網絡正朝著自動化和智能化的趨勢發展，企業對人工智能(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絡問題，并對復雜的問題進行即時診斷。

將AI和ML應用到網絡管理中，可以實現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高級總監兼分析師Josh Chessman闡述道，“我擁有很多監控工具，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個網絡問題。”

分析師表示，企業對此類監控工具的應用還處于初期階段。一個癥結在于，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，并分析和優化流量的人將會失望。

IDC研究總監Mark Leary認為，“使用AI一詞來描述新型網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據并相應地調整其輸出的算法。

據專家稱，與用于識別企業網絡中特定問題根源的系統相比，人工智能更準確地應用于該想法的可靠表達。

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

另一個癥結是交叉兼容性。

目前，市場上的大部分產品都是以供應商在其現有產品中添加新功能的形式出現。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品捆綁在一起。

不管這項技術需要克服哪些障礙，ML技術很可能會讓許多IT專業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絡中發生的一切。

雖然這可能是向全網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收活動，而不是救火。完全自動化還需要走很長的路。