Fordern Sie mehr mit der branchenführenden KI von Juniper.

Basierend auf bestärkendem Lernen:

– Optimiert Kanal/Leistung mit KI-gestütztem bestärkendem Lernen

– KI maximiert kontinuierlich die Benutzererfahrung (SLE) und minimiert Störungen in Echtzeit

– Passt sich laufend dynamisch an, während das Netzwerk unter Last aus der Kundenerfahrung lernt

– Lernen und herabgesetzte Priorität für auslösende DFS-Kanäle, um die Netzwerkverfügbarkeit zu verbessern

– Coverage-SLE ist eine fortlaufende „Standortbestimmung“

Sehen Sie sich das Video an

Grundlegender RRM

– Überwacht die DFS-Fehlermuster

– APs merken sich ihre Einstellungen bei Stromausfällen

– Nimmt keine Änderungen in „Stoßzeiten“ vor

ARM – Grundlegende Mustererkennung für Vergleich und Optimierung niedriger RF-Einstellungen nur an verwalteten Standorten

– Keine echte KI-Lösung: Nutzt kein bestärkendes Lernen, um sich mit der Zeit zu verbessern

– Passt RF nicht an, um die Benutzererfahrung zu optimieren

– Analysiert periodische und statische Daten für tägliche, aber nicht laufende dynamische Aktualisierungen

– Erfordert Controller und Mobilitäts-Master für AirMatch RF-Optimierung

– Erfordert Datenerfassungsgeräte und NetInsight-Server

15 Jahre alter Algorithmus

– Basiert darauf, wie APs sich gegenseitig hören

– Optimiert Kanäle/Energie basierend nur auf einem AP-Störungsdiagramm

– RRM wird statisch, regelmäßig bei geringer Last ausgeführt

Grundlegender RRM Ohne KI/ML, erfordert eine mehrtägige Abstimmung.

– Kontinuierliches Lernen durch überwachtes maschinelles Lernen

– Ursachenanalyse für die meisten erkannten Netzwerkprobleme

– Unterstützt drahtlose und kabelgebundene Netzwerke sowie WAN auf Standortebene

– Fehlersuche und -behebung statt Protokollanalyse

– Zugang über Web-Benutzeroberfläche oder API

– Basiert auf über 6 Jahren kontinuierlichen Lernens und einer umfangreichen Data-Science-Toolbox

– Dashboard

– Kein virtueller Assistent

– Dashboard

– Kein virtueller Assistent

– Dashboard

– Chatbot angekündigt, aber noch nicht in Produktion oder als Beta für Kunden verfügbar

– Dashboard und Netzwerkassistent nur in der Cloud.

– Chatbot namens Co-Pilot, sehr eingeschränkt, keine KI. Erlaubt NLP Version 1.0. Keine Abfrage.

– Seit 2 Jahren in der Beta-Phase.

– Identifiziert proaktiv Anomalien und verwendet Data-Science-Tools zur Ursachenbestimmung

– Nutzt sowohl kabelgebundene als auch drahtlose SLEs zur Erkennung von Anomalien

– Algorithmus der 3. Generation mit ARIMA erhöht die Wirksamkeit

– Identifizierung von Anomalien in WLAN, LAN, WAN und Sicherheitsdomänen

– ChatGPT integriert

– Anomalieerkennungs-Algorithmus der 1. Generation

– Geht die Daten einer Woche durch, um einige einfache Anomalien zu finden

– Eingeschränktes Set zur Erkennung von Anomalien (DHCP, AAA, RF-Nutzung)

– Erfordert ein NetInsight Data Collector-Gerät

– Anomalieerkennungs-Algorithmus der 1. Generation

– Eingeschränkte Anomalieerkennung (DHCP, AAA, Zuweisung, Durchsatz)

– Erfordert Cisco DNA-Geräte (3+)

Client 360 verfolgt grundlegende Anomalien.

Pilot und CoPilot werden unterstützt.

Anomalieerkennungs-Algorithmus der 1. Generation.

Begrenzte Anomalien erkannt (Latenz, Durchsatz, Sendezeit).

– Marvis Actions-Framework für selbststeuernden oder assistentengestützten Modus (z. B. Radiofrequenz-Optimierung, proaktive RMA, nicht voll funktionsfähige APs, fehlende VLANs, defekte Kabel, Switch-Konfigurationsfehler usw.)

