網(wǎng)絡正朝著自動化和智能化的趨勢發(fā)展，企業(yè)對人工智能(AI)和機器學習(ML)的需求日益增長，因為它們能夠以程序化的方式識別網(wǎng)絡問題，并對復雜的問題進行即時診斷。

將AI和ML應用到網(wǎng)絡管理中，可以實現(xiàn)對多個管理平臺的輸入進行整合，以進行集中分析。與其讓IT人員手動梳理來自不同設備和應用的報告，不如讓機器學習對問題進行快速、自動化的診斷。

Gartner高級總監(jiān)兼分析師Josh Chessman闡述道，“我擁有很多監(jiān)控工具，它們都告訴我某些地方出了問題，卻沒有告訴我問題出在哪里。機器學習最大的優(yōu)勢在于它可以具體識別出，從7種不同的工具中處理的26個網(wǎng)絡問題。”

分析師表示，企業(yè)對此類監(jiān)控工具的應用還處于初期階段。一個癥結(jié)在于，AI和ML到底意味著什么?那些將AI想象為能夠毫不費力地識別入侵者，并分析和優(yōu)化流量的人將會失望。

IDC研究總監(jiān)Mark Leary認為，“使用AI一詞來描述新型網(wǎng)絡管理工具的實際情況，是一種夸大其詞的說法。當供應商在談論他們的AI/ML功能時，如果得到一個誠實的解讀，他們正在談論機器學習，而不是人工智能。”

這兩個術(shù)語之間并沒有嚴格的定義劃分。從廣義上講，它們都描述了相同的概念——可以從多個來源讀取數(shù)據(jù)并相應地調(diào)整其輸出的算法。

據(jù)專家稱，與用于識別企業(yè)網(wǎng)絡中特定問題根源的系統(tǒng)相比，人工智能更準確地應用于該想法的可靠表達。

德勤戰(zhàn)略業(yè)務負責人Jagjeet Gill表示，“我們可能過度解讀了AI這個術(shù)語，因為其中一些東西，比如預測性維護，已經(jīng)在這個領域有一段時間了。”

另一個癥結(jié)是交叉兼容性。

目前，市場上的大部分產(chǎn)品都是以供應商在其現(xiàn)有產(chǎn)品中添加新功能的形式出現(xiàn)。例如，許多供應商都在添加AIops，因為它有點像一個流行詞。

還有一些供應商能夠利用機器學習，讓企業(yè)應用人工智能運維，專注于IT事件管理，例如，Moogsoft和BigPanda。但更常見的是將ML功能與特定廠商的產(chǎn)品捆綁在一起。

不管這項技術(shù)需要克服哪些障礙，ML技術(shù)很可能會讓許多IT專業(yè)人士的工作變得輕松簡單。擁有這些類型的工具和解決方案是一件好事，它將幫助你隨時了解網(wǎng)絡中發(fā)生的一切。

雖然這可能是向全網(wǎng)絡自動化方向邁出的重要一步，這也可能導致IT人員的工作崗位流失。

更有可能的是，機器學習將幫助IT人員騰出更多精力從事更多創(chuàng)收活動，而不是救火。完全自動化還需要走很長的路。