人工智能（AI）和机器学习（ML）仍然被许多人的怀疑，尽管长期历史悠久，在学术界和工业中持续进展，以及众多成功的应用程序。But it’s not hard to understand why: The very concept of an algorithm running on a digital computer being able to duplicate and even improve upon the knowledge and judgement of a highly-experienced professional – and, via machine learning, improve these results over time – still sounds at the very least a bit off in the future. And yet, thanks to advances in AI/ML algorithms and significant gains in processor and storage performance and especially the price/performance of solutions available today, AI and ML are already hard at work in network operations, as we’ll explore below.
在日常运营中采用AI和ML的主要动机包括越来越多的网络解决方案的复杂性，最值得注意的是在无线侧;缺乏足够数量的网络专业人员来处理网络运营的范围增加和规模;持久的要求，以尽量减少劳动密集型的营业费用;并继续努力提高最终用户的生产力，并确保使用多个移动设备同时使用多个移动设备的最终用户，特别是运行时限的应用程序所必需的网络容量。
对人类绩效的基本局限性是另一个因素;假设即使是最好的运营专业人员也可以同时考虑当今网络中存在的变量数量，特别是在跟上新技术和产品的过程中，这是越来越不合理的。因此，在基于AI / ML的产品和基于云的服务中体现智能的智慧正在迅速成为甚至持怀疑态度的前燃烧器兴趣。
定义人工智能和机器学习
AI和ML，同时仍然继续发展，实际上是相对成熟的技术，生产部署返回到20世纪80年代。简单地说，AI是捕获的人类知识的仿真，并设计成算法和经常调用的操作解决方案专家系统。ML是这些算法的能力，基于操作经验，但没有手动干预或传统的重新编程（但是当然，通常通过人类运营专业人员的反馈）。这样的技术神经网络和深度学习经常应用;考虑IBM的Watson解决方案，该解决方案在多种应用中展示了益处。