AlphaGo 已經打敗了李世石，而你還不知道什麼是機器學習？

谷歌人工智能 AlphaGo 與韓國棋手李世石 3 月 15 日進行了最後一場較量，最終比賽結果爲 AlphaGo 4：1 勝李世石，人機圍棋大戰巔峯對決至此落幕。我不知道你們有沒有被震撼到，反正個人老闆是被震撼到了（後文會提到我老闆震撼到後有什麼具體表現和行動）。

這篇文章，不想評價圍棋的對局棋譜，也不想昇華到什麼人與智能之爭巴拉巴拉的，由於確實不懂圍棋（猶記得那個丟人的五子棋麼？不止我一人看錯吧！），也不懂如何理解新舊兩代信息模式之爭是個什麼，我只是想不單純的給你們科普一下什麼是機器學習！

如下是維基百科上給出的機器學習三種大同小異的定義：

• 機器學習是一門人工智能的科學，該領域的主要研究對象是人工智能，特別是如何在經驗學習中改善具體算法的性能。
• 機器學習是對能經過經驗自動改進的計算機算法的研究。
• 機器學習是用數據或以往的經驗，以此優化計算機程序的性能標準。

我的以爲理解機器學習不難，可是實施層面上，在某些領域仍是存在必定的技術要求的。我就任的是一家互聯網公司，所參與開發的產品是雲告警平臺 OneAlert ，我能夠絕不臉紅的說，咱們至少走在中國研究雲告警平臺的前沿。在 AlphaGo 與李世石人機圍棋開戰以來，咱們反覆思考咱們的產品要如何更爲人工智能，使用體驗如何更爲極致。固然咱們也隨之作了更多的努力。

在 OneAlert ，咱們花費了至關長的時間實現了IT運維監控系統間的準確告警關聯，在實現準確告警關聯前，一直採用的是告警聚合的方法實現告警壓縮。

咱們使用與IT告警相關的屬性自動標記非結構化的數據，從而建立一個分類機制，使全部跨系統、跨服務、跨位置、跨來源和跨主機的數據中心事件規範化。它獨特並非由於它包含大量的數據，而是由於它對全部 IT 告警都使用通用語言進行定義和操做。

試想爲每一行機器數據建立一個獨特的指紋，並使用仿生安全系統的對應物試着在同一時間打開北京的每一扇門。每一個指紋只可能打開一百萬扇門中的一扇……但當兩個指紋打開同一扇門時，那幾乎能夠判定這兩個指紋來自同一隻手。

這是第一步，是實現大規模準確關聯的先決條件。第二步是學習指紋解鎖那些門時出現的模式。經過關聯跨公司、跨地域和跨數據類型的「指紋匹配」羣集，咱們可創建模式庫來解決問題，以建立世界上最全面的 IT 問題解決方案存儲庫。

以上並不是咱們所作的所有，這些都只是咱們產品爲從此自動化作的一個鋪墊，咱們不是想要只作告警的搬運工，咱們是想搭建一個「生態環境」，造成一個「All for One，One for All」的平臺，包括接收、自動化分派、通知、自動化處理等一系列的流程中全部的 IT 問題，均可以經過 OneAlert 來提供解決方案。

OneAlert 其實不想一直給你們傳達相似「數據科學」、「機器學習」等的概念，而是想讓更多的人瞭解後參與到咱們的項目中，親身體驗，而後更加深入的理解這些術語給咱們的生活帶來了怎樣的震撼。科技時刻在進步，我但願進步的過程當中有大家的參與。 本文轉自 OneAPM 官方博客 參考資料：Hey Silicon Valley, you’re wrong about 「Data Science」 and 「Machine Learning」