机器正在学习

“人工智能，从一开始年初的时候就有人提。现在，几乎到了你不提人工智能都没法出门这种程度了。”在2017年年底的一天，Dynatrace大中华区总经理琚伟在办公室接受了记者的采访。

事实上，随着工业企业将更多与用户体验、创新和运维有关的优化期望，寄托在数字化转型，与之业务密切相关的各种数字化应用就开始成为一种手段和方式，被广泛应用。然而，所有这些数字化应用越来越多，如何能够将所有这些应用进行统一管理和维护，又成了一个问题。

有一项统计显示，对于用户来讲，单一交易就会使用到82众不同类型的技术。这还仅仅是为了说明企业端一种应用的复杂性。试想，与此相关的各种应用交织在一起，再加上各种代码、应用环境的复杂性……这种来自企业自身应用系统本身所暗藏的风险，也很可能会成为企业业务发展的阿喀琉斯之踵。

“实际上，这些应用一旦建好，就已经到了运维的临界点：业务的运维到底该去怎么做？应该投入多少人合适？”琚伟认为，面对如此复杂、超长链路的企业数字化应用，AI 最大的价值在于，能够代替人去做整个系统的运维：“用机器学习的方式去打通、去理解业务逻辑，去打通交易链路，去提前发现各种各样的问题。这不仅仅是让软件变得更聪明，让业务逻辑变得更容易，而且这也是一个解决企业数字化应用临界点最佳的方式。”

琚伟常常强调Dynatrace实际上是一个以性能优化为主的企业，实际上这一点可以从其产品的演进过程看得出来。

“从技术层面来说，Dynatrace第一代产品是监测的技术，收集到的信息是模拟的，而不是真实的用户信息；第二代技术相当于在企业内部照一个广角的照片，由于缺乏实时性，因此其只能找到问题所在的区域，而无法定位具体哪一行代码出了问题。”2017年8月，Dynatrace在上海发布了Dynatrace Davis，当时大中华区总经理琚伟重点谈到了Dynatrace以往对APM领域技术进步的贡献。

事实上，直到第三代探针技术，Dynatrace就已经成为APM行业的领先技术者。该技术最大的价值在于可以通过数据的反溯，明确定位系统问题所在，甚至可以定义到具体的代码行。

在经历了三个技术阶段后，Dynatrace Davis是Dynatrace将AI技术整合进了其现有APM技术和产品，从而形成的第四代带有明显AI和机器学习标签的APM平台：在明确了问题确切的位置后，自动分析原因和解决问题。

具体来看，在目前Dynatrace提供的解决方案中，首先依托于One Agent全栈式、端到端的智能监控，可针对各类云平台、各层级云环境、物联网环境下的多样化智能设备，监视所有项目，收集所有相关信息和数据。同时，再利用Dynatrace的PurePath和专利技术实现了对每笔交易的跟踪，利用SmartScape实现问题自动发现、自动建模，结合AI自我学习和内置专家系统，以可视化的方式实现性能问题的精准定位，比自动进行原因分析，给出解决问题的可行方法。

从日常监控、运维，到发现问题、解决问题，AI使Dynatrace的服务范畴进一步向前延伸，同时也真正形成了一个端到端的闭环应用维护体系。

随着带有AI属性的产品推出，琚伟明显感觉到在2017年下半年市场的反馈和变化：“我们客户的分布除了传统的电信和金融之外，很大的一个特点是高端制造，而且他们的需求非常迫切。”

在琚伟看来，高端制造业的数字化程度远远超过其他行业，至少超过了很多人的理解。因此在这类企业中，数字化应用也更多、对用户体验的考虑也更清晰。在这种情况下，人工智能技术在APM的落地，实际上给这类企业的数字化应用维护带来了更多利好消息：不仅能够帮助其梳理现有数字化应用之间的关系，自动维护运营现有应用，而且还能够更大程度地建立起企业与用户之间的关联关系。

当然这也是Dynatrace的机会：“明年的重点的行业会是高端制造，继续发力这些龙头企业：他们更关心自己的用户，也更在意自己的业务属性。而且，公司里头越大的领导越容易理解Dynatrace所能提供的价值。”琚伟说。

事实上，从目前行业对于AI或者机器学习的应用角度看，采用的算法和切入的业务都算是非常准确，最核心的问题，是如何能够在应用过程当中，不断用更多有效的数据，校正和优化AI系统给出的结果——毕竟，在很大程度上，AI的价值正是通过不断的迭代才能最终获得。

而这一过程，应该也不会特别拖沓：随着人工智能在更大范围地进行部署，势必会有更多的有效数据被导入系统当中，也许在未来某一天，我们要讨论的问题就不是如何让机器学习，而是如何让机器休息，不要越过人机之间的社会界限。