主要观点总结
本文介绍了阿里云在AIOps领域的实践和创新，特别是在异常检测、故障根因定位、PromQL查询生成等方面的应用。文章还探讨了使用大语言模型（LLM）在可观测性领域的机遇和挑战，并介绍了团队建设的LLMOps产品。
关键观点总结
关键观点1: AIOps在异常检测中的应用
阿里云采用融合多种模型的检测方法进行异常检测，包括基于指标的异常检测算法、基于日志的异常检测算法和基于trace的异常检测算法等。通过综合使用多种算法，可以大幅减少误告警，并明确定位到具体的异常原因。
关键观点2: AIOps在故障根因定位中的应用
阿里云通过利用指标关系、调用链路等信息，采用多种算法进行故障根因定位。实践表明，这种方法可以快速地定位到问题的根源，准确率可以达到80%以上。
关键观点3: 自然语言转PromQL智能机器人的应用
阿里云使用大模型实现自然语言转PromQL的智能机器人，解决了PromQL语法复杂、指标名不一致等问题。通过逐步推理的方法，生成的PromQL查询具有很强的泛化能力，准确率超过80%。
关键观点4: LLMOps产品的应用
阿里云团队建设的LLMOps产品，针对大模型应用的可观测性，提供定制化的埋点收集信息，为研发人员提供优化应用和系统的依据。这个产品将在不久的将来面向外部客户开放。
文章预览
作者｜陈昆仪 博士
编辑｜薛梁 随着 IT 系统的复杂性日益增加，运维和监控领域面临的挑战也随之增长。AIOps 已成为解决这些挑战的有力工具，能够帮助自动化和优化监控流程，并显著提高效率。 在 6 月的深圳 ArchSummit 架构师峰会上，来自阿里云高级算法工程师陈昆仪博士，分享了关于阿里云在可观测智能化上的探索与实践，探讨了智能算法在系统异常检测和故障根因定位方面的应用，如推荐告警阈值、时序预测算法、定位异常服务以及分析错误或缓慢的调用链。此外，还将介绍如何利用 LLM 将自然语言自动转换为 Prometheus 查询语言（PromQL）的技术，简化了查询构建的过程。（以下是演讲整理） 首先，非常感谢大家的到来。我是来自阿里云可观测团队的高级算法工程师，我将从算法工程师的视角来介绍整个 AIOps 在阿里云可观测中的落地
………………………………
