随着互联网的兴起和数字信息的日益普及，机器学习的概念在 1990 年代真正开始蓬勃发展。毫无疑问，围绕机器学习的炒作多年来只增不减，尤其是随着数据驱动算法的商业应用越来越广泛。机器学习现在被视为分析大型数据集以预测某些结果的“灵丹妙药”。IT 部门尤其对基于机器学习的技术产生了浓厚的兴趣，尤其是当 IT 环境变得软件定义并实时生成大量数据时。 更多阅读 大数据改善 大数据提高公司内部领导力的 3 种方式 IT 不是分析。这就是为什么。 罗姆尼援引分析法斥责特朗普 2016 年达沃斯世界经济论坛：CEO 博主 100 强 悼念：罗宾·弗雷·凯里 IT 运营 (Ops) 团队现在正在寻找能够立即检测复杂 IT 环境中异常行为的“更智能”工具。然而，确定是否部署基于机器学习的 IT 运维工具已成为一项艰巨的任务。
了解在投资机器学习 IT 运营
具之前要考虑哪些因素至关重要。考虑到这一点，IT 领导者在采用基于机器学习的 IT 运维方法之前应该考虑以下三个问题： 1）你想完成什么？ 机器学习不是可以在任何地方应用的魔法。事实上，基于机器学习的工具在某些环境中表现更好，这就是为什么考虑您的目标很重要。您是否想使用机器学习工具 数据库 来帮助实现安全、云采用或从“棕地”迁移到“绿地”IT 环境（即基于旧工具的 IT 环境由新技术/工具组成）？ 例如，假设您想出于安全目的使用机器学习工具。亚马逊最近宣布了一项名为“亚马逊机器学习”的新 AWS 服务。该服务背后的目标是使用强大的算法通过在现有数据中寻找模式来创建机器学习模型。Amazon Machine Learning 然后使用这些模型来处理新数据并为您的应用程序生成预测。虽然亚马逊的机器学习服务确实拥有多种优势，例如实时自动分析数据以快速识别系统中的潜在威胁，但回顾性分析实际上可能是更好的方法。
自定义应用程序和数据库
搜索数 TB 的数据。然后，Splunk 会提供所有收集到的数据（包括历史数据）的时间线视图。这些数据也可以被保存并用于根据过去数据的发现来监控警报。实例中根本不需要机器学习方法。然而，当谈到云采用和从棕地迁移到绿地 IT 环境时，基于机器学习的方法被证明是最佳解决方案，因为不断变化需要实时分析大数据。 规模和变化已经到了传统基于规 ALB目录 则的方法不再适用的地步。例如，如果您试图确保服务并保证关键业务应用程序的正常运行时间，IT 团队需要及时发现异常行为。如果您尝试在虚拟化、软件定义的 IT 环境中执行此操作，那么基于机器学习的方法是唯一可以立即发现异常的解决方案。例如，如果您正在分析传入的推文以预测特定结果，则不应依赖对数据（过去的推文）的回顾性分析。相反，您希望实时分析推文以发现异常情况，以便预测未来的结果。
