Wird Ihr Betriebsteam von so vielen Alarmen überflutet, dass es ständig mit akuten Problemen beschäftigt ist und für nichts anderes Zeit hat? Das ist leider keine Seltenheit. Bei einer aktuellen Umfrage der Enterprise Strategy Group (ESG) beschrieben 73 % der Teilnehmer die Netzwerkumgebung ihres Unternehmens als „komplexer“ oder „wesentlich komplexer“ als noch vor zwei Jahren.
Weitere Einzelheiten zu den Ergebnissen dieser Umfrage finden Sie in dem kürzlich veröffentlichten Whitepaper KI-native Anforderungen an moderne Netzwerke. In ihrem Umfragebericht empfehlen die Autoren betroffenen Unternehmen, sich um End-to-End-Visibilität und kontextrelevante Daten zu bemühen, um diese Komplexität zu reduzieren und den Übergang zu einem effizienteren, proaktiven Ansatz voranzutreiben.
Und wie geht das, fragen Sie jetzt? Das ist eine berechtigte Frage. Dem Whitepaper zufolge kann die Nutzung von künstlicher Intelligenz (KI) und maschinellem Lernen (ML) in Kombination mit Automatisierung den Betrieb straffen, die Benutzererfahrung verbessern und den Übergang vom reaktiven zum proaktiven – oder sogar prädiktiven – Management unterstützen.
„KI in Netzwerken nutzen“ ist jedoch leichter gesagt als getan. KI/ML-Modelle müssen mit großen Mengen zuverlässiger Daten trainiert werden, doch deren Bereitstellung wirft einige Herausforderungen auf, darunter:
Technische Herausforderungen: Daten zum Netzwerkbetrieb werden typischerweise in lokalen Managementsystemen beim Kunden aufbewahrt und können nicht geteilt werden. Netzwerkmanagement-Lösungen wurden in der Regel nicht vereinheitlicht, was zu noch größeren Ansammlungen nicht gemeinsam genutzter Daten führt. Zudem sind die aktuell verfügbaren KI/ML-Modelle nicht für sensible, unternehmensinterne Daten geeignet, die nicht an die Öffentlichkeit gelangen dürfen.
Kulturelle Herausforderungen: Viele Mitarbeitende von Netzwerkbetriebsteams sind inzwischen so versiert in der Problemdiagnose und -behebung, dass sie sich schlicht nicht vorstellen können, dass diese Modelle es besser könnten. Hinzu kommt, dass eine vollständige Akzeptanz ohne erklärbare KI (Explainable AI oder XAI) nur schwer zu erreichen sein wird. Und wenn es keine Feedbackschleife gibt, können erfahrene Netzwerktechniker nicht zeitnah mit ihren Reaktionen zur Verbesserung der Modelle beitragen.
Wie lassen sich diese Hürden überwinden?
Laut dem Whitepaper müssen KI-basierte Netzwerkplattformen die folgenden fünf Kriterien erfüllen, um die obengenannten Hürden für die effektive Nutzung von AIOps zu überwinden:
- Cloud-basierte Architektur: Dieses kritische Merkmal sorgt dafür, dass Daten domainübergreifend erfasst und gespeichert werden, und ersetzt Datensilos somit durch eine einheitliche, umfassende Übersicht über den Zustand und die Leistung des Netzwerks.
- End-to-End-Visibilität und Kontext: Eine Plattform sollte ein umfassendes, kontextbasiertes Gesamtbild der Netzwerkumgebung und der Benutzererfahrung bieten. Diese holistische Übersicht ist erforderlich, um die weitverzweigten Beziehungen und Abhängigkeiten in einem typischen Netzwerk zu verstehen.
- Konversationsoberfläche: Zur Simplifizierung der Betriebsabläufe ist eine intuitiv nutzbare Oberfläche erforderlich. Mit einem virtuellen Assistenten, der Fragen in natürlicher Sprache entgegennimmt und beantwortet, wird das Management komplexer Netzwerke beispielsweise für ein deutlich breiteres Benutzerspektrum zugänglich.
- Vertrauenswürdige, detaillierte Daten: Die Plattform sollte Telemetrie- und Metadaten auf Sitzungsebene erfassen und nutzen, um tiefgreifende Einblicke in den Netzwerkbetrieb zu bieten. Diese Granularität ist für eine präzise Analyse und fundierte Entscheidungsfindung unerlässlich.
- Bidirektionales API-Ökosystem: Ein offenes und erweiterbares API-Ökosystem ist für die Integration mit anderen Systemen und Tools unverzichtbar. Zudem fördert es die Entstehung der Feedback-Schleifen, die für die kontinuierliche Verbesserung und Anpassung an sich ändernde Netzwerkbedingungen erforderlich sind.
Die Lösung von Juniper
Wie Sie sehen werden, teilen die Autoren des Whitepapers die grundlegende Überzeugung von Juniper, dass die Benutzererfahrung beim Netzwerkmanagement im Mittelpunkt stehen muss und dass KI und Automatisierung eine entscheidende Rolle bei der unternehmensweiten Bereitstellung der bestmöglichen Netzwerkerfahrung spielen.
Die KI-native Netzwerkplattform von Juniper wurde von Grund auf neu entwickelt und dabei so konzipiert, dass die bei der KI-Nutzung auftretenden Herausforderungen mithilfe von AIOps bewältigt werden können. Durch den Einsatz von KI können Probleme proaktiv behoben, vorausschauende Analysen durchgeführt und Optimierungsmaßnahmen automatisiert werden. All das ist erforderlich, damit KI in Netzwerken die in sie gesetzten Erwartungen erfüllt. Mindestens genauso wichtig ist der Beitrag, den sie zur Bekämpfung der Alarmmüdigkeit leisten kann.
Wenn Sie mehr darüber erfahren möchten, welche Herausforderungen bei der Nutzung von KI in Netzwerkumgebungen auftreten können und worauf Sie bei der Auswahl einer Lösung zu deren Bewältigung achten sollten, empfehlen wir Ihnen das Whitepaper der ESG KI-native Anforderungen an moderne Netzwerke. Wir schicken Ihnen gern kostenlos ein Exemplar zu.