(跨服务串因果链); NLP(把日志告警变成人话摘要);预测式预报(磁盘写满/延迟退化提前知道); agentic AI(自治 agent 接入可观测与基础设施栈,自己做检测-处置-优化)18。

一个可跑的轻量例子(照原书):用 sklearn 的 IsolationForest(隔离森林,专门抓离群点——不合群的数据点——的算法)对日志错误频率做异常检测,contamination=0.05—— 嵌进监控管道定时跑,异常触发 webhook 到 PagerDuty19。

案例(流媒体平台,原书数字,500+ 微服务):AI 基线误报降 70%、 检测 18 → 2 分钟、MTTR 降 65%,数据库饱和提前 24 小时预警20。 收益还有量级感:告警总量降 40–60%,分诊中位时间 15 → 5 分钟21。

实施五条:喂高质量结构化数据;先做关联再做预测;跨层(基础设施/应用/网络)整合; 自动处置前人审;事故结果回流闭环22。

判断(我们的,不是书里的): 本章所有 AI 收益数字(-70% 误报、18→2 分钟) 有一个共同来源特征:全部来自厂商案例(Aiden、Dynatrace 的背书语境)。 这与第 10 章那些「无出处的教学案例」不同——这些是利益相关方口径。 方向(基线 > 静态阈值、关联 > 孤立告警)有工程逻辑支撑,可信; 幅度请一律当营销材料。引用本章数字时,标「厂商口径」三个字。 如果错,会错在: 若这些厂商数字经过第三方审计(部分 Dynatrace 案例有), 我们的「营销材料」定性就偏严;但原书没有给出审计出处,谨慎仍是默认正确姿势。

5. AI 作为云原生平台的「脑」:愿景与限制

五个新兴能力(原书)23:

  1. 预测式扩缩:不学 CPU 阈值,学历史流量规律,大促前先扩容;
  2. 负载感知调度:强化学习(靠试错与奖励自学的训练方法)给 Pod 找最优放置,平衡性能与成本;
  3. 能耗与成本优化:按电价/碳排跨集群迁移负载(ESG 驱动);
  4. 自配置基础设施:对 LLM 说「部署一个带自动扩缩的三节点 MongoDB」, 生成 Terraform/Helm;
  5. 预测维护与漂移检测:配置漂移、节点老化、饱和前兆提前告警。

K8s 会成为这个「AI 云」的操作系统,控制面之上加一个 AI 决策层 (书中点的早期项目:Kubeflow、K8GPT、StackGen Aiden)24。 Serverless 与边缘侧:AI 管冷启动、动态内存与并发上限; 边缘侧决定什么数据放本地什么回云25。安全侧:行为异常检测、 策略自学习(最小权限自动收敛)、实时处置(隔离容器、吊销凭证)26。

案例(多云零售,原书数字):预测式扩缩高峰期延迟降 40%, 资源利用率升 25%,跨云流量自动分配27。

但限制同样明确(原书罕见地自我设限):AI 自身的成本(训练与推理可能吃掉 省下的基础设施钱);信任(没人敢让 AI 无审批改生产); 可解释性(黑箱决策过不了审计与复盘);数据漂移(架构和流量一变,模型就旧)。 因此主流采纳路径是三段:顾问式 → 监督式自动化 → 风险可控处才全自治28。

6. 风险与人机分工:哪些能自治,哪些必须人批

风险六条(原书)29:模型偏差与误报(某地区流量训练样本少,被当异常—— 导致无谓回滚);过度依赖自动化(AI 触发回滚反而放大事故); 数据隐私(GDPR/HIPAA);黑箱决策(为什么回滚?没人说得清就没人敢信); 合规审计(决策逻辑要留痕);技能缺口与模型漂移(不持续重训就退化)。

人机平衡五实践:可解释性优先、全量记录 AI 动作、明确升级路径 (何时自治、何时必须人批)、人审结果回流训练、跨职能伦理委员会30。

那张「人批清单」是本章最可操作的一页(原书六条)31:

