可解释的人工智能
理解瞻博网络 Mist AI 背后的逻辑
可解释的人工智能是指人类能够理解人工智能做出的决定、预测或行动的能力。这种可解释性是建立广泛采用人工智能和 AIOps 所需的信任和信心的关键，以便获得其优势。
通过以下一组可解释的人工智能示例，了解瞻博网络 Mist AI 如何解决常见的网络挑战。
查找故障电缆
有故障的电缆是大海捞针式网络问题的一个典型示例——手动识别坏电缆既费时又困难。
决策树算法
使用决策树算法，分析电缆数据（如帧错误和单向流量），以确定电缆（无论是铜缆还是光纤）是否表现出可能影响最终用户体验的质量问题。
自动 RRM（无线资源管理）
尽管存在原始规划，但由于站点的 RF（射频）特性会发生变化，Wi-Fi 的性能也会随着时间的推移而改变。手动调整无线电资源可能既麻烦又困难。
强化学习
强化学习算法可智能、动态地实时优化射频，以实现最佳的 Wi-Fi 覆盖范围、容量和连接性。这种方法可以基于每个站点进行量身定制，远远超过依赖手动设置或传统固定算法。
服务级别预期 (SLE) 指标
要获得关于网络状态和行为以及它如何影响最终用户体验的深入可操作的见解，可能具有挑战性，更不用说识别异常情况，如 Android 软件 OTA 更新后的客户端连接问题。
交互信息
SLE 是一个关键工具，它代表了您的用户体验网络提供服务的方式，无论是无线连接、有线连接，还是通过 WAN 在站点外连接。交互信息算法可以帮助您确定哪些网络特性是 SLE 成败的关键。
Marvis 对话界面
随着用户、设备、应用和云的激增，再加上连接和保护站点的日益复杂，使用传统的方法来运维网络已经变得不可能。需要登录到单个设备 CLI（命令行界面）或挖掘日志文件的手动操作无法跟上步伐。扩展的关键是转向 AIOps 并利用虚拟网络助手 (VNA) 的优势。因此，VNA 必须将人类语言转换为网络运维。
自然语言处理 (NLP)
NLP 使 Marvis 能够解释语言。只需向 Marvis 询问有关网络运行状况、不满意的用户或网站故障排除的情况，您就会收到可操作的信息。
