IT组织正在采用基于人工智能的工具来改进支持，优化基础设施并预测系统故障，从而释放员工去完成更高价值的任务。
人工智能正一步步的吞噬世界，IT运营也不例外。
尽管还处于部署的早期阶段，企业正在利用人工智能和机器学习来改进技术支持和管理基础设施。在这里，自然语言处理被证明是一个有价值的IT工具。为大多数客户服务聊天机器人提供动力的这项技术，正被用于内部的IT运营，改善技术支持和用户界面。
例如，瑞士信贷集团去年12月推出了一款聊天机器人，帮助处理密码重置和电脑重启等日常请求。
“我们最初有一个只支持语音的支持中心，在处理用户查询方面缺乏效率”，公司的认知和数字服务主管Jennifer Hewit说。
她说，为解决问题而打电话来的员工将不得不排队等待下一个可用的代理，这种方法不能很好地进行扩展。“所以我们想为服务台提供一个新的频道，并引入聊天功能，让我们的用户能更快地得到响应和行动，”她说。
瑞士信贷于2016年底开始考虑此事，并于2017年初选择了IPSoft的Amelia chatbot系统，并于6月份开始安装。到今年年底，它就开始运行了。
“当我们介绍她的时候，她还是个婴儿，”Hewit说，他指的是聊天机器人。“我得说她现在是个婴儿。”我们还在花时间训练她的大脑。
例如，当聊天机器人不能处理请求时，它就会把请求转移给人。聊天机器人跟随着对话，从对话中学习，银行会在该内容进入到聊天机器人之前对它进行审查，以避免错误和偏见的渗入。
新系统为全球40个国家的7.6万用户提供服务，并允许瑞士信贷将其80家技术支持机构中的一些转移至更高级别的支持。“我的目标是到今年年底，让25%的查询自动进入服务台进行处理，”Hewit说。
其最终目标是释放其三分之一的技术支持人员，瑞士信贷在IT中使用人工智能突显了推动这一趋势的动力：通过将更低级别的工作移交给更适合的机器，让IT人员能够推动更深层次的业务价值。
使用AI来保护和激励
得克萨斯州A&M大学系统是另一个让AI在IT部门工作的组织，它部署了来自Endgame的智能助手Artemi，以帮助新入职的员工保护大学不受网络攻击。
“我们监控着11所大学和7个州立机构的网络，”德克萨斯州大学系统安全分析师Barbara Gallaway说。Gallaway的团队包括9名全职员工和8名兼职学生，他们没有处理安全事故所需的经验。
人工智能系统可以让她的员工用浅显的英语提问，帮助培训他们的工作，作为副业。“这是在职培训，同时还要做本职工作，”Gallaway说。
“我们刚刚在一月份进行了新一轮的招聘，他们花了两个小时才弄明白自己在做什么，然后就开始工作了，”她说。“但他们学得更快了，我们的全职员工问问题的人也更少了。”他们在谷歌上的搜索量减少了，观看学习视频的时间也减少了。
她说，AI对招聘也产生了积极影响。两年前，当他们想聘用三名安全分析师时，他们找不到足够多的求职者。
她说：“今年1月，我们的7个职位有88个申请者”。“我们做的事很有趣，广为流传。”但他们实际上需要做各种调查，而不仅仅是坐在那里盯着屏幕，他们需要获得现实世界的经验。我希望能让更多的人对网络安全感兴趣。
基础设施管理
墨菲石油，总部位于阿肯色州，是一家在美国，加拿大和马来西亚开展业务的石油公司，在全球拥有1，200名员工。该公司过去一年来一直将其基础设施从传统的内部部署和托管迁移到云和SaaS上来，但最大的节约来自于为其云基础架构增加了智能化的管理，墨菲石油的数字转换IT主管Mike Orr说道。
“如果你只是将工作负载提升到云端，你无法省下一分钱，”他说。“它甚至可能会让你花更多的钱。”
云确实提供了很大的灵活性，但是需要很多人来调整工作负载，这就增加了工作量。因此，该公司转而使用Turbonomic提供的以人工智能为动力的系统，以便就如何优化基础设施提出建议。但真正的回报来自于墨菲石油对这个系统的熟悉，并信任它能够自动执行布局和大小调整。