必须人批的 AI 动作 为什么
高爆炸半径(动全网流量、共享库、面向客户的关键服务) 影响面太大
不可逆操作(删数据、schema 迁移、密钥轮换) 没有自动回滚可言
低置信预测(信号弱、数据少、新模型) 错的可能性高
合规敏感系统(金融/医疗/薪酬/身份) 监管要求
安全相关动作(吊销凭证、改访问策略) 误伤代价
首次走的自动化路径 没经过监督模式验证

案例(过度自动化的反面教材,原书):SaaS 公司的 AI 部署优化器在高流量事件里 把短暂网络尖峰误判为致命故障,批量回滚多个服务,引发跨地域级联故障; 根因是模型没跟基础设施变化重训。事后上了置信度阈值 + AI 触发回滚强制人审32。

机会一侧同样六条:决策增强、消灭重复 toil、持续学习、自愈韧性、 弹性与成本兼得、开发者赋能——风险管好的组织把「负责任 AI」变成竞争力33。

7. 组织重设计与七阶段路线

角色进化表(原书表 15.5)34:运维工程师 → 平台工程师(设计可复用自动化模块、 监督 AI 工作流);SRE → AIOps 工程师(训练调优异常检测与预测模型); 开发者 → DevOps 开发者(与 AI 结对);QA → 质量智能分析师(教 AI 选测试); 安全工程师 → AI 安全分析师(监督 AI 威胁建模)。

新角色五个:AIOps 工程师、平台智能架构师、AI 合规官(ISO 42001、 GDPR AI 条款)、DevOps 数据管家、自动化教练35。 三层运营模型:自动化层(执行)→ 智能层(决策)→ 治理层(人监督)36。 文化四转:从 ownership 到 oversight;从筒仓到 AI 融合小队; 从反应到预测;从静态技能到持续学习37。 再培训的时间预期(原书给的量级):开发者 3–6 个月上手 AI 工具链; 运维/SRE 转 AIOps/平台工程 6–12 个月38。

案例(全球 SaaS 银行方案商,原书数字):设平台智能团队 + AI 治理委员会 + SRE 转 AIOps——九个月内事故降 60%、70% 告警自治处理、 部署频率 ×2.3、满意度 +25%39。

七阶段路线图(原书)40:

阶段 干什么 要点
1 就绪评估 技术/数据/文化/治理四维体检 定现实的起点
2 自动化地基 全量 IaC、带闸门的 CI/CD、单一配置真相源 AI 从混乱里学不到东西,只能从标准化数据里学
3 引入 AIOps 异常检测、容量预测、根因自动化、三支柱关联 人仍验证 AI 结论
4 自治运营 自愈、预测式编排、策略即代码、闭环重训 人转向curating 数据与模型
5 治理与伦理制度化 透明日志、偏差测试、数据安全、审计留痕 跨职能 AI 治理委员会
6 角色与文化重定义 开发者→自动化设计师;SRE→AIOps 培训进人才发展主线
7 持续智能 全自治供给与扩缩、自优化流水线、AI 安全合规 人只管治理、审计与创新

案例(全球保险,原书数字):三年三步——Terraform+Jenkins 标准化 → AI 可观测(50% 事故自动化)→ 预测式编排(80% 问题自治解决; 停机降 65%、运维成本降 30%、MTTR 40 → 10 分钟)41。

最佳实践六条:渐进采纳;自治了也要全程可观测可追踪;投人(数据素养、 AI 伦理、模型解读);平台统一(共享数据底座);度量成熟度(自动化覆盖率、 解决时长、AI 准确率);治理内建于每一层42。

8. 边界与局限

  1. 本章是全书利益相关浓度最高的一章:案例几乎全带厂商名(Aiden、Dynatrace、 Launchable、Harness),数字多为厂商口径;且书名页的审稿者与工具生态有交集的可能, 读时对幅度一律存疑,方向性结论(基线优于阈值、关联优于孤立)才可直接吸收。
  2. 「agentic AI 自治体」只有定义没有机制:怎么保证自治 agent 的 blast radius, 全书最尖锐的问题恰恰落在这个 newest 的概念上,而本章给的答案只是「人批清单」。
  3. AI 编码部分(第 2 节)写得最扎实(失败模式清单、度量方法都具体); 平台愿景部分(第 5 节)最虚(预测扩缩/K8s 大脑多为演示性断言)。
  4. 「再培训 3–6 / 6–12 个月」是经验量级,无任何来源,且不同基础的组织方差极大。
  5. 章内工具名录(2026 年快照)过时速度快,学框架别背名单。

