Explainable AI
Die Logik hinter Mist AI von Juniper
Explainable AI ist die Fähigkeit von Menschen, die Entscheidungen, Vorhersagen oder Handlungen einer KI zu verstehen. Diese Erklärbarkeit ist der Schlüssel zum Aufbau des Vertrauens, das für eine breite Akzeptanz von KI und AIOps erforderlich ist, um deren Vorteile nutzen zu können.
Erfahren Sie mithilfe der folgenden Beispiele für Explainable AI, wie Juniper Mist AI gängige Netzwerk-Herausforderungen löst.
Suche nach defekten Kabeln
Defekte Kabel sind ein Paradebeispiel für ein „Nadel im Heuhaufen“-Problem von Netzwerken – es ist sowohl zeitaufwendig als auch schwierig, ein defektes Kabel manuell aufzuspüren.
Entscheidungsbaum-Algorithmus
Mithilfe eines Entscheidungsbaum-Algorithmus werden Daten zu Kabeln wie Frame-Fehler und einseitiger Datenverkehr analysiert, um festzustellen, ob ein Kupfer- oder Glasfaserkabel eine schlechte Qualität aufweist, die sich wahrscheinlich auf die Erfahrung des Endbenutzers auswirkt.
Auto RRM (Radio Resources Management)
Trotz anfänglicher Planung ändert sich die WLAN-Leistung im Laufe der Zeit aufgrund von Veränderungen der HF-Eigenschaften (Funk) eines Standorts. Die manuelle Anpassung von Funkmodulen kann mühsam und schwierig sein.
Bestärkendes Lernen
Der Reinforcement-Learning-Algorithmus (Bestärkendes Lernen) optimiert HF in Echtzeit auf intelligente und dynamische Weise für die bestmögliche WLAN-Abdeckung, Kapazität und Konnektivität. Dieser Ansatz, der für jeden Standort individuell angepasst werden kann, übertrifft manuelle Einstellungen oder traditionelle feste Algorithmen bei Weitem.
Metriken für Servicelevel-Erwartungen (SLE)
Es kann schwierig sein, tiefgreifende Erkenntnisse über den Zustand und das Verhalten eines Netzwerks zu gewinnen und darüber, wie es sich auf die Erfahrungen der Benutzer auswirkt – ganz zu schweigen von der Erkennung anormaler Bedingungen wie Client-Verbindungsprobleme, beispielsweise nach einem OTA-Update für Android-Software.
Gegenseitige Informationen
SLEs sind ein wichtiges Hilfsmittel, um darzustellen, wie Ihre Benutzer den Netzwerkservice erleben, unabhängig davon, ob sie drahtlos, kabelgebunden oder sogar von außerhalb über das WAN verbunden sind. Der Algorithmus für gegenseitige Information hilft Ihnen herauszufinden, welche Eigenschaften des Netzwerks den größten Einfluss auf den Erfolg oder Misserfolg Ihrer SLEs haben.
Konversationsschnittstelle von Marvis
Mit der zunehmenden Anzahl von Benutzern, Geräten, Anwendungen und der Cloud sowie der zunehmenden Komplexität bei der Verbindung und Sicherung von Standorten wird es immer schwerer möglich, Netzwerke mit herkömmlichen Ansätzen zu betreiben. Manuelle Vorgänge, die eine Anmeldung bei der Befehlszeilenschnittstelle (CLI) einzelner Geräte oder das Durchsuchen von Protokolldateien erfordern, sind nicht mehr ausreichend. Der Schlüssel zur Skalierung ist die Umstellung auf AIOps und die Nutzung eines virtuellen Netzwerkassistenten (VNA). Daher muss ein VNA die menschliche Sprache in die Abläufe des Netzwerks übersetzen.
Verarbeitung natürlicher Sprache (NLP)
NLP unterstützt Marvis bei der Interpretation von Sprache. Fragen Sie Marvis einfach nach dem Zustand des Netzwerks, unzufriedenen Benutzern oder der Fehlerbehebung eines Standorts, und Sie erhalten verwertbare Informationen.