“里面有这样一种设置：根据这些经验，我们将采取这些行动，你同意吗?”一旦我们打开它，我们发现软件可以比人做出更好的决定，Orr说。“它让数据驱动决策，而不是直觉和情绪。”
在此之前，Orr有四分之一的全职工作人员只处理票据相关的工作。“现在只需要十分之一，”他说。
这使得墨菲石油能够将员工从基本操作和维护转移到业务支持上来。例如，一名员工正在学习自动化流程，以便公司能够在成熟度曲线上更进一步。
“总是有积压的项目，”Orr说。“但我们不打算裁员。”
确保连接
俄亥俄州的北坎顿学校则面临着另一种基础设施管理挑战：保持整个校园无线网络的畅通。包括确保用户笔记本电脑和移动设备能够正确连接网络。
该网络共有约4400名学生、650名员工、7座大楼、6000至8000台设备，但只有3人负责网络管理。去年8月，该地区转而使用Mist Systems进行无线网络管理，并且还获得了一个新的AI供电接口。
“它确实感觉更快，让我们可以更快地了解各种意外状况，”北坎顿的系统管理员John Fano说，“你可以说，'接入点一是怎么回事'，它就会告诉你所有的信息，然后你就可以进一步深入研究。”
除了自然语言接口，在后端也有能够分析网络活动的人工智能系统。“我们一整年都在用它来寻找网络上我们甚至不知道的正在发生的小事情，”他说。
例如，去年，他的团队花了9个月的时间做数据包捕获和跟踪，以向他们的供应商证明员工笔记本电脑的无线网卡出现了故障。“在Mist下，我们几乎可以实时查看问题，所有信息包的信息，并可以在大约一个小时内重复查找问题，”他说。
Mist通过分析组织自己的数据发现网络问题，并将其与来自其他选择加入数据共享的客户的匿名参考数据相结合。 Mist Systems的首席技术官Bob Friday表示，根据具体算法的不同，学习要么是连续的，要么是批量的。他说，其他算法使用的是监督训练模型，这些模型会按小时不断变化。
由于人工智能被纳入产品中，即使是内部没有人工智能专业知识的企业，仍然可以从这项技术中受益，Friday补充道。
可预测的维护
总部位于东京的Konica Minolta曾以相机而闻名，但在2017年初，它开始在公司内部使用AI驱动的IT基础设施管理工具ScienceLogic，以支持其办公室和IT服务业务，以帮助预测哪些设备即将出现故障。
该公司副首席技术官Dennis Curry表示，起初，这些预测的准确率约为56%，但随着时间的推移，该系统越来越准确。他说：“现在我们可以预测在接下来的两周内95%的故障，这让我们可以减少停机时间，降低整体成本。”
该公司正在将该技术添加到Workplace Hub中，并且该公司的ScienceLogic-powered IT管理平台也将于今年晚些时候推出。
Nlyte软件公司还计划提供一种基于AI的预测性维护工具。 Nlyte采用IBM的Watson技术，利用客户的一般信息来收集有关常用设备的状况，并将其与个体客户环境的学习相结合。
“我们有我们已经建立的模式，我们正将这些模式提供给客户，”该公司首席战略官Enzo Greco说。“但是我们发现，每个客户的环境都略有不同，因此我们也为客户提供了一个工具包，用于创建他们自己的用例，他们自己的AI模式。”
最主要的两种用途是能源优化，比如在哪里放置新服务器以优化散热，以及工作流优化，也就是在哪里放置工作负载。
这些工具通常是由公司定制的，根据他们自己的操作进行定制。现在，有了现成的软件和预先构建的模型，企业就可以快速地启动和运行，而不必在内部部署深入的人工智能技术。
总部位于荷兰的Interxion公司已经看到了利用机器学习来改善运营的好处。几年前，这家在全球13个城市运营着50个数据中心的公司，开始从施耐德电气部署数据中心基础设施管理(DCIM)技术EcoStruxure.
