O que é uma Self-Driving Network?

Uma Self-Driving Network é uma avançada rede orientada por inteligência artificial (IA) que pode se otimizar automaticamente com mínima ou nenhuma intervenção humana. Aproveitando a IA e o aprendizado de máquina (ML), dados de alta qualidade em tempo real e uma arquitetura de rede segura e escalável baseada em nuvem, essa rede aumenta a confiabilidade, a segurança e a eficiência, reduzindo drasticamente a complexidade do gerenciamento de rede tradicional. 

Assim como os carros autônomos – antes considerados ficção científica – a Self-Driving Network é uma realidade cada vez mais próxima. Assim como os veículos autônomos evoluíram da operação manual à condução assistida e, por fim, à operação sem motorista, essas redes estão seguindo uma trajetória semelhante. Elas estão passando do gerenciamento manual e reativo à otimização proativa e autônoma, capaz de autoconfiguração, auto-otimização e autorrecuperação.

Por que a Self-Driving Network é necessária?

Conectividade confiável não é apenas um luxo — é crítica para os negócios. As organizações precisam de redes que forneçam experiências perfeitas, de alto desempenho e seguras em todos os momentos, em todos os casos de uso. As restrições dos recursos de rede, incluindo a escassez de talentos de TI, tornam o gerenciamento manual de rede insustentável. Ao mesmo tempo, as redes estão se tornando mais complexas e as ameaças de segurança estão cada vez maiores. A combinação dessas pressões impulsiona a necessidade da IA e das redes autônomas.

Quais são os benefícios da Self-Driving Network?

A Self-Driving Network transforma as operações de rede, reduzindo a complexidade, melhorando a segurança e aprimorando as experiências do usuário.

Eficiência aprimorada

A automação de fluxo de trabalho orientada por IA minimiza a resolução manual de problemas, permitindo que as equipes de TI se concentrem em iniciativas estratégicas em vez de manutenção de rotina da rede.

Melhor desempenho

Detectando e resolvendo problemas de forma proativa, uma rede de operação autônoma melhora a confiabilidade e reduz o tempo de inatividade.

Melhor escalabilidade

O tempo de integração e configuração é muito reduzido com o uso do autoprovisionamento para nomear dispositivos dinamicamente, atribuí-los a locais e aplicar perfis de configuração de dispositivo.

Segurança mais forte

A segurança também é reforçada, pois os algoritmos de IA podem identificar as ameaças e mitigá-las rapidamente antes que afetem as operações.

Experiências do usuário aprimoradas

A automação de ponta a ponta garante que as redes se adaptem dinamicamente às demandas de tráfego de rede, oferecendo desempenho excepcional aos usuários finais.

Adotando a Self-Driving Network, as organizações ganham uma infraestrutura pronta para o futuro que é mais escalável, segura e resiliente.

Como funciona a Self-Driving Network?

A Self-Driving Network utiliza algoritmos avançados de IA e aprendizado de máquina (ML), alimentados por grandes quantidades de dados de alta qualidade e uma arquitetura escalável, segura e baseada em nuvem. Essa rede usa alertas em tempo real, classificadores e mecanismos de priorização para identificar problemas, recomendar soluções e executar correções. Com o tempo, à medida que os recursos de IA se tornam mais avançados e precisos, a rede se torna cada vez mais capaz de gerenciar a si mesma com mínima ou nenhuma intervenção humana.

Como isso funciona na prática:

• Fase de aprendizagem: A rede monitora a si mesma e constrói uma linha de referência do comportamento normal da rede
• Fase de decisão: Usando modelos de IA, a rede prevê possíveis problemas e toma decisões sobre como responder
• Fase de ação: A rede aplica automaticamente essas decisões para resolver problemas

Quais são os estágios de uma Self-Driving Network?

Uma Self-Driving Network evolui em cinco estágios de sofisticação. À medida que as empresas adotam cada novo nível de automação de rede, elas permitem surgir redes mais confiáveis, seguras e ágeis, adaptáveis às novas demandas em tempo real:

1. Coleta de dados: Dados de alta qualidade da rede são reunidos em tempo real para fornecer as entradas necessárias para os algoritmos de IA e ML
2. Insights: Análises por IA processam esses dados da rede para gerar insights, identificando tendências de desempenho, possíveis interrupções ou ineficiências dentro da rede.
3. Recomendações: Com base nesses insights, a rede gera recomendações de ações para otimizar o desempenho ou resolver problemas. Essas sugestões são priorizadas para resolver as preocupações mais urgentes
4. Autonomia controlada: A rede começa a fazer ajustes de forma autônoma, mas a TI mantém a supervisão. Embora a rede possa tomar ações corretivas, a equipe de TI ainda pode intervir, se necessário, para garantir que a rede opere como o esperado
5. Autonomia total: A IA pode assumir o controle total, fazendo ajustes e otimizações em tempo real sem exigir intervenção humana. As equipes de TI mudam o foco para atividades mais estratégicas à medida que a rede se torna capaz de lidar com tarefas de rotina do gerenciamento

Quais são os principais recursos da Self-Driving Network?

