随着IT公司越来越多地将人工智能、机器学习和所谓的AI Ops技术应用于网络管理，网络数据在公司的成功中发挥着重要作用。人工智能/机器学习技术需要更多数据来学习个人网络、得出见解并提出建议。不幸的是，许多公司在将网络数据输入人工智能工具时遇到了问题。

换句话说，网络部门在采用人工智能技术之前需要对网络数据的访问方式进行现代化改造。

ⓒ 盖蒂图片银行

Enterprise Management Associates 最近对 250 名 IT 专业

人员进行了调查，了解他们使用 AI/ML 驱动的网络管理解决方案的经验，并找到了答案：“AI 驱动的网络：提升网络管理水 为报告指 意大利 WhatsApp 号码数据 数据问题是AI/ML应用于网络管理时遇到的第二个技术难题。网络复杂性被认为是最大的技术挑战。

此外，90% 的受访公司在试用 AI/ML 解决方案时至少遇到了一个与网络数据相关的严重问题。

一家价值 90 亿美元的金融服务公司的 IT 副总裁最近表示，“AI Ops 需要数据来加速工作流程。没有这些数据，AI Ops 就无法使用。对于任何 AI 项目，你需要做的第一件事就是数据。”为了做好准备，你需要查看数据、理解数据并检查差异，”他建议道。

我们来看看 IT 专家在调查中提到的与数据相关的关键问题

提到的最大问题是数据 EK 线索 质量 IT 公司很快就会发现垃圾数据，从而产生垃圾见解。他们还与错误、格式问题和非标准数据作斗争。当 IT 公司将来自多个孤立工具的数据输入第三方 AIOps 解决方案时，很可能会出现此问题。一般 IT 公司至少使用 4 到 15 个工具进行网络管理和监控。每个工具都维护自己的具有不同质量级别的数据库。当 AIOps 解决方案尝试将这些数据集中的见解关联起来时，就会出现问题。