對於人工智慧，我們通過機器學習、深度學習演算法已經有很了很多了解了。但實際上，我們還在人工智慧的初級階段，未來一段時間內可能處於並將長期處於人工智慧初級階段。在人工智慧逐漸「智慧型」的過程中，有一種形態有點意思，那便是知識圖譜。
這是google在2023年5月17日提出的新概念，它本質上是實體之間關係的語義網路，把資訊轉化為知識。日常生活中我們接觸到的資訊是外部的客觀事實，比如這裡有乙隻冰淇淋，它現在是凝固狀態，而知識是對外部客觀規律的歸納和總結，比如冰淇淋的儲存維度是0度以下，大於0度時就會融化。
devops，即研發運維，它指的是技術團隊一種新的軟體研發管理思想，把團隊開發人員和運維人員一體化，將業務需求拆分原子化，使用雲計算、微服務、持續整合交付工具來最大化的將業務流程自動化，對所有的過程進行記錄和分析，使用資料來精準營銷與決策。
在軟體研發過程中，從需求的開發到上線包含很多資料。它包含需求評審確認之後的研發開發工時、測試工時、整個需求上線時長；研發開發過程中的**提交次數、**量；上線過程中的成功發布次數、回滾次數；執行產品的資料中心、物理機、虛擬機器、接入交換機、核心交換機、路由、部署例項。通過一整套資料可以搭建軟硬體研發運維知識圖譜，以全域性的視角只是系統內各個應用、軟體、硬體、虛擬機器、物理機的邏輯、呼叫關係、鏈結關係，幫助研發人員在遇到問題時更好的找到問題、解決問題，幫助產品人員在產品開發時更好的知道風險、解決風險。
研發運維知識圖譜其實很好搭建，它的模型其實是最簡單的。為什麼這麼說呢？因為它的資料**、資料型別、資料結構、使用使用者都是固定的，機器硬體產生的資料、系統之間呼叫的資料、研發工具軟體產生的資料全匯聚到一起，每乙個實體與實體之間的關係也是相對固定的，比如系統間的呼叫關係、部署集群與業務的所屬關係、資料與資料的上下游關係。相對業務所遇到的不同場景的半結構化資料、非結構化資料的收集與處理，實體之間關係的甄別、論證、優化來說，研發運維知識圖譜真的太簡單了。
在研發運維知識圖譜搭建的過程中，我們可以使用圖資料庫來進行儲存。圖資料庫的模式天然就是和知識圖譜匹配的，都以實體為中心，實體與實體之間通過關係鏈結起來，因此採用圖資料庫儲存資料是最好的選擇。此外圖資料庫在查詢資料、獲取資料時效能也很好，不需要像關係型資料庫那麼複雜。圖資料庫的擴充套件性也很好，有新的資料增加時就增加新的實體屬性、關係屬性就好了，不用像關係型資料庫那樣還需要增加新的表、新的字段、新的關聯關係。
在研發運維知識圖譜搭建好了之後，我們就可以基於此建立我們的告警規則了。在系統資料告警中，可以基於告警資料的模型訓練來智慧型建立告警規則，也可以通過人為的經驗值來設定告警閾值，不斷的調整適應。通過人為經驗值就比較簡單了，有經驗的開發同學他會根據所遇到的業務規模、使用者流量、機器系統硬體配置、負載情況來設定，比如設定cpu達到90%時觸發告警，記憶體使用率超過80%時告警。通過資料訓練告警模型就是乙個比較長期的事情，我們需要先採集告警資料，資料分類，歷史發生過的告警次數，準確告警次數來學習告警、分類告警，最後達到**告警。
智慧型運維的目標是實現告警風暴收斂、告警準確**、告警自動恢復、根因自動定位，這也是研發運維中所期待的內容。隨著知識圖譜技術不斷的發展，運維知識圖譜的不斷建設和豐富，告警知識圖譜的不斷優化和完善，人工智慧與devops必定會更好的協同，共同提公升開發運維人員的工作效率，為企業降本提效，為使用者提供更好服務～
我也看看人工智慧
其實，對專家系統，很早以前就已經有了相關概念，大概是在上大學本科時候了。但那時候幾乎是無知的徹底，對ai的知識是一無所知，在書店裡看到此類書籍，譬如，資料探勘，人工智慧，或者什麼類似的東西，都覺得高深莫測。其實現在回過頭來，發現，此類書裡有實際意義的內容的寥寥無幾。人類對此領域還只是瞎子摸象，摸著石...
如何學習人工智慧
從基礎的資料分析 線性代數及矩陣等等入門，只有打好了基礎，後面才好學，不能沒有邏輯的看一塊學一塊。python具有豐富和強大的庫，能夠把用其他語言製作的各種模組 尤其是c c 很輕鬆地聯結在一起。比如3d遊戲中的圖形渲染模組，效能要求特別高，就可以用c c 重寫，而後封裝為python可以呼叫的擴充...
如何學習人工智慧？
1.人工智慧，涉及的範圍廣。當我們在網上搜尋資料學習時很容易走彎路，陷入漩渦迷失自己。所以第一步要確立學習路徑。2.認真學習。勤加練習，多做筆記，與人分享學習成果和心得。學習的道路是枯燥和漫長的，若不給自己找點樂子，又怎麼堅持的下去呢？3.和小夥伴溝通，一起做出一些案例，和專案。網上有些付費的課程其...