9. 可带走的

  1. AI 编码 = 强初稿:合并前审四样(正确/安全/性能/内部标准);AI 代码 commit 要标注;
  2. 度量 AI 收益看六个工程指标(周期时间/PR 吞吐/评审延迟/缺陷逃逸/变更失败/返工), 不看行数;
  3. TIA 只跑相关测试,是 AI 进 CI/CD 流水线最值的第一站;
  4. AI 可观测的核心是基线 + 关联:学「正常」、串三支柱、降噪排序;
  5. 落地顺序:先关联后预测;先顾问后自治;
  6. 厂商数字(-70%、×2.3)一律标口径,方向可信幅度存疑;
  7. 人批清单六条:高爆炸半径、不可逆、低置信、合规敏感、安全动作、首走路径;
  8. 过度自动化有真实事故:模型不跟基础设施重训就会误杀;
  9. 角色在迁移:运维→平台工程、SRE→AIOps、新增 AI 合规官;
  10. 七阶段路线的命门在第 2 阶段:AI 学不到混乱,标准化地基先行。

10. 原文地图

主题 原书章 原文位置
LLM 编码助手机制与三转变 AI-assisted coding text/56-fm-ai-assisted-coding-with-github-copilot-and-other.txt:7(搜「large language model」) · text/56-fm-ai-assisted-coding-with-github-copilot-and-other.txt:23(搜「From searching to generating」)
重构例子与失败模式 同上 text/56-fm-ai-assisted-coding-with-github-copilot-and-other.txt:110(搜「with connect_to_db」) · text/56-fm-ai-assisted-coding-with-github-copilot-and-other.txt:128(搜「happy path」)
六指标与工具五强 同上 text/56-fm-ai-assisted-coding-with-github-copilot-and-other.txt:56(搜「cycle time」) · text/56-fm-ai-assisted-coding-with-github-copilot-and-other.txt:179(搜「GitHub Copilot」)
集成四步与治理三雷 同上 text/56-fm-ai-assisted-coding-with-github-copilot-and-other.txt:351(搜「AI suggestion」) · text/56-fm-ai-assisted-coding-with-github-copilot-and-other.txt:396(搜「license attribution」)
SaaS 案例(35%/200 小时) 同上 text/56-fm-ai-assisted-coding-with-github-copilot-and-other.txt:329(搜「35%」)
五段能力与 TIA AI in CI/CD pipeline automation text/57-fm-ai-in-ci-cd-pipeline-automation.txt:22(搜「Test Impact Analysis」) · text/57-fm-ai-in-ci-cd-pipeline-automation.txt:289(搜「Table 15.2」)
风险预测例子与金融案例 同上 text/57-fm-ai-in-ci-cd-pipeline-automation.txt:85(搜「predict_pipeline_risk」) · text/57-fm-ai-in-ci-cd-pipeline-automation.txt:119(搜「42%」)
传统 vs AI 可观测对照 AI-driven observability text/58-fm-ai-driven-observability-and-anomaly-detection.txt:150(搜「Table 15.3」)
六技法与 IsolationForest 例子 同上 text/58-fm-ai-driven-observability-and-anomaly-detection.txt:194(搜「Statistical baselining」) · text/58-fm-ai-driven-observability-and-anomaly-detection.txt:338(搜「IsolationForest」)
流媒体案例(误报 -70%) 同上 text/58-fm-ai-driven-observability-and-anomaly-detection.txt:378(搜「70%」) · text/58-fm-ai-driven-observability-and-anomaly-detection.txt:381(搜「18 minutes」)
五能力与限制 Future of AI in cloud-native platforms text/59-fm-future-of-ai-in-cloud-native-platforms.txt:20(搜「Predictive autoscaling」) · text/59-fm-future-of-ai-in-cloud-native-platforms.txt:154(搜「black boxes」)
风险六条与人批清单 Risks and opportunities text/60-fm-risks-and-opportunities-with-ai-in-noops.txt:46(搜「Model bias」) · text/60-fm-risks-and-opportunities-with-ai-in-noops.txt:104(搜「High blast radius」)
过度自动化事故 同上 text/60-fm-risks-and-opportunities-with-ai-in-noops.txt:129(搜「cascading outages」)
角色进化表与新角色 Organizational design text/61-fm-organizational-design-for-noops-teams.txt:43(搜「Traditional role」) · text/61-fm-organizational-design-for-noops-teams.txt:191(搜「AIOps engineer」)
三层模型与文化四转 同上 text/61-fm-organizational-design-for-noops-teams.txt:216(搜「Automation layer」) · text/61-fm-organizational-design-for-noops-teams.txt:235(搜「From ownership to oversight」)
九个月转型案例 同上 text/61-fm-organizational-design-for-noops-teams.txt:278(搜「60%」)
七阶段路线 Roadmap to adopting NoOps text/62-fm-roadmap-to-adopting-noops-in-enterprises.txt:10(搜「Assess readiness」) · text/62-fm-roadmap-to-adopting-noops-in-enterprises.txt:50(搜「AI cannot learn from chaos」) · text/62-fm-roadmap-to-adopting-noops-in-enterprises.txt:142(搜「continuous intelligence」)
保险三年案例 同上 text/62-fm-roadmap-to-adopting-noops-in-enterprises.txt:182(搜「40 minutes」)

