挑战在于如果IT团队跳过必要的数据考虑因素

那么AI计划很容易出错，虽然AI在IT运营方面投入更多精力，但其依赖的高质量数据来自IT基础架构，尤其是网络基础架构，如果没有准确，精确和一致的输入数据的基础，迁移到AI几乎没有价值-甚至可能使IT团队误入歧途。

AI如何工作

AI使用AI / ML和分析来合并警报，事件，问题，故障单等，并为IT团队提供可行的见解或代表他们自动采取纠正措施。从这个意义上讲，它提供了重点，消除了对永无休止的警报进行分类带来的噪声和疲劳，而转而看表面之下以识别底层系统的实际情况，实际上在许多情况下，AI / ML在检测异常，识别模式，预测事件以及缩小根本原因方面比人类更快更好，因此为采取纠正措施提供了重要的见解。

它还提供了可操作的上下文，使IT团队能够迅速果断地采取行动

限度地利用相关数据和分析数据的上下文洞察力终可以实现自动化的优化和更正……简而言之，就是“自主网络运行”。它还可以帮助确定系统性能的基准并在进行更改时比较关键指标以识别改进，从而可以基于“闭环”自动化进行不断的校正，评估和调整过程，通过连续自动地处理大量数据，AI消除了许多猜测，偏见和指责，同时缩短了平均解决时间，并提高了运营效率。

数据是AI的致命弱点，因为如果没有适当数量的正确频率和高质量的正确数据

AI / ML就无法提供准确的分析，实际上通过得出错误的结论，它可能具有有害作用， 数据如何驱动AI您的系统讲述了整个基础架构中已经发生，将要发生以及将要发生的事情。它位于网络和安全系统生成的连续数据流中。如果您可以阅读和解释该故事，则可以完全理解正在发生的事情。在简单的层次上，这就是AI所做的。

在操作上AI数据从其源流经提取

转换和加载管道，该管道对其进行规范化以进行处理并将其馈送到数据湖中进行分析，与大多数基于AI / ML的系统一样，此数据的质量（其一致性，可靠性，完整性，准确性和准确性）与数据本身同样重要，例如不一致或不完整的源或数据太少会导致盲点和错误的决策，从而可能导致不良体验和业务损失。

您不能错过的基本数据成分

如果数据是推动AI / ML和分析发展的动力，那么当涉及到AI时，纯净的形式的网络数据（即网络数据包数据）就很重要，由于网络连接了从应用程序到IoT设备再到大型组织中的终用户的所有内容，因此它包含了大量有关人员，系统和体验的信息，相反即使问题的根本原因出在其他地方，通常也会在出现问题时首先指责网络，这使得网络数据对于证明自己无罪尤为重要。

从这个意义上讲，网络可以充当整个IT生态系统的应用程序性能，安全性和终用户体验的代理

具体地说，高分辨率网络数据包数据可以为AI提供对问题的洞察力，用户应用程序、云、物联网等的信息流；安全威胁，包括恶意活动，当然还有应用程序性能和相关的终用户体验，但是您如何获得高质量的数据包或流数据？首先从部署可镜像原始网络流量的设备开始，收集的数据通过使用网络数据包代理进行集中汇总和合并，该模块可实时处理，规范化高分辨率网络数据包并将数据转发到AI / ML系统进行AI。某些AI系统可能还会消耗网络流数据，该网络流数据可以由在数据包代理之后插入的专用设备从收集的数据包数据生成。

滚动AI通过着重于网络数据获取来开始AI试点部署

从而形成了可靠的爬网运行方法，这简化了初始部署，因为网络TAP和数据包代理的可用性和普遍性将数据获取的复杂性和风险降到，确保了数据的一致性，可靠性，完整性，准确性和准确性，并允许以后添加其他数据源，因为AI显示了价值。

AI / ML和分析的使用可以帮助IT 团队面对不断增加的警报

复杂性和工作量，从而通过专注于重要的问题而变得更加高效，从而迅速成为一种信念，此外AI通过消除手动工作流程来加快解决时间，但是AI成功的关键是从坚实的基础网络中心数据方法开始。