Nel nostro precedente post, abbiamo esplorato la prima tappa del viaggio verso il Self-Driving Network™: i dati, la base fondamentale per creare reti intelligenti. Ma i dati da soli non risolvono i problemi. Nella seconda fase di questo percorso applichiamo la matematica e la data science per estrarre valore reale dalle informazioni, trasformando i dati grezzi in insight precisi e attivabili che rivoluzionano il modo in cui gestiamo le reti.
Il valore degli insight
Il troubleshooting tradizionale richiede di scorrere tra comandi CLI criptici e file di log, nonché di controllare manualmente i dispositivi: un processo lento, reattivo e spesso frustrante. I team IT faticano a gestire la situazione, risolvendo i problemi solo dopo che gli utenti li segnalano. Individuare un problema, tra le infinite cause possibili, è come cercare un ago in un pagliaio.
Gli insight AI-Native eliminano queste incertezze. Anziché analizzare log e output da riga di comando, i team IT possono rilevare e risolvere i problemi prima che gli utenti se ne accorgano. Con gli insight giusti, la frustrazione di dover sempre “spegnere incendi” e gestire nuove emergenze può diventare un ricordo, che lascia il posto a una gestione proattiva e più efficace delle reti.
Impatto reale
Per conquistare la fiducia dei team IT, l’AI deve dimostrare sul campo la validità dei suoi insight. Uno dei miei esempi preferiti riguarda la collaborazione con un responsabile IT inizialmente scettico durante una proof of concept (PoC). Questo responsabile IT dubitava che Juniper Mist AI™ potesse realmente aiutare nella gestione della rete o rilevare problemi di cui il suo team non fosse già a conoscenza. Durante la PoC, i dispositivi riuscivano a connettersi alla rete del concorrente, ma non a quella Juniper. Fortunatamente, grazie all’analisi dei dati siamo riusciti a individuare un router non-Mist con un’unità di trasmissione massima (MTU) mal configurata, che impediva il passaggio dei pacchetti di autenticazione.
In un altro caso, Mist AI ha rilevato un cavo Ethernet difettoso sulla scrivania di una dipendente, un problema che nessuno aveva segnalato. Inizialmente, il team IT aveva ignorato l’avviso. Ma dopo una verifica con l’utente, il team ha scoperto che si era spostata sulla rete Wi-Fi senza comunicarlo, perché la connessione cablata era inaffidabile. Mist AI aveva fatto emergere un problema che il team IT non era riuscito a individuare.
Il responsabile IT, inizialmente scettico, è diventato un sostenitore convinto dopo aver visto Mist AI individuare con precisione questo e altri problemi.
Questo livello di visibilità granulare sta trasformando le operazioni IT in tutti i settori. Retailer come Gap Inc., ad esempio, oggi hanno una visione approfondita sullo stato di salute delle proprie reti, che ha permesso loro di ridurre fino al 90% i ticket di assistenza. “Ora possiamo analizzare i dati in dettaglio e vedere che c’è un problema in uno specifico punto vendita”, afferma Snehal Patel, Global Network Architect di Gap. Disporre di insight a livello di singolo store consente ai team IT di intervenire rapidamente e assicurare una connettività senza interruzioni a dipendenti e clienti.
Anche gli istituti di istruzione superiore stanno ottenendo vantaggi concreti. Al Dartmouth College, Mist AI garantisce a tutti gli utenti del campus un’esperienza eccezionale. “Anche se solo il 2% degli utenti riscontra un problema, possiamo risolverlo in tempo reale”, afferma Mitch Davis, CIO di Dartmouth. Gli insight AI-Native permettono ai team IT di non dover più attendere segnalazioni di massa: ora possono individuare e affrontare i problemi in modo proattivo, assicurando un’esperienza di alta qualità continua per studenti e personale.
Oltre alla visibilità, gli insight di Mist AI contribuiscono anche a colmare il gap di competenze IT: una sfida sempre più rilevante per molte organizzazioni. Ad esempio, al Rady Children’s Hospital, l’AI sta rendendo più accessibile la gestione della rete. “Non abbiamo più bisogno di ingegneri esperti che cercano di interpretare un insieme di metriche poco correlate. Ora abbiamo una visibilità diretta sul problema, dal punto A al punto B”, spiega Daniel Madain, Network Engineer Team Lead di Rady. Questo cambiamento permette agli ingegneri più esperti di concentrarsi su attività innovative e progetti strategici, mentre il personale meno esperto può gestire con sicurezza le operazioni quotidiane. In un’epoca in cui i team IT sono sottodimensionati, questa capacità si rivela particolarmente preziosa.
Il viaggio continua
Gli insight sono un vero punto di svolta e aiutano i team IT a risolvere i problemi in modo più rapido ed efficiente. Ma il passo successivo, trasformare questi insight in raccomandazioni, offre un potenziale ancora superiore. Nel prossimo post analizzeremo come le raccomandazioni AI-Native consentano una gestione proattiva della rete, avvicinandoci sempre più a un vero Self-Driving Network.
A che punto si trova la tua organizzazione nel percorso verso il Self-Driving Network? Ovunque tu sia, Juniper può aiutarti a compiere il passo successivo.
Leggi il prossimo post di questa serie di blog.
Altri blog di questa serie
Il viaggio verso il Self-Driving Network™ nasce dalla fiducia nell’AI
