在未來十年，IT領域將經歷重大變化，并且，IT管理員的角色將不斷演變，他們將承擔新的職責。未來十年的重大變化包括完全依賴虛擬化自動化和混合云平臺–這些已經成為現代IT領域服務提供商和大型企業(yè)的標準操作程序。

并不是說管理員完全不通過自動化完成IT任務，也不是說數據中心應該完全遷移到公共云或完全留在企業(yè)內部。虛擬化自動化和混合云已經開始影響管理員的日常生活，這些管理員必須開始關注如何部署這些技術來成功實現系統現代化。管理員還必須了解，自動化并不是系統部署和管理的最終目標。

機器人

虛擬化自動化的主要好處之一是消除每個系統中的人工干預和手動編寫腳本。管理員可以集中創(chuàng)建自動化策略并將其推送到設備組。即使是Puppet和Ansible等配置管理供應商也使用自動化技術來完成很多IT操作。

這樣做的結果是，管理員將其網絡的很多管理和自動化操作移交給AI工作者-這通常是管理應用程序的形式。有些AI工作者基于云，例如Microsoft Intune，而其他不是，例如VMware的vSphere平臺。

即使是小型企業(yè)網絡，也依賴某種形式的自動化，盡管它們通常使用管理員精心整理的腳本集。大多數中小企業(yè)尚未超越Microsoft Active Directory強制執(zhí)行的組策略對象(GPO)范疇，并且他們通常采用VMware的分布式資源調度程序(DRS)來自動執(zhí)行任務。

在較大型企業(yè)中，使用GPO和DRS通常不會削減成本。很多人選擇用Turbonomic(以前稱為VMTurbo)來代替DRS，或選擇競爭對手的產品，這些產品可提供改進的資源調度以及資源規(guī)劃和超額配置分析。但是某些端點管理應用程序(例如Intune)會增強GPO，而端點保護應用程序提供了一種實現自動化策略的方法。

自動化策略減少負載，但沒有減少工作量

基于模板和配置文件的策略管理是先前管理方法的邏輯演進。它是一種自動化形式，這種管理使現有管理員能夠解決其業(yè)務范圍內不斷增長的系統數量，從而減少了可用作業(yè)的數量。

管理員通常會利用他們可用的工具在規(guī)定的時間范圍內完成任務。但是，基于工具可用性來選擇所采取的方法非常費力?；谂渲梦募突谀０宓牟呗圆渴鹗构芾韱T可擺脫繁瑣的單獨管理系統工作，不過，由于企業(yè)內部系統的增加，這會引入與定義策略相關的任務。

新型的自動化甚至可以接管管理員的策略定義工作，使這些管理員可以自由地監(jiān)督其他任務。

超越AI和機器學習的炒作

人工智能和機器學習可以為很多管理員減輕定義策略的負擔。端點保護產品越來越多地利用AI和機器學習-不僅有助于檢測安全風險，而且還可以自動確定應采取的策略。

基于云的AI工作者可以關聯有關策略實施的遙測數據，直到系統對安全默認值有了新的認識。此外，自動事件響應不僅有助于標記潛在的安全漏洞，而且還有助于連接安全系統到基礎架構，從而自動隔離高風險系統。

但是部署AI和機器學習技術可能會給某些管理員帶來麻煩。由于策略執(zhí)行自動化是零散的，機器學習革命也是如此-現在需要額外的云管理。

例如，Wi-Fi接入點和相關管理軟件比某些管理員認為的更難部署。也許沒想到的是，這些系統需要極少的發(fā)射功率。否則，這些設備都將無法相互通信，因為周圍區(qū)域中的每個設備都要傳輸自己的信號。

即使部署所有正確的工具，管理員也可能會遇到這樣的麻煩。Wi-Fi環(huán)境是動態(tài)的，如果管理員未正確配置其訪問點，WiFi環(huán)境很容易崩潰。Wi-Fi產品可不斷掃描無線電環(huán)境中的Wi-Fi和藍牙，然后優(yōu)化接入點以服務相關客戶。

就個人而言，人工智能和機器學習并不是改變生活的技術。它們各自都有其優(yōu)勢和用例，特別是對于大型組織。但是AI和機器學習可幫助更好地應對常見痛點問題。

大數據計算分析工具并不是新鮮事物，無論是機器學習還是AI。但是，機器學習和AI已從業(yè)務分析轉向提高IT運營效率?；诨旌显频腁I工作者進入數據中心，是為了幫助企業(yè)利用相同人數管理更多系統。

在未來十年中，管理員使用的工具將繼續(xù)演變。最終，能力更強的AI工作者將管理其他AI工作者，而人類管理員將繼續(xù)前進。企業(yè)將在管理員和工作負載之間增加更多的抽象層，每層都有新的管理級別。某些人可能認為這種效率低下，因為該系統投入了額外的周期、存儲和網絡帶寬來保持工作負載運行。

但是，某些應用程序(例如Netflix)需要這些抽象和自動化層。在某些時候，人類管理員根本無法將系統擴展到與AI和機器學習相同的程度。