勞動力短缺一直是困擾很多企業的問題。大量初級職位空缺，大多數零售商店都在招聘，當然平均薪酬也在隨之上升。像日本這樣的國家早就出現了這種情況，在利用人工智能實現更高水平的自動化方面處于領先地位，其目標是用更少的人做更多的事。

以下是人工智能自動化的一些主要趨勢：

1. 人工智能訓練和數據質量

Great Expectations開放數據質量平臺的高級開發倡導者Ruben Orduz表示，從事人工智能培訓的數據工程師正在認真對待數據質量流程。面臨的一個問題是，現實世界的數據并不整潔或不可預測。它可能會遭受諸如丟失、截斷或無效數據、意外重復和異常等質量問題。

他說，“當使用雜亂的數據來訓練算法時，其結果可能是災難性的。依賴于根據輸入數據進行推斷和調整的機器學習和人工智能算法特別容易受到不良數據條件的影響。”

例如，如果企業發送和交付貨物，會收到來自供應商的一組訂單，其中包括名稱、地址和要交付的貨物。人工智能系統接收這些數據，并使用它來學習和規劃交付路線。如果交付貨物的數量通常為1～30個，但數據在“包數”中突然顯示有數千個包裹，那么說明這需要雇傭更多的送貨司機，這表明這個模型也有偏差。這就是為什么數據工程師正在努力了解其數據的質量，并使用數據質量平臺來識別異常值和受影響的數據的原因。現在做這件事比以往任何時候都容易。工程師可以發現，在數據流進入時運行管道測試，并在進入人工智能訓練過程之前捕獲異常值。

2. 人工智能自動化和網絡

思科、Juniper Networks、Gluware和Splunk等許多公司正在投資于人工智能功能的自動化，以將其應用于網絡故障排除和性能診斷。網絡運營傳統上需要高度參與的人力資源。人工智能和數據可以使很多工作實現自動化。

網絡畢竟是一個復雜的系統，包含了大量的技術、架構和覆蓋，導致許多操作點出現故障和性能問題。網絡的人工操作方面同樣具有挑戰性。盡管一些努力將操作集中到網絡控制器，但網絡管理在很大程度上仍然是人工管理的，并且需要管理人員具備大量專業知識。此外，這項工作主要是探索性的，管理人員試圖在沒有提前洞察或數據的情況下人工得出問題的根源。因此，以傳統方式運行網絡的成本很高，無論是在服務停機時間或降級方面，還是在實現解決方案的人力方面。

Gluware公司人工智能副總裁Stanislav Miskovic說，“利用人工智能自動化進行分析是一個巨大的機會，我們正在構建一個平臺，該平臺將利用和統一整個網絡堆棧中的真實數據。

人工智能自動化可以通過多種方式幫助企業降低與網絡相關的運營成本：執行根本原因分析和本地化有問題的站點、設備和協議;將基礎設施作為整體及其所有組件進行自主基線化;對已經識別問題的相關性進行排序;例如識別支持證據并向網絡工程師規定補救措施。但在網絡世界中，這些功能中的大多數仍處于起步階段。”

3. 網絡安全中的人工智能

正如網絡通常需要通過更多人工智能實現自動化一樣，網絡安全也是如此。隨著威脅變得越來越復雜，企業網絡的邊界變得越來越模糊，特別是隨著向云平臺的過渡，需要分析的數據量遠遠超出了人工檢查的能力。

Miskovic說，“人工智能和分析是增強安全性的關鍵推動因素。如今，安全需要覆蓋更廣泛的范圍，如果沒有人工智能自動化的幫助，這是無法實現的。如果攻擊面太大，數據量太大，那么無法在沒有人工智能幫助的情況下進行檢查。”

這促進了用戶和實體行為分析的發展，這是一個純粹的人工智能驅動的安全領域。另一種人工智能驅動的安全方法是檢測零日攻擊或未知事件，如果沒有人工智能自動化基線分析和異常檢測，這是無法實現的。最后，人工智能自動化通過對安全警報進行排序、減少警報疲勞和建議糾正措施來幫助安全響應團隊。

4. 流程自動化

即使有所有有助于監控、管理、操作和保護企業基礎設施的產品，它們產生的警報數量以及工程師為解決這些問題需要采取的步驟數量也變得難以處理。出于這個原因，人工智能驅動的流程自動化正在成為網絡運營、安全運營和票證管理不可或缺的一部分。

Miskovic說，“許多人工智能驅動的解決方案已經開發，在發出警報和解決問題任務的各個方面實現自動化。這些人工智能自動化解決方案提供了可定制的劇本，可以在沒有人工干預的情況下執行許多后勤或補救任務。該系統可以通過識別工程師為解決類似問題所做的模式來自主學習解決問題所需的許多劇本步驟。這些劇本也可以由工程師進行定制。”

5. 人工智能即服務

人工智能引擎和平臺很復雜。因此，其他人不可避免地會承擔繁重的工作，并提供人工智能即服務作為人工智能作為平臺的替代品。

DataProphet公司聯合創始人、首席執行官Frans Cronje表示：“隨著企業及其數據科學團隊已經通過人工智能平臺發揮自身優勢，開始通過構建專業團隊以實現人工智能的附加價值，需要以人工智能即服務的形式提供深入知識的人工智能系統將會加速發展。”