Che cos'è il Self-Driving Network?

Con "Self-Driving Network" si intende una rete avanzata, basata sull'intelligenza artificiale (AI), in grado di ottimizzarsi in modo automatico con un intervento umano minimo o nullo. Sfruttando l'AI e il machine learning (ML), dati di alta qualità in tempo reale e un'architettura di rete basata sul cloud sicura e scalabile, questo tipo di rete migliora l'affidabilità, la sicurezza e l'efficienza, riducendo notevolmente la complessità della gestione di rete tradizionale. 

Proprio come le auto a guida autonoma, un tempo considerate fantascienza, il Self-Driving Network sta diventando sempre più una realtà. Così come i veicoli autonomi sono passati dalla guida manuale a quella assistita e, infine, a quella senza conducente, le reti stanno seguendo un percorso simile. Stanno passando dalla gestione manuale e reattiva all'ottimizzazione proattiva e autonoma, dimostrando di essere in grado di auto-configurarsi, auto-ottimizzarsi e auto-ripararsi.

Perché è necessario un Self-Driving Network?

Una connettività affidabile non è un semplice lusso, è business-critical. Le aziende hanno bisogno di reti in grado di offrire esperienze fluide, ad alte prestazioni e sicure in ogni momento e per tutti i casi d'uso. Le limitazioni delle risorse di rete, compresa la carenza di competenze IT, rendono insostenibile la gestione manuale. Allo stesso tempo, le reti stanno diventando più complesse e le minacce alla sicurezza sempre più gravi. La combinazione di queste pressioni fa emergere la necessità dell'AI e del networking autonomo.

Quali sono i vantaggi del Self-Driving Network?

Il Self-Driving Network trasforma le operazioni di rete riducendo la complessità, aumentando la sicurezza e migliorando le esperienze degli utenti.

Maggiore efficienza

L'automazione del flusso di lavoro basata sull'AI riduce al minimo la risoluzione manuale dei problemi, consentendo ai team IT di concentrarsi su iniziative strategiche anziché sulla manutenzione ordinaria della rete.

Miglioramento delle prestazioni

Rilevando e risolvendo i problemi in modo proattivo, una rete a guida autonoma migliora l'affidabilità e riduce il downtime.

Migliore scalabilità

I tempi di onboarding e configurazione si riducono notevolmente grazie all'auto-provisioning che consente di nominare in modo dinamico i dispositivi, assegnarli ai siti e applicare i profili di configurazione dei dispositivi.

Maggiore sicurezza

Anche la sicurezza è rafforzata, poiché gli algoritmi di intelligenza artificiale sono in grado di identificare e mitigare rapidamente le minacce prima che incidano sulle operazioni.

Esperienza utente migliorata

L'automazione end-to-end fa in modo che le reti si adattino dinamicamente alle richieste di traffico della rete, offrendo prestazioni eccezionali agli utenti finali.

Adottando un Self-Driving Network, le aziende possono ottenere un'infrastruttura a prova di futuro, più scalabile, sicura e resiliente.

Come funziona il Self-Driving Network?

Il Self-Driving Network utilizza algoritmi avanzati di AI e machine learning (ML) che fanno affidamento su grandi quantità di dati di alta qualità e su un'architettura scalabile, sicura e basata sul cloud. Utilizza avvisi in tempo reale, classificatori e meccanismi di assegnazione delle priorità per identificare i problemi, suggerire soluzioni ed effettuare correzioni. Nel corso del tempo, man mano che le capacità dell'AI diventano più avanzate e precise, la rete diventa sempre più in grado di autogestirsi con un intervento umano minimo o nullo.

Come funziona in pratica:

• Fase di apprendimento: la rete si auto-monitora e crea una base di riferimento per il normale comportamento della rete.
• Fase decisionale: utilizzando i modelli AI, la rete prevede i potenziali problemi e prende decisioni in merito alle misure correttive.
• Fase di azione: la rete applica automaticamente queste decisioni per risolvere i problemi.

Quali sono le fasi del Self-Driving Network?

Il Self-Driving Network si perfeziona attraverso cinque stadi di maturità tecnologica progressiva. Man mano che le aziende adottano ogni nuovo livello di automazione di rete, ottengono reti più affidabili, sicure e agili in grado di adattarsi in tempo reale alle esigenze in continua evoluzione:

1. Raccolta dei dati: dati di alta qualità provenienti dalla rete vengono raccolti in tempo reale per fornire gli input necessari per gli algoritmi di AI e ML.
2. Insight: le analisi basate sull'AI elaborano questi dati di rete per generare insight, identificando le tendenze delle prestazioni e potenziali interruzioni o inefficienze all'interno della rete.
3. Raccomandazioni: sulla base di questi insight, la rete genera raccomandazioni per le azioni da intraprendere al fine di ottimizzare le prestazioni o risolvere i problemi. Questi suggerimenti vengono ordinati in base alle priorità per affrontare i problemi più urgenti.
4. Guida autonoma controllata: la rete inizia a introdurre modifiche in modo autonomo sotto la supervisione dell'IT. Anche se la rete può intraprendere azioni correttive, l'IT può comunque intervenire se necessario per garantire che funzioni correttamente.
5. Guida completamente autonoma: l'AI è in grado di assumere il pieno controllo, apportando modifiche e ottimizzazioni in tempo reale senza bisogno di intervento umano. I team IT possono concentrarsi su attività più strategiche poiché la rete è in grado di svolgere in autonomia le operazioni gestionali di routine.

Quali sono le capacità principali di un Self-Driving Network?

