Vaihe 4 matkalla Self-Driving Network™:iin: avustettu

Tässä vaiheessa matkaamme kohti Self{0}}Driving Networkia olemme käsitelleet dataa-alun perin tekoälyverkon-perustan-ja tutkineet, miten niitä käsitellään pilvessä ja miten ne on muunnettu oivalluksiksi ja suosituksiksi Service Level Expectations (SLE:t) ja luokittimien avulla. Nyt siirrymme tekoälyapuun, jossa tekoäly alkaa olla aktiivisempi verkkotoiminnassa tarjoamalla datan tukemia ratkaisusuosituksia ja, kun se on sallittua, ryhtymällä automaattisiin toimiin ongelmien ratkaisemiseksi.

Tämä muutos kuvastaa laajempaa alan trendiä,{0}}kasvava luottamus tekoälyn kykyyn hallita yhä monimutkaisempia ympäristöjä. IDC Researchin mukaan lähes puolet kyselyyn vastanneista organisaatioista suosii tekoäly{2}}pohjaisia ​​verkonhallintaalustoja, jotka sekä määrittävät että suorittavat toimenpiteitä ongelmien korjaamiseksi ja optimoimiseksi.

Avustetun tekoälyn strateginen arvo

Avustetut tekoälytoiminnot yksinkertaistavat verkkotoimintoja, vähentävät IT-tiimien manuaalista työmäärää ja nopeuttavat ratkaisuaikoja, mikä varmistaa loppukäyttäjille poikkeuksellisen verkon suorituskyvyn ja vapauttaa IT:n keskittymään strategisempiin ja innovatiivisempiin aloitteisiin.

Verkostojen monimutkaistuessa verkkotapahtumien määrä -pienistä virheellisistä määrityksistä suuriin palveluhäiriöihin- kasvaa, mikä tekee IT-tiimien vaikeaksi löytää ja käsitellä kriittisiä tapahtumia. AI-apu pilvi{3}}pohjaisten AIO:iden avulla auttaa IT-tiimejä vähentämään melua. AIOpsin avulla IT-tiimit voivat reagoida ongelmiin nopeasti ja ennakoivasti, koska se tuo esiin korkean{5}}prioriteettiongelmia todisteilla ja ratkaisee ne automaattisesti (IT:n luvalla). Tämä vähentää merkittävästi vianetsintään kuluvaa aikaa ja vapauttaa resursseja keskittyä-arvoltaan korkeampiin strategisiin aloitteisiin, kuten innovaatioihin ja{8}}pitkän aikavälin suunnitteluun.

Tiedoista tekoihin: kuinka avustettu tekoäly toimii

Tehokkaat-tehokkaat, käyttökelpoiset suositukset-joita tukevat selkeät perustelut-tuotetaan suodattamalla sadoista tapahtumista ja reaaliaikaisista-käyttökokemuksista saatuja tietoja edistyneiden matemaattisten algoritmien ja AI/ML-mallien avulla.

Kun IT luottaa hyvin tulokseen, he voivat valtuuttaa AIOps-ratkaisun korjaamaan ongelman automaattisesti. Kun luottamus kasvaa ajan myötä, nämä suositukset voidaan lisätä luotettujen toimien luetteloon, jolloin tekoäly voi ratkaista samanlaiset ongelmat itsenäisesti tulevaisuudessa varoittamatta IT-tiimiä. Täällä AIOps kehittyy IT-tiimin täysivaltaiseksi-jäseneksi ja siirtyy itse-ajotilaan.

Avustetut tekoälytoiminnot jaetaan kolmeen luokkaan:

Optimointi: AI/ML-algoritmit, kuten Radio Resource Management (RRM) ja Network Resource Management (NRM) optimoivat jatkuvasti käyttökokemusta

Suositellut toimenpiteet: Tekoäly paljastaa ratkaisevat ongelmat ja ehdottaa konkreettista, toteutettavissa olevaa suositusta todisteineen

Automaattiset toiminnot: Luotetut suositukset, jotka IT-tiimi on lisännyt valtuutettujen toimintojen luetteloon, jotta tekoäly voidaan suorittaa ilman ihmisen toimia.