“我们每年都会新建四个数据中心，”公司的首席数据中心技术和工程官员Lex Coors说。“这让我们有机会回顾过去，看看没有任何EcoStruxure的老客户，EcoStruxure的早期版本以及最新版本都在做什么。”
他说，早期的版本很难使用。他们提供了大量信息，但需要更多的工作人员来理解数据并做出决定以加以实施。
“即使使用新系统，它也提供了如此多的建议，”他说。“我整天都在执行这些建议。”
他说，但该产品的最新版本包含了更多的智能功能，现在可以节省成本了。
重置资本支出预算节省了1%至2%的资金。“在维护运营预算中，我看到了10%的下降，所有的分析都带来了好处。”
这是因为该公司可以在正确的时间做适当的维护，以避免设备故障，并且还提出了优化能效的建议。
但即使是最新的版本也需要改进。“今天它可以告诉我要改变到这个温度，明天换到另一个温度，第二天再回到第一个温度，因为那是当时最好的决定，”他说。该系统应该基于长期的预测提出建议，并优先考虑这些建议。他的公司正在与施耐德合作，以改进该系统。
“DCIM系统的机器学习能力仍然有限，”他说。“看看我们现在的数据中心，想想我们可以用机器学习做些什么，显然，现在还不够多。”
但是AI在DCIM中的技术能力可能会不断扩大。
“这是一个全新的领域，是这个行业的一个新发展，而且它很强大，”她说。451 Research的数据中心和关键基础设施的研究主管Rhonda Ascierto表示，Eaton是DCIM领域的另一个供应商。“我认为这是一个将物理数据中心管理与许多其他服务集成在一起的长期演进性变革的开始。随着技术的发展，可能会增加其他数据和服务，包括集成工作负载管理，能源管理，员工服务，安全和网络管理。
她说，所有这些都需要时间来完成，而且数据供应商可以收集的数据越多，他们的平台就会越聪明，也越有价值。因此，客户可以以极低的成本获得这些工具。
局限性
但Forrester Research的分析师Michele Goetz表示，用于IT运营的通用AI平台仍然难以实现。
“目前还没有真正能够替代数据库管理或系统管理员的人工智能系统，”她说。“这些AI解决方案的成熟还需要几年时间，我们也需要时间让企业组织对在IT环境中部署人工智能有一个更好的愿景。”
其中一个挑战是人工智能目前需要大量的训练数据，而这些数据只能用于特定类型的问题。此外，国际数据公司分析师Shannon Kalvar表示，系统之间的对话也需要改进。
“从技术上讲，对于IT服务管理和IT运营管理的融合，我们可以在两到三年内完成，”他说。“它们之间存在技术挂钩。但说实话，我并没有看到太多这样的设计思维。”
他说，这不仅仅是关于自动化流程。“现在，我们依靠人们的经验，支持人们，运营人员，去理解并把它们联系在一起。我不想过分苛刻，有几个供应商正朝这个方向努力，但我们确实还没走到那一步。”
他称之为一个过程抽象层，一种综合智能。
根据Turbonomics调查公司与Red Hat和AppDynamics合作的对750名IT运营经理进行的调查显示，68%的人说他们还没有将人工智能用于IT管理，24%的人说他们正在试验人工智能。
然而，84%的人认为人工智能可以通过创建自组织系统来降低复杂性。
IDC的Kalvar表示：“我认为这是很多人想要实现的目标，但我不确定我们当中有任何人曾经触碰到它。”
