机器学习是一个现代化的奇迹，但与任何新技术，见仁见智至于以后会怎样。有些标签是一种时尚，而别人看到无限的应用。
我们坚定地看好阵营。机器学习，即使它的不断发展，已经广泛的理解，和开源库和云计算引擎使这项技术进入到每一个软件工程师。最重要的是，机器学习解决方案，找到自己的方式进入企业网络。我们已经看到机器学习应用，如网络管理，企业安全和物联网的问题。
+同时在网络世界：有个足球雷竞技app微软希望能够把机器学习成主流+
随着各种企业网络厂商和初创公司包括机器学习，他们都采用了非常相似的架构，加强在我们查看网络的方式发生变化。
机器学习引擎几乎总是生活在云中，有很多原因。首先，他们有显著的计算和存储需求，而云是这些的最佳场所。然后，数据集可以通过在客户聚集扩展：如果发生在一个站点的事件和类似的情况被认为在另一方面，它更容易预测什么将接踵而至。和云服务使频繁的更新，使DevOps的调整，因为这些技术的继续发展。
虽然发动机是云计算的居民，将数据从企业网络来源：有些解决方案使用SPAN端口，收集用户数据，而其他自来水从其他网络功能，如DHCP，防火墙，网络管理工作站和WLAN控制平面或API认证服务器。大多数使用的组合。这些解决方案需要的器具被放置在现场，收集数据在本地然后压缩和用于传输到云加密它。
一旦数据到达云，它可被处理。这通常需要一些领域知识。例如，专家素模型通过识别时的各种参数是超出正常或安全阈值。对于Wi-Fi连接，搞不好标志过多错误或重试，低信号电平或链路速度，或者，为了安全起见，用户上传文件到一个遥远的国家的地址。这些事件被记录，然后馈送到一个引擎，识别图案和集群，得出结论如：在这个大楼的用户的37％已被自下午3时看到的不可接受的性能星期五。
机器学习系统识别问题的根本原因
从数据的质量识别显著趋势本身是有用的，但这些系统的进一步走一步，并寻求诊断根源。有时，一个问题可以链接到一个特定的事件，如配置更改或一个家庭的客户端软件升级。或发动机可以比较类似的情况，在同一地点或其他地方，并建议应提高性能的变化。对于“用户的37％，”该解决办法可能是：“增加（这）AP的发射功率13dBm的。”
建议的补救措施是有益的，而且往往是尽可能为企业的愿望。但它是相对简单的具有机器学习引擎自动实施建议的变化，也许通过修改WLAN配置或列入黑名单的用户。这需要激活的API到客户的网络设备。
从现场设备的一般体系结构的镜像数据，压缩和用于传输到云将其加密，处理异常情况，识别顶层问题及其原因，并实现在校正网络可以被用于许多不同的解决方案。我们已经看到几个。
网络管理一直试图提取头条嘈杂事件的质量。从历史上看，这是由阈值，图表和简单的统计技术来实现。机器学习提供更强大的见解，因为它确定了多个维度和站点换档图中的大量数据集。
有机会从一个新的方向接近企业的安全。而不是依靠看门人，如防火墙和用户认证，机器学习引擎将通过分组看内部用户流量包来建立的模式，更重要的是，改变用户的行为。本次监测可以检测从受损的用户帐户或心怀不满的员工，这可能不是，否则被抓住了许多个月的数据泄漏。
随着物联网的发展，机器学习可以通过识别，分类和监控可能被其他人连接到网络的无头设备帮助网络工程师。这提供警报的网络入侵或感染的设备，并将其恢复一些可视性和控制IT组织。
这些机器学习解决方案展示重点在企业网络架构的改变。现有的网络元素感知的事件和交通流，但现在通过API来云的居民服务，然后决定行动，并通过API指示网络元素来执行这些行动举报他们。网络的智能服务功能从连接和分离的流量转发，这可以被看作是一种务实的实现软件定义网络（SDN）架构。