Tule mukaan Marvisin, alan-johtavaan tekoälyavustajaan

Me Juniperilla herätämme nämä konseptit henkiin Marvis® AI Assistantilla, joka on keskeinen osa Mist™-sovellusta, tekoäly{0}}natiiviverkkoalustamme. Marvis hyödyntää AI/ML-algoritmeja, kuten RRM ja NRM, optimoidakseen jatkuvasti ja ennakoivasti käyttäjäkokemusta. Marvis Actionsin kautta se tarjoaa sekä suositeltuja että automaattisia toimintoja-jota kutsumme kuljettajan-avustus- ja itse{5}}ajotiloiksi.

Kuljettajan-avustustilassa Marvis tuo esiin suorituskykyyn vaikuttavat-tapahtumat ja suosittelee tehokkaita ratkaisuja, joita tukevat todisteet ongelmista, kuten yhteensopimattomasta laiteohjelmistosta, väärin määritetyistä porteista, huonoista kaapeleista, puuttuvista VLAN-verkoista ja ruuhkautuneista WAN-piireistä.

Kun automaattinen{0}}ajo on käytössä, mikä tarkoittaa, että IT on lisännyt suosituksen luotettujen toimintojen luetteloon, Marvis voi itsenäisesti korjata väärin määritetyt portit, ratkaista portti-jumittuneita ongelmia-ja paljon muuta IT-määrittämien käytäntöjen mukaisesti. Jokainen toiminto, olipa sitten avustettu tai itsenäinen, kirjataan lokiin ja vahvistetaan Marvis Actions -hallintapaneelissa, jotta tiimit voivat tarkastella reaaliaikaista-yhteenvetoa tärkeimmistä ongelmista, suositeltuja korjauksia ja seurata sekä ihmisten-aloitteita että itsenäisiä toimia täyden läpinäkyvyyden ja hallinnan saavuttamiseksi.

Marvis toiminnassa: todellisia{0}}tuloksia

Asiakkaat maailmanlaajuisesti ymmärtävät Marvis Actionsin edut. Esimerkiksi suurella IOTM-yrityksellä oli ajoittain ongelmia Zoom-käyttäjien kanssa Intiassa yli vuoden ajan. Hyödyntämällä Marvisin suuren kokemuksen mallin (LEM) suosituksia, he pystyivät nopeasti tunnistamaan väärin määritetyn VPN-yhdyskäytävän, joka lähetti paketteja Australiaan, mikä aiheutti lisääntynyttä latenssia ja värinää.

Toisessa tapauksessa suuren jälleenmyyjän toiminta oli heikkoa tietyillä myymälöidensä alueilla. Marvis totesi, että ongelma johtui langattomien esittelytuotteiden aiheuttamista häiriöistä ja automaattisesti säädetystä kanavan kaistanleveydestä 40 MHz:stä 20 MHz:iin, mikä optimoi myymäläverkon suorituskyvyn sekä työntekijöiden että asiakkaiden kannalta.

Otetaan seuraava askel kohti autonomiaa

Marvisin avulla IT-tiimit saavat enemmän kuin oivalluksia{0}}he saavat arvokkaan lisän tiimiinsä. Henkilö, joka osaa priorisoida avainongelmat, suositella ja suorittaa korjauksia sekä varmistaa, että korjaukset on toteutettu oikein. Nämä avustetut ominaisuudet tarjoavat ratkaisevan perustan täydelliselle itsenäisyydelle, jolloin IT-tiimit voivat asteittain siirtää rutiinitehtävät tekoälylle ja parantaa suorituskykyä ja tehokkuutta. Yhtä tärkeää on se, että IT-tiimit voivat kerätä arvokasta aikaa keskittyäkseen suurempiin-vaikutuksiin-kuten innovaatioiden edistämiseen ongelmien vianetsinnän sijaan.

Vaihe 4 merkitsee käännekohtaa: tekoäly ryhtyy nyt toimiin sen sijaan, että tekisi vain ehdotuksia. Seuraavassa ja viimeisessä blogissamme tutkimme viimeistä vaihetta matkalla kohti itseohjautuvaa-verkkoa-, jossa tekoäly ei vain auta toimintoja, vaan myös hallitsee niitä. Tutkimme myös, kuinka Juniper johtaa tätä itse{5}}autoa ajavaa matkaa- hyödyntäen Marvis Minijä, suuria kokemusmalleja ja tekoälyä.

Missä tahansa olet tekoälyverkostomatkallasi, Juniper on täällä auttamassa sinua ottamaan seuraavan askeleen.