As principais capacidades de uma rede de operação autônoma incluem:

• Operações autônomas: Monitoração contínua da integridade da rede e dos aplicativos em todo o ecossistema, identificando e resolvendo problemas em tempo real sem intervenção manual
• Análise e garantia preditiva: Usando IA e ML, a rede antecipa falhas ou degradações de desempenho antes que elas afetem os usuários finais
• Autoconfiguração: A rede pode configurar novos serviços, dispositivos e aplicativos automaticamente, sem configuração manual
• Autocorreção: Diagnostica e corrige problemas automaticamente, minimizando baixo desempenho ou tempo de inatividade
• Auto-otimização: A rede monitora constantemente o desempenho e se ajusta para otimizar a velocidade, confiabilidade e eficiência, como no uso do rerroteamento para contornar congestionamento ou falha
• Automonitoramento: A rede rastreia continuamente o fluxo de dados, o desempenho do dispositivo e a integridade geral da rede para detectar padrões incomuns que possam indicar problemas de desempenho.
• Segurança adaptativa: A rede identifica ameaças de segurança, como malware, phishing ou ataques de negação de serviço (DoS) e toma ações corretivas
• Redes baseadas em intenção (IBN): Quando as operadoras descrevem os resultados de negócios que desejam alcançar, a rede converte esses objetivos em uma configuração necessária para alcançá-los
• Aplicação de políticas: A rede aplica as políticas de segurança, controle de acesso e qualidade de serviço (QoS) automaticamente em todos os dispositivos conectados

Como os usuários ganham confiança nas redes autônomas?

À medida que uma rede se torna mais autônoma, as equipes de TI devem construir confiança na tomada de decisões da IA. Essa confiança é cultivada ao longo do tempo por meio de desempenho e transparência consistentes. À medida que a IA aprende e melhora continuamente, ela deve demonstrar sua capacidade de fazer avaliações precisas e impulsionar otimizações de rede em todo o ecossistema, melhorando a eficiência geral. Esse desenvolvimento contínuo promove a confiança em sua eficácia.

Para solidificar ainda mais a confiança, os fornecedores devem fornecer transparência nos processos de tomada de decisão da IA, muitas vezes referidos como IA explicável (XAI). Detalhando as tecnologias que levam a essas decisões – como aprendizado por reforço, processamento de linguagem natural e árvores de decisão – os fornecedores ajudam as equipes de TI a entender como a IA chega às suas conclusões. Essa transparência fornece clareza e garantia, garantindo que as ações tomadas pela rede sejam confiáveis e benéficas.

A Self-Driving Network substituirá a equipe de TI?

A Self-Driving Network revela insights que as equipes de TI podem não perceber, identifica rapidamente as causas raiz para economizar horas de resolução de problemas e se cura a si mesma para otimizar o desempenho. O resultado é uma rede que funciona de forma mais inteligente para que as equipes de TI possam se concentrar na inovação em vez de "apagar incêndios".

A Self-Driving Network não eliminará totalmente os empregos de TI, mas mudará a natureza das funções de TI. Embora algumas tarefas de rotina possam ser automatizadas, a necessidade de profissionais qualificados para projetar, gerenciar e supervisionar essas redes continuará sendo crucial. Isso aumentará a demanda por habilidades de nível mais alto, como integração de IA, análise de Big Data e planejamento estratégico.

Juniper e a Self-Driving Network

Com a Mist AI e o Marvis Virtual Network Assistant (VNA), a Juniper está conduzindo uma jornada à Self-Driving Network^™. Juntos, a Mist AI e a Marvis agilizam as operações, aprimoram a segurança e fornecem experiências de usuário excepcionais, reduzindo a complexidade operacional.

A Mist AI coleta continuamente dados de telemetria valiosos de dispositivos de rede e aplicativos em tempo real, agrega-os em uma nuvem de microsserviços segura e escalável e aplica anos de treinamento em IA/ML para fornecer insights acionáveis, recomendações proativas e recursos de autorrecuperação da rede. Essa abordagem otimiza o desempenho, simplifica as operações de rede e reduz a carga das equipes de TI.

Aproveitando mais de uma década de treinamento e desenvolvimento de IA, a Mist AI avançou de maneira constante em eficácia e inteligência, progredindo pelos principais estágios de automação da rede: coleta de dados, geração de insights, recomendações acionáveis, recursos de autorrecuperação, e, por fim, redes totalmente autônomas. À medida que os recursos de IA continuam a evoluir, a Mist AI capacita as equipes de TI reduzindo a solução de problemas manual, permitindo que a rede tome decisões orientadas por dados e execute ações autônomas. Essa evolução contínua ajuda as empresas a ficarem à frente de problemas de desempenho, manterem a integridade ideal da rede e criarem uma infraestrutura de rede mais resiliente, segura e eficiente.

O Marvis VNA, orientado pela Mist AI, atua como uma extensão valiosa da equipe de TI, identificando eventos críticos que afetam o desempenho e fornecendo etapas de correção recomendadas por meio do Marvis Actions. O uso do Marvis não requer conhecimento ou habilidades especializadas, porque ele depende de uma interface conversacional que aproveita o processamento e a compreensão de linguagem natural (PLN e NLU), modelos de linguagem grandes (LLM) e IA generativa (GenAI) para interações intuitivas.