Wat betekent kunstmatige intelligentie voor netwerken?

De puurste definitie van kunstmatige intelligentie (AI) is software die een taak kan uitvoeren op hetzelfde niveau als een mens. AI speelt een steeds belangrijkere rol bij het bedwingen van complexiteit voor groeiende IT-netwerken.

De proliferatie van apparaten, data en mensen maakt het beheren van IT-infrastructuren moeilijker dan ooit. Omdat de meeste budgetten voor IT hetzelfde blijven of afnemen, moeten bedrijven een manier vinden om de complexiteit op te vangen en kunstmatige intelligentie kan ze daarbij helpen.

Belangrijkste AI-technologieën

AI kan alleen slagen met behulp van machine learning (ML), waarbij algoritmes worden gebruikt om data te ontleden, daarvan te leren en een bepaling of voorspelling te maken zonder dat het daarbij uitdrukkelijke instructies nodig heeft. Dankzij verbeterde berekening- en opslagcapaciteiten, heeft ML zich onlangs geëvolueerd naar modellen met een complexere structuur, zoals deep learning (DL) wat neurale netwerken gebruikt voor nog meer inzicht en automatisering. Natuurlijke taalverwerking (NLP) is een andere trend die heeft gezorgd voor de recentelijke vooruitgang van AI, met name op het gebied van virtuele thuis- en IT-assistenten. NLP gebruikt stem- en woordherkenning voor het vergemakkelijken van interfacing met apparaten door natuurlijke taalsignalen en -vragen.

De rol van AI binnen netwerkomgevingen.

Een AI-systeem bouwen

Zonder de juiste AI-strategie kan IT de zware netwerkvereisten van vandaag de dag simpelweg niet bijhouden. Hier volgen enkele technologie-elementen die een AI-strategie zou moeten bevatten.

Data: Alle AI-oplossingen van betekenis beginnen met een gigantische hoeveelheid kwalitatieve data. AI blijft zijn intelligentie uitbreiden via informatieverzameling en analyses. Hoe gevarieerder de verzamelde data is, hoe slimmer de AI-oplossing wordt. In het geval van realtime-applicaties waarbij veelvoorkomende 'edge'-apparaten betrokken zijn, zoals IoT en mobiele apparaten, is het van het grootste belang om van alle edge-apparaten in realtime de data te verzamelen en die dan snel lokaal of in de nabije omgeving in een edgecomputer of in de cloud te verwerken met AI-algoritmes.
Domeinspecifieke expertise: Ongeacht of ze nu een dokter helpen bij het vaststellen van een kankerdiagnose of dat ze een IT-beheerder helpen met het vaststellen van draadloze problemen, AI-oplossingen hebben gelabelde data nodig die is gebaseerd op domeinspecifieke kennis. Met deze brokken metadata breekt AI problemen op in kleinere segmenten die worden gebruikt om AI-modellen te trainen. Dit kan worden bereikt met het gebruik van ontwerpintentiemetriek. Dit zijn systematisch opgebouwde datacategorieën voor het classificeren en controleren van de draadloze gebruikerservaring.
Toolbox voor datawetenschappen: Zodra het probleem verdeeld is in domeinspecifieke brokken metadata, kan deze metadata aan de krachtige wereld van ML en big data worden gevoerd. Er zouden verschillende technieken, zoals ML met of zonder toezicht en neurale netwerken, moeten worden ingezet om de data te analyseren en bruikbare inzichten te bieden.
Virtuele netwerkassistent.Gezamenlijke filtering is een ML-techniek waar veel mensen mee te maken krijgen als ze een film op Netflix kiezen of iets kopen bij Amazon en aanbevelingen ontvangen voor soortgelijke films of producten. Behalve voor aanbevelingen, kan gezamenlijke filtering ook worden toegepast om grote datasets te doorzoeken en degene te identificeren en te correleren die een AI-oplossing vormen voor een bepaald probleem.

In AI voor networking kan de virtuele netwerkassistent in een mobiele omgeving optreden als een virtuele draadloze expert die complexe problemen kan oplossen. Stel je een virtual network assistant voor die kwalitatieve data, domeinexpertise, en syntaxis (statistieken, indelers, onderliggende oorzaken, correlaties en scores) kan combineren om zo voorspellende aanbevelingen te bieden over hoe je problemen kunt voorkomen en die stappen kan aandragen over hoe je bestaande problemen kunt oplossen. Het kan nuances van draadloze netwerk leren en vragen beantwoorden zoals 'Wat ging er mis?' en 'Waarom gebeurde dat?' Dit zijn voorbeelden van geautomatiseerde voordelen die door AI mogelijk zijn.

Voordelen in de praktijk

Er is een grote hype rondom AI en dat kan verwarring en verkeerde verwachtingen creëren. Maar AI voor networking is heel echt en levert nu al aanzienlijke waarde op voor ondernemingen in bijna elke branche. Er bestaan veel voorbeelden van hoe AI-gestuurde netwerken uw omgeving kunnen helpen.

