Ora trei dimineața, un serviciu cade, iar pe ecran curge o cascadă de zeci de alerte care descriu, de fapt, un singur incident — și ai minute, nu ore, ca să înțelegi ce se întâmplă. Exact această presiune a transformat operarea sistemelor CU ajutorul inteligenței artificiale dintr-un lux într-o necesitate. Dar în jurul nevoii reale a crescut și un munte de marketing: reduceri spectaculoase de MTTR, procente impresionante de zgomot eliminat, cifre pe care nimeni nu le poate reproduce. Înainte de a putea folosi AIOps, trebuie să știi să distingi cele două — și să fixezi contractul de rigoare pe care acest curs îl respectă fără excepție: orice cifră de performanță este o afirmație de furnizor, atribuită explicit sursei sale.
O definiție de lucru pentru AIOps
AIOps înseamnă operarea infrastructurii și a serviciilor digitale CU ajutorul inteligenței artificiale și al agenților autonomi. Scopul este să detectezi, să triezi, să investighezi și — uneori — să remediezi probleme de producție folosind capabilități AI care procesează telemetrie (loguri, metrici, urme de execuție), generează ipoteze de cauză-rădăcină și propun sau execută acțiuni.
Reține distincția centrală care va structura tot cursul:
- AIOps = AI aplicat operării sistemelor IT. Subiectul operat sunt serverele, clusterele Kubernetes, microserviciile, pipeline-urile de livrare, alertele și incidentele.
- MLOps = operarea modelelor de machine learning. Subiectul operat sunt modelele: antrenare, versionare, deployment de modele, monitorizarea driftului, feature stores.
Cele două domenii folosesc cuvinte care sună similar și uneori se intersectează (un sistem AIOps poate conține modele care, la rândul lor, au nevoie de MLOps), dar întrebarea fundamentală este diferită. În AIOps întrebi „cum mențin acest serviciu sănătos folosind AI?". În MLOps întrebi „cum duc și mențin acest model în producție?". Acest curs tratează exclusiv prima întrebare. Operarea modelelor ML ca artefacte de producție este subiectul cursului separat de MLOps (it-06) și nu îl vom dubla aici.
Termenul în context istoric
Termenul AIOps a fost popularizat de firma de analiză Gartner în jurul anului 2016. Inițial acronimul era citit ca „Algorithmic IT Operations" — adică folosirea algoritmilor și a analizei de date pentru a procesa volumele mari de telemetrie pe care echipele de operațiuni nu le mai puteau parcurge manual. Ulterior, pe măsură ce tehnicile de machine learning au devenit centrale, lectura termenului s-a deplasat spre „Artificial Intelligence for IT Operations". Ambele lecturi descriu aceeași idee de bază: când scara sistemelor depășește capacitatea cognitivă umană, ai nevoie de software care să te ajute să găsești semnalul în zgomot.
Este util să reții că AIOps a fost de la început un termen de categorie de piață, nu un standard tehnic. Nu există un comitet care să certifice ce „este" sau „nu este" AIOps. De aceea cursul se ancorează în unelte concrete și reale, nu în definiții de marketing.
Trei generații de operare asistată
Evoluția practică a domeniului poate fi citită în trei valuri suprapuse. Niciunul nu l-a înlocuit complet pe cel anterior; în 2026 toate trei coexistă într-o stivă matură de operațiuni.
Generația 1: monitoring bazat pe reguli (rule-based)
Prima generație este monitoringul clasic, pe care îl folosim de decenii. Definești praguri statice și reguli explicite: „dacă utilizarea CPU depășește 90% timp de cinci minute, declanșează o alertă"; „dacă rata de erori HTTP 5xx trece de 1%, paginează echipa de gardă". Este previzibil, transparent și ușor de auditat. Slăbiciunea lui este rigiditatea: pragurile fixe generează fie prea multe alarme false (în perioade de trafic legitim ridicat), fie ratează degradări lente care nu ating niciodată pragul brut. La scară, rezultatul tipic este oboseala de alerte (alert fatigue): echipa primește atât de multe notificări încât începe să le ignore.
