人工智能（AI）和机器学习（ML）仍然受到许多IT持怀疑态度，尽管长达数十年的悠久历史，继续学术界和工业界，和众多成功的应用程序中的进步。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.
为通过AI和ML的在每天的日常运作主要动机包括网络解决方案，最明显的是在无线端的复杂性增加;缺乏足够数量的网络专业人员来处理网络业务的日益范围和规模的;无时不在的要求，以最大限度地减少劳动密集型的运营费用;并继续努力提高最终用户的工作效率，并确保网络容量必须在同时使用多个移动设备不断增长的最终用户数量，尤其是运行时间限制的应用程序。
人的行为能力基本限定是另一个因素;这是越来越不合理的假设，即使是最好的操作人员可以同时考虑到出现在今天的网络变量的数量，尤其是在跟上新技术和新产品。其结果是，在基于ML-AI /产品和基于云的服务体现的智慧正在迅速成为甚至怀疑前燃烧器的兴趣。
定义人工智能和机器学习
AI和ML，同时仍继续发展，其实都是相对成熟的技术，具有生产部署可以追溯到20世纪80年代。简单地说，AI是人类知识的捕获和设计到算法和运营解决方案通常被称为仿真专家系统。ML是这些算法以提高其性能的基础上，操作经验的能力，但不具有（来自人操作的专业人员，但是，当然，常经由反馈）手动干预或常规重编程。这些技术为神经网络和深度学习通常施加;考虑IBM的沃森解决方案，这已经证明跨多个应用程序的好处。