网络正朝着自动化和智能化的趋势发展，企业对人工智能(AI)和机器学习(ML)的需求日益增长，因为它们能够以程序化的方式识别网络问题，并对复杂的问题进行即时诊断。
将AI和ML应用到网络管理中，可以实现对多个管理平台的输入进行整合，以进行集中分析。与其让IT人员手动梳理来自不同设备和应用的报告，不如让机器学习对问题进行快速、自动化的诊断。
Gartner高级总监兼分析师Josh Chessman阐述道，“我拥有很多监控工具，它们都告诉我某些地方出了问题，却没有告诉我问题出在哪里。机器学习最大的优势在于它可以具体识别出，从7种不同的工具中处理的26个网络问题。”
分析师表示，企业对此类监控工具的应用还处于初期阶段。一个症结在于，AI和ML到底意味着什么?那些将AI想象为能够毫不费力地识别入侵者，并分析和优化流量的人将会失望。
IDC研究总监Mark Leary认为，“使用AI一词来描述新型网络管理工具的实际情况，是一种夸大其词的说法。当供应商在谈论他们的AI/ML功能时，如果得到一个诚实的解读，他们正在谈论机器学习，而不是人工智能。”
这两个术语之间并没有严格的定义划分。从广义上讲，它们都描述了相同的概念——可以从多个来源读取数据并相应地调整其输出的算法。
据专家称，与用于识别企业网络中特定问题根源的系统相比，人工智能更准确地应用于该想法的可靠表达。
德勤战略业务负责人Jagjeet Gill表示，“我们可能过度解读了AI这个术语，因为其中一些东西，比如预测性维护，已经在这个领域有一段时间了。”
另一个症结是交叉兼容性。
目前，市场上的大部分产品都是以供应商在其现有产品中添加新功能的形式出现。例如，许多供应商都在添加AIops，因为它有点像一个流行词。
还有一些供应商能够利用机器学习，让企业应用人工智能运维，专注于IT事件管理，例如，Moogsoft和BigPanda。但更常见的是将ML功能与特定厂商的产品捆绑在一起。
不管这项技术需要克服哪些障碍，ML技术很可能会让许多IT专业人士的工作变得轻松简单。拥有这些类型的工具和解决方案是一件好事，它将帮助你随时了解网络中发生的一切。
虽然这可能是向全网络自动化方向迈出的重要一步，这也可能导致IT人员的工作岗位流失。
更有可能的是，机器学习将帮助IT人员腾出更多精力从事更多创收活动，而不是救火。完全自动化还需要走很长的路。
