在过去的几年里，人工智能(AI)在解决图像和语音识别、自然语言处理和机器人方面的问题方面取得了重大突破。这些突破得益于计算能力(处理、内存、I/O)的大幅提高以及算法的进步。许多人们熟悉的消费者服务——亚马逊的Alexa和苹果的Siri个人助理、Facebook的自动图像识别、谷歌的在线语言翻译以及特斯拉的自动驾驶汽车模式——都是由人工智能引擎驱动的。
自动化一直是网络行业的主要优先事项。然而，网络设备和软件供应商在利用最先进的人工智能技术进行网络设计和操作方面已经落后。因此，尽管IT团队使用一大堆令人眼花缭乱的指示板来运行他们的网络基础设施，但网络仍然面临着所有熟悉的问题。没有问题的预先警告，当出现问题时，IT团队会进行消防演习，匆忙收集相关数据并进行分析，通常会得出问题与网络基础设施无关的结论。出于同样的原因，任何主要的配置更改或固件升级都是一个痛苦的过程——如果出了问题，通常很少有可见性，直到用户抱怨中断或受损的服务。大型企业应用程序(如Microsoft Office)向云的过渡使事情进一步复杂化，因为流量负载可以快速且不可预测地变化。最后，数以千万计的物联网设备加入网络的威胁迫在眉睫。我们正处于深渊的边缘吗?
幸运的是，事实证明，有新兴的“网络分析”解决方案可以提供帮助。今天的网络从交换机，路由器，服务器和端点中的嵌入式仪器生成大量数据。在美国的典型大型公共大学中，每天产生〜1×1磅数据。可以重用为基于Web的服务开发的“大数据”计算和数据库技术，即使是实时数据也可以处理大量数据。类似地，诸如聚类，自动模型建设和神经网络之类的机器智能技术可用于表征网络的行为和用户的经验。这有助于提供对网络故障的可见性及其对用户体验的影响。使用这些模型，还可以比较网络的网络性能和用户体验。我们已发现这是一种极其强大的能力 - 它提供了在发生问题之前预测问题的能力，为解决方案创建建议，并建议更好的网络配置。
机器学习和数据科学技术非常强大，但在网络应用中应用它们并明智地使用它们的关键是人类智能。在网络社区中存在着大量的部落知识。根据我们的经验，解决现实世界的问题需要将部落领域知识与机器学习和数据科学提供的构建块结合起来。在Aruba，我们一直致力于开发基于这些想法的网络分析解决方案，我们有一些非常有希望的初步结果。在本博客的下一篇文章中，我们将分享从最初的大规模实地试验中获得的更多经验。