Afwijkingen in tijdreeksen detecteren.Veel apparaten die lopen op netwerken van vandaag de dag, zijn 20 jaar geleden uitgevonden en ondersteunen geen huidige beheerberichten. AI kan afwijkingen in tijdreeksen detecteren dankzij correlaties die netwerkbeheerders in staat stellen om snel verbanden te vinden tussen gebeurtenissen die zelfs een doorgewinterde netwerkspecialist anders niet snel zou hebben gevonden.
Correlatie van gebeurtenissen en oorzaakanalyse.AI kan diverse datamining-technieken gebruiken om binnen luttele minuten terabytes aan data te doorzoeken. Hierdoor kunnen IT-afdelingen snel vaststellen welke netwerkeigenschap (bijvoorbeeld OS, apparaattype, toegangspunt of switch) het meest gerelateerd is aan een netwerkprobleem, en worden problemen sneller opgelost.
Gebruikerservaringen voorspellen.Tegenwoordig gebeurt de verdeling van bandbreedte voor applicaties vaak via capaciteitsplanning en handmatige aanpassingen. Binnenkort zal AI echter in staat zijn om het internetgedrag van een gebruiker te voorspellen, zodat systemen de bandbreedtecapaciteit kunnen aanpassen door te kijken naar welke applicaties op welke momenten gebruikt worden. Handmatige planning zal plaatsmaken voor voorspellende analyse gebaseerd op vroegere trends en huidige kalenderinformatie.
Zelfsturend.Dankzij AI kunnen IT-systemen zelfcorrecties uitvoeren om een maximale uptime te bereiken en kunnen ze acties voorschrijven voor het verhelpen van problemen. Daarnaast zijn netwerken met AI in staat om data te verzamelen en op te slaan voordat netwerkgebeurtenissen of -uitvallen plaatsvinden en zo troubleshooting te versnellen.

Door de huidige convergentie van verschillende technologieën kan AI de networkingbranche volledig ontwrichten met geavanceerde inzichten en automatisering. AI helpt met het verlagen van IT-kosten en assisteert bedrijven bij het behalen van hun doelen omtrent het leveren van de beste IT- en gebruikerservaringen.

Veel voorkomende vragen over AI voor netwerken

Wat zijn voorbeelden van AI die in gebruik zijn voor netwerken?

Op het gebied van netwerken kan AI het aantal probleemtickets verminderen en problemen oplossen voordat de klant of zelfs de IT-afdeling weet dat er een probleem is. Correlatie van gebeurtenissen en oorzaakanalyse kunnen verschillende datamining-technieken gebruiken om snel de netwerkentiteit te identificeren die bij een probleem betrokken is of het netwerk zelf van risico's ontdoen. AI wordt ook gebruikt in netwerken bij het onboarden, implementeren en het oplossen van problemen in de campusfabrics in greenfield scenario's, waardoor Day 0 tot 2+ operaties eenvoudiger en minder tijdrovend worden.

Hoe transformeert AI netwerken?

AI speelt een steeds belangrijkere rol bij het bedwingen van de complexiteit van groeiende IT-netwerken. AI maakt het mogelijk om problemen snel te ontdekken en te isoleren door afwijkingen te correleren met historische en realtime gegevens. Op die manier kunnen IT-teams verder opschalen en hun aandacht verleggen naar meer strategische en hoogwaardige taken en niet meer naar het resource-intensieve datamining dat nodig is om de naald-in-de-hooibergprobleempjes die netwerken teisteren, te identificeren en op te lossen.

Welke AI voor netwerkoplossingen biedt Juniper?

Marvis Virtual Network Assistant is een uitstekend voorbeeld van het gebruik van AI in netwerken. Marvis biedt natuurlijke-taalverwerking (NLP), een conversationele interface, voorschrijvende acties en Self-Driving Network™-operaties om activiteiten te stroomlijnen en gebruikerservaringen van klant naar cloud te optimaliseren. Juniper Mist bekabeld, draadloos en WAN assurance cloudservices brengen geautomatiseerde operaties en servicelevels naar zakelijke campusomgevingen. Algoritmes voor Machine-Learning (ML) maken een gestroomlijnde AIOps-ervaring mogelijk door onboarding te vereenvoudigen; inzicht en statistieken over de gezondheid van het netwerk; bekabelde, draadloze en WAN service-level verwachtingen (SLE's); AI-gedreven campusfabricbeheer.

Wat is AI voor netwerken en beveiliging?

Nu er vandaag de dag zoveel thuiswerk- en pop-up-netwerklocaties zijn, is een bedreigingsbewust netwerk noodzakelijker dan ooit.De mogelijkheid om aangetaste apparaten snel te identificeren en hierop te reageren, aangetaste apparaten fysiek te lokaliseren en uiteindelijk de gebruikerservaring te optimaliseren, zijn enkele voordelen van het gebruik van AI in cyberbeveiliging. IT-teams moeten hun netwerken beschermen, met inbegrip van apparaten die zij niet rechtstreeks controleren, maar wel verbinding moeten laten maken.Risicoprofilering stelt IT-teams in staat hun infrastructuur te beschermen door een diep netwerkoverzicht te bieden en beleidshandhaving mogelijk te maken op elk verbindingspunt in het netwerk. Beveiligingstechnologieën houden niet alleen voortdurend de toepassingen en gebruikersverbindingen in een omgeving in de gaten, maar ook de context van dat gedrag en of het om aanvaardbaar gebruik of potentieel afwijkend gedrag gaat, en signaleren snel kwaadaardige activiteiten.