Date: 10 4 月, 2017
這是一個兩部分系列的第一篇。 第 2 部分在這裡是可用的。 隨著人工智慧 (AI) 驅動資料科學的發展，我們突出顯示轉移的作用。
你可能認為的詞"人工智慧"或"機器學習"聽起來像時髦的流行語。 在現實中，大部分宣傳這項技術是大肆的真實的。 不同于過去的數次的興奮度和人工智慧，今天的利益不再是一項學術活動。 現在，它已經更快解決問題是過於複雜，只有人類的真實世界需要。 通過虛擬化，IT 團隊獲得進入巨大的種類和數量的機即時資料。 他們想要用來理解和解決的問題在他們的 IT 操作環境。 更重要的，企業看到奉獻預算和資源，利用人工智慧技術，具體機器學習，和深中的值。 他們都使用這個強大的技術分析此資料，以提高效率和性能。
資料科學的救援 
管理虛擬 IT 環境的複雜性強調了傳統 IT 部門。 然而，IT 專業人員發現，解決辦法在於在資料和基於人工智慧的工具，可以利用它。 理解如何強大的資料的過程中大多數都是關於配置、 優化和故障診斷虛擬環境決策中。 早期階段的虛擬化環境監測和管理物理伺服器環境的方式相同。 那就是，IT 專業人員操作離散筒倉 （網路、 存儲、 基礎設施、 應用程式）。 他們用多個基於閾值的工具來監視和管理他們專注于個別指標 — — CPU 利用率、 記憶體利用率、 網路延遲等。 當度量指標超過預設的閾值時，這些工具可創建警報 — — 常常是幾千個單一問題的警報。
如果你比較電腦科學的方法對資料科學 (AI) 的方法，幾個意見變得清晰。 它基於他們用了 20 年的電腦科學原則的傳統方法。 這個基於閾值的方法，在相對靜態、 低容量的物理伺服器環境中誕生。 IT 人員分析個別警報以確定是什麼引起的問題，如何重要的是，以及如何修復它。 然而，與不同的物理伺服器環境中，在虛擬環境中的元件是高度相互依存的不斷變化。 給出了虛擬化系統的巨大增長，IT 專業人員不能作出知情的決定分析單料倉中的警報，一次。
人工智慧、 深入學習和機器學習
要準確的答案，關鍵問題在大型的虛擬化環境中，IT 團隊需要人工智慧-基於分析解決方案。 他們需要一個解決方案能同時考慮所有引起跨 it 基礎設施和應用程式的資料。 在虛擬環境中，元件共用資源，並以微妙的方式與他人交往。 您需要瞭解這些交互作用和模式的他們的行為變化，隨著時間的推移一個解決方案。 它應該瞭解它是如何改變通過商業週刊，隨著季節的變化發生在一年的課程。 最重要的是，它需要做的工作為它的 AI 驅動的解決方案。 它應查明問題的根源、 推薦解決方案、 預測未來的問題，和預測未來的容量需求。