  1. 出处:「AI-assisted coding with GitHub Copilot and others」第 7 段(text/56-fm-ai-assisted-coding-with-github-copilot-and-other.txt:7,搜「large language model」)。 ↩

  2. 出处:「AI-assisted coding with GitHub Copilot and others」第 23–29 段(text/56-fm-ai-assisted-coding-with-github-copilot-and-other.txt:23,搜「From searching to generating」)。 ↩

  3. 出处:「AI-assisted coding with GitHub Copilot and others」第 68–122 段(text/56-fm-ai-assisted-coding-with-github-copilot-and-other.txt:110,搜「with connect_to_db」)。 ↩

  4. 出处:「AI-assisted coding with GitHub Copilot and others」第 128–131 段(text/56-fm-ai-assisted-coding-with-github-copilot-and-other.txt:128,搜「happy path」;text/56-fm-ai-assisted-coding-with-github-copilot-and-other.txt:131,搜「strong first draft」)。 ↩

  5. 出处:「AI-assisted coding with GitHub Copilot and others」第 56–59 段(text/56-fm-ai-assisted-coding-with-github-copilot-and-other.txt:56,搜「cycle time」)。 ↩

  6. 出处:「AI-assisted coding with GitHub Copilot and others」第 151–319 段(text/56-fm-ai-assisted-coding-with-github-copilot-and-other.txt:179,搜「GitHub Copilot」;text/56-fm-ai-assisted-coding-with-github-copilot-and-other.txt:319,搜「Table 15.1」)。 ↩

  7. 出处:「AI-assisted coding with GitHub Copilot and others」第 351–363 段(text/56-fm-ai-assisted-coding-with-github-copilot-and-other.txt:351,搜「AI suggestion」)。 ↩

  8. 出处:「AI-assisted coding with GitHub Copilot and others」第 373–385 段(text/56-fm-ai-assisted-coding-with-github-copilot-and-other.txt:373,搜「Human-in-the-loop」;text/56-fm-ai-assisted-coding-with-github-copilot-and-other.txt:376,搜「commit messages」)。 ↩

  9. 出处:「AI-assisted coding with GitHub Copilot and others」第 392–419 段(text/56-fm-ai-assisted-coding-with-github-copilot-and-other.txt:396,搜「license attribution」;text/56-fm-ai-assisted-coding-with-github-copilot-and-other.txt:402,搜「proprietary code」)。 ↩

  10. 出处:「AI-assisted coding with GitHub Copilot and others」第 325–342 段(text/56-fm-ai-assisted-coding-with-github-copilot-and-other.txt:329,搜「35%」;text/56-fm-ai-assisted-coding-with-github-copilot-and-other.txt:342,搜「200 developer hours」)。 ↩

  11. 出处:「AI in CI/CD pipeline automation」第 7–10 段(text/57-fm-ai-in-ci-cd-pipeline-automation.txt:10,搜「self-optimizing feedback loop」)。 ↩