Le capacità principali di un Self-Driving Network comprendono:

• Operazioni autonome: monitora continuamente lo stato di salute della rete e delle applicazioni nell'intero ecosistema, identificando e risolvendo i problemi in tempo reale senza interventi manuali.
• Analisi predittiva e assurance: utilizzando l'AI e il machine learning, la rete anticipa i guasti o il degrado delle prestazioni prima che si ripercuotano sugli utenti finali.
• Auto-configurazione: la rete è in grado di configurare automaticamente nuovi servizi, dispositivi e applicazioni senza bisogno di impostazioni manuali.
• Auto-riparazione: identifica e risolve automaticamente i problemi, riducendo al minimo le prestazioni scadenti o il downtime.
• Auto-ottimizzazione: la rete controlla costantemente le prestazioni e si auto-regola per ottenere velocità, affidabilità ed efficienza ottimali, ad esempio reindirizzando il traffico in caso di congestione o guasti.
• Auto-monitoraggio: monitora continuamente il flusso di dati, le prestazioni dei dispositivi e lo stato generale della rete per rilevare modelli insoliti che potrebbero indicare problemi di prestazioni.
• Sicurezza adattiva: la rete identifica le minacce alla sicurezza come malware, phishing o attacchi DoS (denial-of-service) e adotta misure correttive.
• Networking basato sugli intenti (IBN): quando gli operatori descrivono i risultati aziendali che desiderano raggiungere, la rete converte tali obiettivi nella configurazione necessaria per realizzarli.
• Applicazione delle policy: la rete applica automaticamente policy di sicurezza, di controllo degli accessi e di qualità del servizio (QoS) a tutti i dispositivi connessi.

In che modo gli utenti possono acquisire fiducia nelle reti self-driving?

Man mano che la rete diventa sempre più autonoma, i team IT devono promuovere la fiducia nel processo decisionale dell'AI. Questa fiducia si costruisce nel tempo attraverso prestazioni costanti e trasparenza. Man mano che apprende e migliora continuamente, l'AI dovrebbe dimostrare di essere in grado di effettuare valutazioni corrette e promuovere le ottimizzazioni della rete nell'intero ecosistema, aumentando in sostanza l'efficienza complessiva. Questo sviluppo continuo favorisce la fiducia nella sua efficacia.

Per rafforzare ulteriormente la fiducia, i fornitori dovrebbero essere trasparenti riguardo i processi decisionali dell'AI, adottando un approccio spesso definito come AI spiegabile (XAI). Descrivendo in dettaglio le tecnologie alla base di queste decisioni, come l'apprendimento per rinforzo, l'elaborazione del linguaggio naturale e gli alberi decisionali, i fornitori aiutano i team IT a comprendere in che modo l'AI giunge alle sue conclusioni. Tale trasparenza offre chiarezza e rassicurazione, garantendo che le azioni intraprese dalla rete siano affidabili e proficue.

Il Self-Driving Network eliminerà la necessità di personale IT?

Il Self-Driving Network fa emergere insight che ai team IT potrebbero sfuggire, identifica rapidamente le cause radice facendo risparmiare ore di risoluzione dei problemi e si autoripara per garantire prestazioni ottimali. Il risultato è una rete che funziona in modo più intelligente e che permette ai team IT di concentrarsi sull'innovazione anziché sulla gestione delle emergenze.

Anche se il Self-Driving Network non eliminerà completamente i lavori IT, cambierà la natura dei ruoli professionali in questo settore. Anche se sarà possibile automatizzare alcune attività di routine, la presenza di professionisti qualificati per la progettazione, la gestione e la supervisione di queste reti continuerà a essere fondamentale. Aumenterà la richiesta di competenze di livello superiore come l'integrazione dell'AI, l'analisi dei Big Data e la pianificazione strategica.

Juniper e il Self-Driving Network

Con Mist AI e Marvis Virtual Network Assistant (VNA), Juniper guida questo viaggio verso il Self-Driving Network^™. Insieme, Mist AI e Marvis semplificano le operazioni, migliorano la sicurezza e offrono esperienze utente eccezionali, riducendo al contempo la complessità operativa.

Mist AI raccoglie ininterrottamente e in tempo reale dati di telemetria approfonditi provenienti da dispositivi e applicazioni di rete, li aggrega all'interno di un cloud di microservizi sicuro e scalabile e applica anni di addestramento AI/ML per fornire insight attivabili, raccomandazioni proattive e capacità di auto-riparazione della rete. Questo approccio ottimizza le prestazioni, semplifica le operazioni di rete e riduce il carico di lavoro dei team IT.

Grazie a oltre dieci anni di addestramento e sviluppo AI, Mist AI ha compiuto costanti progressi in termini di efficacia e intelligence, sviluppandosi attraverso le fasi principali dell'automazione di rete: raccolta di dati, generazione di insight, raccomandazioni concrete, capacità di auto-riparazione e, infine, networking completamente autonomo. Grazie alla continua evoluzione delle capacità dell'AI, Mist AI rafforza i team IT, riducendo la risoluzione manuale dei problemi poiché consente alla rete di prendere decisioni basate sui dati e compiere azioni autonome. Questa evoluzione incessante aiuta le aziende a prevenire problemi di prestazioni, mantenere uno stato di salute ottimale della rete e creare un'infrastruttura di rete più resiliente, sicura ed efficiente.

Marvis VNA, basato su Mist AI, funge da preziosa estensione del team IT, identificando eventi critici che influiscono sulle prestazioni e fornendo raccomandazioni sulle misure correttive tramite Marvis Actions. L'utilizzo di Marvis non richiede conoscenze o competenze specialistiche perché si basa su un'interfaccia conversazionale che sfrutta l'elaborazione e la comprensione del linguaggio naturale (NLP e NLU), modelli linguistici di grandi dimensioni (LLM) e l'AI generativa (GenAI) per offrire interazioni intuitive.