Exigez plus en utilisant l'IA à la pointe du secteur de Juniper.

Basé sur l'apprentissage par renforcement :

- Optimisation du canal/de la puissance grâce à l'apprentissage par renforcement basé sur l'IA

- L'IA optimise en permanence l'expérience utilisateur (SLE) et limite les interférences en temps réel

- Adaptation dynamique en continu quand le réseau est sous charge en tirant des enseignements de l'expérience client

- Apprentissage et déclassement des canaux DFS déclenchés pour améliorer la disponibilité du réseau

- Les SLE de couverture correspondent à une « étude de couverture » continue

Visionner la vidéo

RRM de base

- surveillera les modèles de défaillance DFS

- Les AP se souviennent de leurs paramètres en cas de coupures de courant

- Pas de changements pendant les « heures de pointe »

ARM - Reconnaissance des schémas de base pour comparer et optimiser les paramètres RF de base uniquement sur les sites gérés :

- Pas une véritable solution IA : ne tire pas parti de l'apprentissage par renforcement pour s'améliorer au fil du temps

- Pas d'ajustement des RF pour optimiser l'expérience utilisateur

- Analyse périodique et statique des données : les mises à jour sont quotidiennes, mais pas dynamiques et continues

- Requiert un conducteur de mobilité et Mobility Master pour l'optimisation RF d'AirMatch

- Appliances de collection des données et serveur NetInsight requis

Algorithme vieux de 15 ans

- Basé sur la façon dont les AP se perçoivent les uns les autres

- Optimisation du canal/de la puissance en se basant uniquement sur le graphe d'interférence des AP

- La RRM est effectuée sur une base statique et périodique lorsque la charge est faible

RRM de base. Pas d'IA/ML, nécessite plusieurs jours de réglage.

- Apprentissage continu grâce au machine learning supervisé

- Analyse de la cause racine de la plupart des problèmes réseau

- Prend en charge les domaines sans fil, filaires et WAN au niveau du site

- Résout les problèmes au lieu de simplement extraire des journaux

- Accessible depuis l'interface utilisateur web ou l'API

- Basé sur plus de 6 ans d'apprentissage continu et un kit complet d'outils de science des données

- Tableau de bord

- Pas d'assistant virtuel

- Tableau de bord

- Pas d'assistant virtuel

- Tableau de bord

- Chatbot annoncé de façon officieuse, mais aucun produit ou bêta disponible

- Tableau de bord et assistant réseau uniquement sur le cloud

- Chatbot appelé Co-Pilot, très limité, pas d'IA. Compatible NLP version 1.0. Pas de requête.

- En version bêta ces 2 dernières années.

- Identifie les anomalies de façon proactive et utilise des outils de science des données pour déterminer la cause racine

- S'appuie sur les SLE filaires et sans fil pour détecter les anomalies

- Algorithme de 3e génération avec ARIMA pour plus d'efficacité

- Détection des anomalies sur les domaines de sécurité Wi-Fi, LAN et WAN

- ChatGPT intégré

- Algorithme de détection des anomalies de 1ʳᵉ génération

- Passe en revue une semaine de données pour trouver des anomalies de base

- Détection limitée des anomalies (DHCP, AAA, utilisation du spectre RF)

- Requiert l'appliance de collecte de données NetInsight

- Algorithme de détection des anomalies de 1ʳᵉ génération

- Détection limitée des anomalies (DHCP, AAA, association, débit)

- Nécessite des appliances Cisco DNA (3 ou plus)

Le client 360 détecte les anomalies de base.

Prise en charge de Pilot et CoPilot.

Algorithme de détection des anomalies de 1ʳᵉ génération.

Détection limitée d'anomalies (latence, débit, durée de communication).

- Marvis Actions Framework pour les modes autonome ou semi-autonome (par ex. : optimisation RF, RMA proactif, AP défectueux, VLAN manquants, câbles défectueux, erreurs de configuration des commutateurs, etc.)

- Validé par Mist

- Service client pour le dépannage ou l'entraînement du système

- Rétroaction en boucle fermée fournissant des informations exploitables ascendantes aux administrateurs

- Tableaux de bord

- Aucune capacité d'autonomie

- Propose des « suggestions »

- Recherche descendante

- creuser

- Tableaux de bord

- Manque d'autonomie, uniquement des fonctionnalités « semi-autonomes » qui fournissent des recommandations aux équipes IT

- Fonctionnalités semi-autonomes très basiques (identification des problèmes d'utilisation des canaux et des mauvaises performances DHCP/AAA que l'équipe IT doit ensuite analyser manuellement)

- Approche descendante - Fichiers journaux nouvelle génération avec recherche poussée

- Tableaux de bord

- Aucune capacité d'autonomie

- Approche descendante - Besoin de « nommer » un utilisateur en difficulté pour commencer toute surveillance active

- Tableaux de bord basés sur des opérations mathématiques basiques.

- Manque d'autonomie, uniquement des fonctionnalités « semi-autonomes » qui fournissent des recommandations aux équipes IT

- Capacités d'autonomie limitées (latence, débit, durée de communication)

Création de surfaces de probabilité dans le cloud et machine learning en continu et non supervisé pour mettre constamment à jour le modèle.

- Triangulation dépendante de la précision du placement sur les cartes

- Erreurs introduites par la variance entre les clients BLE

- Triangulation dépendante de la précision du placement sur les cartes

- Erreurs introduites par la variance entre les clients BLE

- Meridian écarté

- Requiert une appliance CMX sur site (même pour les DNA Spaces)

- Intégration BLE tierce requise

- Triangulation dépendante de la précision du placement sur les cartes. Erreurs introduites par la variance entre les clients BLE

Non

- L'assistance Mist utilise Marvis pour résoudre les problèmes

- L'efficacité de Marvis est évaluée en permanence. En cas d'absence de données ou de réponses pour résoudre un problème d'assistance, nous formons Marvis ou ajoutons les données manquantes

- Lorsque Marvis détecte une défaillance matérielle dans un AP, il effectue une RMA automatique qui limite « l'obligation de preuve » à fournir par les équipes IT et fait remonter le problème directement auprès du fournisseur

- Alors que les déploiements des AP s'accélèrent, aucune augmentation des tickets d'assistance n'a été notée grâce à Mist AI

- Tableaux de bord

- Pas d'IA pour automatiser l'assistance ou accompagner les opérations

- Tableaux de bord

- Manque de capacités d'assistance automatisées pilotées par l'IA

- Aruba AI Assist est un simple bouton qui permet de collecter les journaux et de les envoyer par courrier électronique à l'assistance Aruba pour une analyse manuelle

- Tableaux de bord

- Pas d'IA pour automatiser l'assistance ou accompagner les opérations

- Tableaux de bord.

- Pas de capacités d'assistance automatisée pilotée par l'IA

- Capture des paquets de façon proactive lorsqu'une erreur survient en temps réel

- Plus besoin de reproduire les problèmes, car une PCAP est déclenchée avant chaque défaillance

- Plus besoin d'envoyer des techniciens avec des renifleurs *après* que le problème se soit produit

Visionner la vidéo

Manuelle

- Essentiellement manuelle : capture automatique limitée en cas d'échec d'authentification

- Nécessite un tableau de bord distinct dans le cloud pour le dépannage et l'analyse (Cape Networks)

- Nécessite un réseau overlay de capteurs sans fil Aruba UXI

Capture intelligente de paquets

- un client doit d'abord créer un ticket

- le client est ensuite marqué pour la collecte des données

- pas du tout automatique

Non.