  12. 出处:「AI in CI/CD pipeline automation」第 19–31 段(text/57-fm-ai-in-ci-cd-pipeline-automation.txt:22,搜「Test Impact Analysis」;text/57-fm-ai-in-ci-cd-pipeline-automation.txt:289,搜「Table 15.2」)。 ↩

  13. 出处:「AI in CI/CD pipeline automation」第 22 段(text/57-fm-ai-in-ci-cd-pipeline-automation.txt:22,搜「only the most relevant tests」)。 ↩

  14. 出处:「AI in CI/CD pipeline automation」第 37–106 段(text/57-fm-ai-in-ci-cd-pipeline-automation.txt:85,搜「predict_pipeline_risk」;text/57-fm-ai-in-ci-cd-pipeline-automation.txt:106,搜「safety net driven by intelligence」)。 ↩

  15. 出处:「AI in CI/CD pipeline automation」第 109–132 段(text/57-fm-ai-in-ci-cd-pipeline-automation.txt:119,搜「42%」;text/57-fm-ai-in-ci-cd-pipeline-automation.txt:125,搜「three production incidents」)。 ↩

  16. 出处:「AI in CI/CD pipeline automation」第 322–334 段(text/57-fm-ai-in-ci-cd-pipeline-automation.txt:322,搜「Start with metrics」;text/57-fm-ai-in-ci-cd-pipeline-automation.txt:328,搜「override」)。 ↩

  17. 出处:「AI-driven observability and anomaly detection」第 30–150 段(text/58-fm-ai-driven-observability-and-anomaly-detection.txt:150,搜「Table 15.3」)。 ↩

  18. 出处:「AI-driven observability and anomaly detection」第 169–332 段(text/58-fm-ai-driven-observability-and-anomaly-detection.txt:194,搜「Statistical baselining」;text/58-fm-ai-driven-observability-and-anomaly-detection.txt:309,搜「Agentic AI」)。 ↩

  19. 出处:「AI-driven observability and anomaly detection」第 338–368 段(text/58-fm-ai-driven-observability-and-anomaly-detection.txt:338,搜「IsolationForest」;text/58-fm-ai-driven-observability-and-anomaly-detection.txt:353,搜「contamination=0.05」)。 ↩

  20. 出处:「AI-driven observability and anomaly detection」第 371–391 段(text/58-fm-ai-driven-observability-and-anomaly-detection.txt:378,搜「70%」;text/58-fm-ai-driven-observability-and-anomaly-detection.txt:381,搜「18 minutes」)。 ↩

  21. 出处:「AI-driven observability and anomaly detection」第 420 段(text/58-fm-ai-driven-observability-and-anomaly-detection.txt:420,搜「40 to 60%」)。 ↩

  22. 出处:「AI-driven observability and anomaly detection」第 423–442 段(text/58-fm-ai-driven-observability-and-anomaly-detection.txt:433,搜「Start with correlation」;text/58-fm-ai-driven-observability-and-anomaly-detection.txt:442,搜「Close the loop」)。 ↩

  23. 出处:「Future of AI in cloud-native platforms」第 16–32 段(text/59-fm-future-of-ai-in-cloud-native-platforms.txt:20,搜「Predictive autoscaling」;text/59-fm-future-of-ai-in-cloud-native-platforms.txt:29,搜「MongoDB cluster」)。 ↩

  24. 出处:「Future of AI in cloud-native platforms」第 39–59 段(text/59-fm-future-of-ai-in-cloud-native-platforms.txt:59,搜「Kubeflow」)。 ↩

  25. 出处:「Future of AI in cloud-native platforms」第 62–76 段(text/59-fm-future-of-ai-in-cloud-native-platforms.txt:69,搜「cold-start」;text/59-fm-future-of-ai-in-cloud-native-platforms.txt:72,搜「IoT gateways」)。 ↩

  26. 出处:「Future of AI in cloud-native platforms」第 79–99 段(text/59-fm-future-of-ai-in-cloud-native-platforms.txt:89,搜「Behavioral anomaly detection」;text/59-fm-future-of-ai-in-cloud-native-platforms.txt:95,搜「isolating containers」)。 ↩

