盡管還處于部署的早期階段，企業正在利用人工智能和機器學習來改進技術支持和管理基礎設施。在這里，自然語言處理被證明是一個有價值的IT工具。為大多數客戶服務聊天機器人提供動力的這項技術，正被用于內部的IT運營，改善技術支持和用戶界面。

IT組織正在采用基于人工智能的工具來改進支持，優化基礎設施并預測系統故障，從而釋放員工去完成更高價值的任務。

盡管還處于部署的早期階段，企業正在利用人工智能和機器學習來改進技術支持和管理基礎設施。在這里，自然語言處理被證明是一個有價值的IT工具。為大多數客戶服務聊天機器人提供動力的這項技術，正被用于內部的IT運營，改善技術支持和用戶界面。

例如，瑞士信貸集團去年12月推出了一款聊天機器人，幫助處理密碼重置和電腦重啟等日常請求。

“我們最初有一個只支持語音的支持中心，在處理用戶查詢方面缺乏效率”,公司的認知和數字服務主管Jennifer Hewit說。

她說，為解決問題而打電話來的員工將不得不排隊等待下一個可用的代理，這種方法不能很好地進行擴展。“所以我們想為服務臺提供一個新的頻道，并引入聊天功能，讓我們的用戶能更快地得到響應和行動，”她說。

瑞士信貸于2016年底開始考慮此事，并于2017年初選擇了IPSoft的Amelia chatbot系統，并于6月份開始安裝。到今年年底，它就開始運行了。

“當我們介紹她的時候，她還是個嬰兒，”Hewit說，他指的是聊天機器人。“我得說她現在是個嬰兒。”我們還在花時間訓練她的大腦。

例如，當聊天機器人不能處理請求時，它就會把請求轉移給人。聊天機器人跟隨著對話，從對話中學習，銀行會在該內容進入到聊天機器人之前對它進行審查，以避免錯誤和偏見的滲入。

新系統為全球40個國家的7.6萬用戶提供服務，并允許瑞士信貸將其80家技術支持機構中的一些轉移至更高級別的支持。“我的目標是到今年年底，讓25%的查詢自動進入服務臺進行處理，”Hewit說。

其最終目標是釋放其三分之一的技術支持人員，瑞士信貸在IT中使用人工智能突顯了推動這一趨勢的動力：通過將更低級別的工作移交給更適合的機器，讓IT人員能夠推動更深層次的業務價值。

使用AI來保護和激勵

得克薩斯州A&M大學系統是另一個讓AI在IT部門工作的組織，它部署了來自Endgame的智能助手Artemi，以幫助新入職的員工保護大學不受網絡攻擊。

“我們監控著11所大學和7個州立機構的網絡，”德克薩斯州大學系統安全分析師Barbara Gallaway說。Gallaway的團隊包括9名全職員工和8名兼職學生，他們沒有處理安全事故所需的經驗。

人工智能系統可以讓她的員工用淺顯的英語提問，幫助培訓他們的工作，作為副業。“這是在職培訓，同時還要做本職工作，”Gallaway說。

“我們剛剛在一月份進行了新一輪的招聘，他們花了兩個小時才弄明白自己在做什么，然后就開始工作了，”她說。“但他們學得更快了，我們的全職員工問問題的人也更少了。”他們在谷歌上的搜索量減少了，觀看學習視頻的時間也減少了。

她說，AI對招聘也產生了積極影響。兩年前，當他們想聘用三名安全分析師時，他們找不到足夠多的求職者。

她說:“今年1月，我們的7個職位有88個申請者”。“我們做的事很有趣，廣為流傳。”但他們實際上需要做各種調查，而不僅僅是坐在那里盯著屏幕，他們需要獲得現實世界的經驗。我希望能讓更多的人對網絡安全感興趣。

基礎設施管理

墨菲石油，總部位于阿肯色州，是一家在美國，加拿大和馬來西亞開展業務的石油公司，在全球擁有1,200名員工。該公司過去一年來一直將其基礎設施從傳統的內部部署和托管遷移到云和SaaS上來，但最大的節約來自于為其云基礎架構增加了智能化的管理，墨菲石油的數字轉換IT主管Mike Orr說道。