– Von Mist Systems geprüft

– Kundenservice zur Lösung von Problemen oder zur Schulung des Systems

– Geschlossene Feedback-Schleifen, die Administratoren verwertbare Informationen liefern

– Dashboards

– Keine selbststeuernden Funktionen

– Bietet „Vorschläge“ an

– Von oben nach unten

– Durchsuchen

– Dashboards

– Fehlende Selbststeuerung, hat nur „assistentenunterstützte“ Funktionen mit Empfehlungen an die IT

– Simple assistentengestützte Funktionen (zur Identifizierung von Kanalnutzungs- und DHCP/AAA-Leistungsproblemen, die IT-Mitarbeiter dann manuell überprüfen)

– Suche von oben nach unten bei Protokolldateien der nächsten Generation

– Dashboards

– Keine selbststeuernden Funktionen

– Suche von oben erfordert „Nominierung“ eines betroffenen Benutzers, um eine aktive Überwachung zu beginnen

– Mit grundlegender Mathematik erstellte Dashboards

– Fehlende Selbststeuerung, hat nur „assistentenunterstützte“ Funktionen mit Empfehlungen an die IT

– Eingeschränkte Funktionen für die Selbststeuerung (Latenz, Durchsatz, Sendezeit)

Erstellung von Wahrscheinlichkeitsflächen in der Cloud und eigenständiges maschinelles Lernen, um das Modell kontinuierlich zu aktualisieren

– Triangulation ist abhängig von der präzisen Standortbestimmung

– Fehler durch Schwankungen bei BLE-Clients

– Triangulation ist abhängig von der präzisen Standortbestimmung

– Fehler durch Schwankungen bei BLE-Clients

– Meridian spielt Nebenrolle

– Erfordert CMX-Geräte vor Ort (selbst für DNA Spaces)

– Erfordert BLE-Integration von Drittanbietern

– Triangulation ist abhängig von der präzisen Standortbestimmung Fehler durch Schwankungen bei BLE-Clients

Nein

– Mist Systems Support nutzt Marvis zur Fehlerbehebung

– Effizienz von Marvis wird kontinuierlich bewertet, und wenn Supportanfragen auftreten, die Marvis nicht beantworten kann, trainieren wir Marvis oder fügen die fehlende Datensammlung hinzu

– Wenn Marvis einen Hardwarefehler in einem AP erkennt, kann Marvis automatisch eine RMA bereitstellen, die für IT-Teams den Aufwand durch den Nachweis von Problemen minimiert, anstatt Probleme mit einem Anbieter zu eskalieren

– Obwohl AP-Bereitstellungen schnell zugenommen haben, ist die Zahl der Supporttickets aufgrund von Mist AI gering geblieben

– Dashboards

– Keine Nutzung von KI zur Automatisierung von Supportvorgängen

– Dashboards

– Keine automatisierten, KI-gesteuerten Supportfunktionen

– Aruba KI Assistent ist eine schlichte, manuell zu betätigende Schaltfläche, mit der Protokolle erfasst und per E-Mail zur manuellen Analyse an den Aruba-Support gesendet werden

– Dashboards

– Keine Nutzung von KI zur Automatisierung von Supportvorgängen

– Dashboards

– Keine automatisierten, KI-gesteuerten Supportfunktionen

– Fängt Pakete proaktiv beim Auftreten eines Fehlerereignisses in Echtzeit ab

– Es müssen keine Probleme mehr reproduziert werden, da für jeden Fehler eine PCAP existiert, die vor dem Fehler beginnt und ihn durchspielt.

– Keine Entsendung von Technikern mit Paket-Sniffern mehr, *nachdem* das Problem aufgetreten ist

Sehen Sie sich das Video an

Manuell

– Überwiegend manuell – begrenzte automatische Erfassung von Authentifizierungsfehlern,

– Erfordert ein zusätzliches, separates Cloud-Dashboard für die Fehlerbehebung und Analyse (Cape Networks)

– Erfordert Overlay-Netzwerk mit Aruba UXI-Funksensor-Hardware

Intelligente Paketerfassung

– Erst muss ein Kunde ein Ticket einreichen

– Dann wird der Kunde mit einem Tag markiert, um in Zukunft Daten zu erfassen

– Ganz und gar nicht automatisch

nein.