勞動力短缺一直是困擾許多企業的問題。大量初級職缺，大多數零售商店都在招聘，當然平均薪資也在隨之上升。像日本這樣的國家早就出現了這種情況，在利用人工智慧實現更高水準的自動化方面處於領先地位，其目標是用更少的人做更多的事。
以下是人工智慧自動化的一些主要趨勢：
#Great Expectations開放資料品質平台的高級開發倡導者Ruben Orduz表示，從事人工智慧培訓的資料工程師正在認真對待資料品質流程。面臨的一個問題是，現實世界的數據並不整潔或不可預測。它可能會遭受諸如丟失、截斷或無效資料、意外重複和異常等品質問題。
他說，「當使用雜亂的資料來訓練演算法時，其結果可能是災難性的。依賴根據輸入資料進行推斷和調整的機器學習和人工智慧演算法特別容易受到不良資料條件的影響。」
例如，如果企業發送和交付貨物，會收到來自供應商的一組訂單，其中包括名稱、地址和要交付的貨物。人工智慧系統接收這些數據，並使用它來學習和規劃交付路線。如果交付貨物的數量通常為1～30個，但數據在「包數」中突然顯示有數千個包裹，那麼說明這需要雇用更多的送貨司機，這表明這個模型也有偏差。這就是為什麼資料工程師正在努力了解其資料的質量，並使用資料品質平台來識別異常值和受影響的資料的原因。現在做這件事比以往任何時候都容易。工程師可以發現，在資料流進入時運行管道測試，並在進入人工智慧訓練過程之前捕獲異常值。
#思科、Juniper Networks、Gluware和Splunk等許多公司正在投資於人工智慧功能的自動化，以將其應用於網路故障排除和效能診斷。網路運作傳統上需要高度參與的人力資源。人工智慧和數據可以使許多工作自動化。
網路畢竟是一個複雜的系統，包含了大量的技術、架構和覆蓋，導致許多操作點故障和效能問題。網路的人工操作方面同樣具有挑戰性。儘管一些努力將操作集中到網路控制器，但網路管理在很大程度上仍然是人工管理的，並且需要管理人員具備大量專業知識。此外，這項工作主要是探索性的，管理人員試圖在沒有提前洞察或數據的情況下人工得出問題的根源。因此，以傳統方式運行網路的成本很高，無論是在服務停機時間或降級方面，還是在實現解決方案的人力方面。
Gluware公司人工智慧副總裁Stanislav Miskovic說，「利用人工智慧自動化進行分析是一個巨大的機會，我們正在建立一個平台，該平台將利用和統一整個網路堆疊中的真實數據。
人工智慧自動化可以透過多種方式幫助企業降低與網路相關的營運成本：執行根本原因分析和在地化有問題的網站、設備和協議;將基礎設施作為整體及其所有組件進行自主基線化;對已經識別問題的相關性進行排序;例如識別支持證據並向網絡工程師規定補救措施。但在網絡世界中，這些功能中的大多數仍處於起步階段。」
就像網路通常需要透過更多人工智慧實現自動化一樣，網路安全也是如此。隨著威脅變得越來越複雜，企業網路的邊界變得越來越模糊，特別是隨著向雲端平台的過渡，需要分析的資料量遠遠超出了人工檢查的能力。
Miskovic說，「人工智慧和分析是增強安全性的關鍵推動因素。如今，安全性需要涵蓋更廣泛的範圍，如果沒有人工智慧自動化的幫助，這是無法實現的。如果攻擊面太大，資料量太大，那麼無法在沒有人工智慧幫助的情況下進行檢查。」
這促進了使用者和實體行為分析的發展，這是一個純粹的人工智慧驅動的安全領域。另一種人工智慧驅動的安全方法是偵測零時差攻擊或未知事件，如果沒有人工智慧自動化基線分析和異常檢測，這是無法實現的。最後，人工智慧自動化透過對安全警報進行排序、減少警報疲勞和建議糾正措施來幫助安全回應團隊。
即使有所有有助於監控、管理、操作和保護企業基礎設施的產品，它們產生的警報數量以及工程師為解決這些問題所需採取的步驟數量也變得難以處理。基於這個原因，人工智慧驅動的流程自動化正在成為網路營運、安全營運和票證管理不可或缺的一部分。
Miskovic說，「許多人工智慧驅動的解決方案已經開發，在發出警報和解決問題任務的各個方面實現自動化。這些人工智慧自動化解決方案提供了可自訂的劇本，可以在沒有人工幹預的情況下執行許多後勤或補救任務。該系統可以透過識別工程師為解決類似問題所做的模式來自主學習解決問題所需的許多劇本步驟。這些劇本也可以由工程師進行客製化。」
人工智慧引擎和平台很複雜。因此，其他人不可避免地會承擔繁重的工作，並提供人工智慧即服務作為人工智慧作為平台的替代品。
DataProphet公司聯合創辦人、執行長Frans Cronje表示：「隨著企業及其資料科學團隊已經透過人工智慧平台發揮自身優勢，開始透過建構專業團隊以實現人工智慧的附加價值，需要以人工智慧即服務的形式提供深入知識的人工智慧系統將會加速發展。」
以上是2022年五大人工智慧自動化趨勢的詳細內容。更多資訊請關注PHP中文網其他相關文章！