“如果你只是將工作負載提升到云端，你無法省下一分錢，”他說。“它甚至可能會讓你花更多的錢。”

云確實提供了很大的靈活性，但是需要很多人來調整工作負載，這就增加了工作量。因此，該公司轉而使用Turbonomic提供的以人工智能為動力的系統，以便就如何優化基礎設施提出建議。但真正的回報來自于墨菲石油對這個系統的熟悉，并信任它能夠自動執行布局和大小調整。

“里面有這樣一種設置：根據這些經驗，我們將采取這些行動，你同意嗎?”一旦我們打開它，我們發現軟件可以比人做出更好的決定，Orr說。“它讓數據驅動決策，而不是直覺和情緒。”

在此之前，Orr有四分之一的全職工作人員只處理票據相關的工作。“現在只需要十分之一，”他說。

這使得墨菲石油能夠將員工從基本操作和維護轉移到業務支持上來。例如，一名員工正在學習自動化流程，以便公司能夠在成熟度曲線上更進一步。

“總是有積壓的項目，”Orr說。“但我們不打算裁員。”

確保連接

俄亥俄州的北坎頓學校則面臨著另一種基礎設施管理挑戰:保持整個校園無線網絡的暢通。包括確保用戶筆記本電腦和移動設備能夠正確連接網絡。

該網絡共有約4400名學生、650名員工、7座大樓、6000至8000臺設備，但只有3人負責網絡管理。去年8月，該地區轉而使用Mist Systems進行無線網絡管理，并且還獲得了一個新的AI供電接口。

“它確實感覺更快，讓我們可以更快地了解各種意外狀況，”北坎頓的系統管理員John Fano說，“你可以說，'接入點一是怎么回事'，它就會告訴你所有的信息，然后你就可以進一步深入研究。”

除了自然語言接口，在后端也有能夠分析網絡活動的人工智能系統。“我們一整年都在用它來尋找網絡上我們甚至不知道的正在發生的小事情，”他說。

例如，去年，他的團隊花了9個月的時間做數據包捕獲和跟蹤，以向他們的供應商證明員工筆記本電腦的無線網卡出現了故障。“在Mist下，我們幾乎可以實時查看問題，所有信息包的信息，并可以在大約一個小時內重復查找問題，”他說。

Mist通過分析組織自己的數據發現網絡問題，并將其與來自其他選擇加入數據共享的客戶的匿名參考數據相結合。 Mist Systems的首席技術官Bob Friday表示，根據具體算法的不同，學習要么是連續的，要么是批量的。他說，其他算法使用的是監督訓練模型，這些模型會按小時不斷變化。

由于人工智能被納入產品中，即使是內部沒有人工智能專業知識的企業，仍然可以從這項技術中受益，Friday補充道。

可預測的維護

總部位于東京的Konica Minolta曾以相機而聞名，但在2017年初，它開始在公司內部使用AI驅動的IT基礎設施管理工具ScienceLogic，以支持其辦公室和IT服務業務，以幫助預測哪些設備即將出現故障。

該公司副首席技術官Dennis Curry表示，起初，這些預測的準確率約為56%，但隨著時間的推移，該系統越來越準確。他說:“現在我們可以預測在接下來的兩周內95%的故障，這讓我們可以減少停機時間，降低整體成本。”

該公司正在將該技術添加到Workplace Hub中，并且該公司的ScienceLogic-powered IT管理平臺也將于今年晚些時候推出。

Nlyte軟件公司還計劃提供一種基于AI的預測性維護工具。 Nlyte采用IBM的Watson技術，利用客戶的一般信息來收集有關常用設備的狀況，并將其與個體客戶環境的學習相結合。

“我們有我們已經建立的模式，我們正將這些模式提供給客戶，”該公司首席戰略官Enzo Greco說。“但是我們發現，每個客戶的環境都略有不同，因此我們也為客戶提供了一個工具包，用于創建他們自己的用例，他們自己的AI模式。”

