Explainable AI (XAI)
Begrijp de logica achter Mist AI van Juniper
Explainable AI is het vermogen van mensen om de beslissingen, prognoses of acties van AI te begrijpen. Deze verklaarbaarheid is de sleutel tot het opbouwen van het vertrouwen dat nodig is voor een brede toepassing van AI en AIOps, om er de vruchten van te kunnen plukken.
Ontdek aan de hand van de volgende reeks Explainable AI-voorbeelden hoe Juniper Mist AI veelvoorkomende netwerkuitdagingen oplost.
Defecte kabels vinden
Een defecte kabel is een uitstekend voorbeeld van een netwerkprobleem van het type "een naald in een hooiberg". Het is zowel tijdrovend als moeilijk om een defecte kabel handmatig te vinden.
Beslissingsboomalgoritme
Met behulp van een beslissingsboomalgoritme worden kabelgegevens, zoals framefouten en eenrichtingsverkeer, geanalyseerd om te bepalen of een kabel, hetzij koper of optisch, van slechte kwaliteit is en waarschijnlijk de ervaringen van de eindgebruiker beïnvloedt.
Automatisch RRM (radio resources management)
Ondanks de aanvankelijke planning veranderen wifiprestaties in de loop van de tijd door verschuivingen in de RF-kenmerken van een locatie. Het handmatig aanpassen van radiobronnen kan omslachtig en moeilijk zijn.
Versterkend leren
Het algoritme achter versterkend leren optimaliseert op intelligente en dynamische wijze RF in real time voor de best mogelijke wifidekking, -capaciteit en -connectiviteit. Deze aanpak, die per locatie kan worden aangepast, is veel beter dan vertrouwen op handmatige instellingen of traditionele vaste algoritmen.
Statistieken ten aanzien van de servicelevelverwachting
Het kan een uitdaging zijn om diepgaande bruikbare inzichten te verzamelen over de status en het gedrag van een netwerk en hoe deze de ervaring van eindgebruikers beïnvloedt, laat staan om afwijkende omstandigheden te identificeren, zoals verbindingsproblemen met de klant na bijvoorbeeld een OTA-update van Android-software.
Onderlinge informatie
SLE's zijn een belangrijk instrument dat weergeeft hoe uw gebruikers de netwerkservice ervaren, of ze nu draadloos, bekabeld of zelfs buiten de site via het WAN zijn verbonden. Aan de hand van het algoritme voor onderlinge informatie kunt u uitzoeken welke netwerkkenmerken de grootste invloed hebben op het falen of slagen van uw SLE's.
De gespreksinterface van Marvis
Door de toename van het aantal gebruikers, apparaten en toepassingen en de uitbreiding van de cloud, in combinatie met de toenemende complexiteit van verbindingen en de beveiliging van sites, is het onmogelijk geworden om netwerken met een traditionele aanpak te beheren. Handmatige bewerkingen waarbij men zich moet aanmelden bij de opdrachtregelinterface van afzonderlijke apparaten of waarbij logbestanden moeten worden doorzocht, zijn niet langer haalbaar. De sleutel tot schaalvergroting is de overstap naar AIOps en het gebruik van een virtuele netwerkassistent (VNA). Een VNA moet dus menselijke taal omzetten in netwerkactiviteiten.
Natuurlijke-taalverwerking (NLP)
NLP zorgt ervoor dat Marvis taal kan interpreteren. Vraag Marvis gewoon naar de status van het netwerk, ontevreden gebruikers of over het oplossen van problemen op een site, en u krijgt bruikbare informatie.
