在ServiceNow，机器学习和Now Platform中的智能功能使员工可以将问题直接提交给虚拟代理，而无需人工参与即可解决。这样可以最大程度地减少员工提出的问题。 AIOps还使我们能够主动（甚至是预测性地）识别问题，以便在员工知道存在问题之前将其修复。这就是主动IT支持的缩影。

机器学习还通过将问题分配给最合格的运营团队来加快解决速度，而无需绕过人工操作。放在一起，这将降低成本并提高生产率。

仅当您可以无缝连接各个点时，才可以进行主动IT。

如果没有一个IT记录系统，AIOps可以实时访问所有历史事件，问题和更改数据以确定以前发生过的事件，问题，更改和解决方案，这一切都不会发生。不幸的是，太多的IT部门忙于应对孤立的IT工具和分散在多个系统中的数据，使它们陷入被动的手动模式，从而导致成本上升和生产率下降。

了解实时影响

机器学习还有助于实时确定问题的影响。

它通过关联许多不同的数据点（例如角色，时间，位置，服务和应用程序）来做到这一点，以更好地了解事件的影响。例如，如果财务部门抱怨ERP系统出现故障，则机器学习可以自动确保这成为重中之重。这种方法比依靠员工对影响的投入（可能是主观的）要有效得多。

AIOps对于减少本地和云中整个IT领域产生的数千个事件（也称为监视噪声）至关重要。应用AIOps时，监视噪声可以减少99％。 AIOps使用事件相关性，模式识别和异常检测来仅显示需要解决的少数关键警报。

AIOps的最终结果（实际上是它为您的IT运营团队提供的最大价值之一）是能够了解与基础架构有关的问题对关键服务，应用程序或最终用户的确切影响。

看起来很情绪化的穿着黑色衣服的情侣神奇地悬浮着他们的设备。非常Kraftwerk。

主动IT支持的最终目标是预测和预防问题，使用AI识别异常并主动采取完全自动化的行动。理想的情况是对最终用户的影响为零，而运营团队的接触为零。

例如，在ServiceNow，我们最复杂的问题之一就是我们可以主动解决的第一个问题-我们的VPN服务。如今，由于我们的大多数员工都在远程工作，VPN是一项关键任务服务。通过识别防火墙和活动目录中的异常，然后将该数据与端点设备数据相关联，我们可以自动恢复VPN服务。这样，我们降低了运营成本，提高了员工生产率。