  27. 出处:「Future of AI in cloud-native platforms」第 102–122 段(text/59-fm-future-of-ai-in-cloud-native-platforms.txt:109,搜「40%」)。 ↩

  28. 出处:「Future of AI in cloud-native platforms」第 148–157 段(text/59-fm-future-of-ai-in-cloud-native-platforms.txt:154,搜「black boxes」;text/59-fm-future-of-ai-in-cloud-native-platforms.txt:157,搜「incrementally」)。 ↩

  29. 出处:「Risks and opportunities with AI in NoOps」第 39–65 段(text/60-fm-risks-and-opportunities-with-ai-in-noops.txt:46,搜「Model bias」;text/60-fm-risks-and-opportunities-with-ai-in-noops.txt:49,搜「catastrophic failures」)。 ↩

  30. 出处:「Risks and opportunities with AI in NoOps」第 68–94 段(text/60-fm-risks-and-opportunities-with-ai-in-noops.txt:78,搜「Explainability」;text/60-fm-risks-and-opportunities-with-ai-in-noops.txt:90,搜「Ethical design」)。 ↩

  31. 出处:「Risks and opportunities with AI in NoOps」第 100–123 段(text/60-fm-risks-and-opportunities-with-ai-in-noops.txt:104,搜「High blast radius」;text/60-fm-risks-and-opportunities-with-ai-in-noops.txt:119,搜「First-time automation」)。 ↩

  32. 出处:「Risks and opportunities with AI in NoOps」第 126–135 段(text/60-fm-risks-and-opportunities-with-ai-in-noops.txt:129,搜「cascading outages」)。 ↩

  33. 出处:「Risks and opportunities with AI in NoOps」第 10–36 段(text/60-fm-risks-and-opportunities-with-ai-in-noops.txt:20,搜「Reduced human toil」)与第 138–155 段(text/60-fm-risks-and-opportunities-with-ai-in-noops.txt:141,搜「competitive strengths」)。 ↩

  34. 出处:「Organizational design for NoOps teams」第 30–181 段(text/61-fm-organizational-design-for-noops-teams.txt:43,搜「Traditional role」;text/61-fm-organizational-design-for-noops-teams.txt:76,搜「Platform engineer」)。 ↩

  35. 出处:「Organizational design for NoOps teams」第 187–207 段(text/61-fm-organizational-design-for-noops-teams.txt:191,搜「AIOps engineer」;text/61-fm-organizational-design-for-noops-teams.txt:197,搜「ISO 42001」)。 ↩

  36. 出处:「Organizational design for NoOps teams」第 210–225 段(text/61-fm-organizational-design-for-noops-teams.txt:216,搜「Automation layer」)。 ↩

  37. 出处:「Organizational design for NoOps teams」第 228–248 段(text/61-fm-organizational-design-for-noops-teams.txt:235,搜「From ownership to oversight」)。 ↩

  38. 出处:「Organizational design for NoOps teams」第 254 段(text/61-fm-organizational-design-for-noops-teams.txt:254,搜「3-6 months」)。 ↩

  39. 出处:「Organizational design for NoOps teams」第 257–288 段(text/61-fm-organizational-design-for-noops-teams.txt:278,搜「60%」;text/61-fm-organizational-design-for-noops-teams.txt:281,搜「2.3x」)。 ↩

  40. 出处:「Roadmap to adopting NoOps in enterprises」第 10–162 段(text/62-fm-roadmap-to-adopting-noops-in-enterprises.txt:10,搜「Assess readiness」;text/62-fm-roadmap-to-adopting-noops-in-enterprises.txt:50,搜「AI cannot learn from chaos」;text/62-fm-roadmap-to-adopting-noops-in-enterprises.txt:142,搜「continuous intelligence」)。 ↩

  41. 出处:「Roadmap to adopting NoOps in enterprises」第 165–182 段(text/62-fm-roadmap-to-adopting-noops-in-enterprises.txt:182,搜「40 minutes」)。 ↩

  42. 出处:「Roadmap to adopting NoOps in enterprises」第 185–209 段(text/62-fm-roadmap-to-adopting-noops-in-enterprises.txt:192,搜「Adopt incrementally」;text/62-fm-roadmap-to-adopting-noops-in-enterprises.txt:207,搜「Govern by design」)。 ↩