最主要的兩種用途是能源優化，比如在哪里放置新服務器以優化散熱，以及工作流優化，也就是在哪里放置工作負載。

這些工具通常是由公司定制的，根據他們自己的操作進行定制。現在，有了現成的軟件和預先構建的模型，企業就可以快速地啟動和運行，而不必在內部部署深入的人工智能技術。

總部位于荷蘭的Interxion公司已經看到了利用機器學習來改善運營的好處。幾年前，這家在全球13個城市運營著50個數據中心的公司，開始從施耐德電氣部署數據中心基礎設施管理(DCIM)技術EcoStruxure。

“我們每年都會新建四個數據中心，”公司的首席數據中心技術和工程官員Lex Coors說。“這讓我們有機會回顧過去，看看沒有任何EcoStruxure的老客戶，EcoStruxure的早期版本以及最新版本都在做什么。”

他說，早期的版本很難使用。他們提供了大量信息，但需要更多的工作人員來理解數據并做出決定以加以實施。

“即使使用新系統，它也提供了如此多的建議，”他說。“我整天都在執行這些建議。”

他說，但該產品的最新版本包含了更多的智能功能，現在可以節省成本了。

重置資本支出預算節省了1%至2%的資金。“在維護運營預算中，我看到了10%的下降，所有的分析都帶來了好處。”

這是因為該公司可以在正確的時間做適當的維護，以避免設備故障，并且還提出了優化能效的建議。

但即使是最新的版本也需要改進。“今天它可以告訴我要改變到這個溫度，明天換到另一個溫度，第二天再回到第一個溫度，因為那是當時最好的決定，”他說。該系統應該基于長期的預測提出建議，并優先考慮這些建議。他的公司正在與施耐德合作，以改進該系統。

“DCIM系統的機器學習能力仍然有限，”他說。“看看我們現在的數據中心，想想我們可以用機器學習做些什么，顯然，現在還不夠多。”

但是AI在DCIM中的技術能力可能會不斷擴大。

“這是一個全新的領域，是這個行業的一個新發展，而且它很強大，”她說。451 Research的數據中心和關鍵基礎設施的研究主管Rhonda Ascierto表示，Eaton是DCIM領域的另一個供應商。“我認為這是一個將物理數據中心管理與許多其他服務集成在一起的長期演進性變革的開始。隨著技術的發展，可能會增加其他數據和服務，包括集成工作負載管理，能源管理，員工服務，安全和網絡管理。

她說，所有這些都需要時間來完成，而且數據供應商可以收集的數據越多，他們的平臺就會越聰明，也越有價值。因此，客戶可以以極低的成本獲得這些工具。

局限性

但Forrester Research的分析師Michele Goetz表示，用于IT運營的通用AI平臺仍然難以實現。

“目前還沒有真正能夠替代數據庫管理或系統管理員的人工智能系統，”她說。“這些AI解決方案的成熟還需要幾年時間，我們也需要時間讓企業組織對在IT環境中部署人工智能有一個更好的愿景。”

其中一個挑戰是人工智能目前需要大量的訓練數據，而這些數據只能用于特定類型的問題。此外，國際數據公司分析師Shannon Kalvar表示，系統之間的對話也需要改進。

“從技術上講，對于IT服務管理和IT運營管理的融合，我們可以在兩到三年內完成，”他說。“它們之間存在技術掛鉤。但說實話，我并沒有看到太多這樣的設計思維。”

他說，這不僅僅是關于自動化流程。“現在，我們依靠人們的經驗，支持人們，運營人員，去理解并把它們聯系在一起。我不想過分苛刻，有幾個供應商正朝這個方向努力，但我們確實還沒走到那一步。”

他稱之為一個過程抽象層，一種綜合智能。

根據Turbonomics調查公司與Red Hat和AppDynamics合作的對750名IT運營經理進行的調查顯示，68%的人說他們還沒有將人工智能用于IT管理，24%的人說他們正在試驗人工智能。

然而，84%的人認為人工智能可以通過創建自組織系統來降低復雜性。

IDC的Kalvar表示：“我認為這是很多人想要實現的目標，但我不確定我們當中有任何人曾經觸碰到它。”