Genau wie guter Wein mit guten Trauben beginnt, erfordert leistungsstarke KI aussagekräftige Daten. Ein KI-natives Unternehmensnetzwerk geht noch einen Schritt weiter und baut auf den richtigen aussagekräftigen Daten auf. In diesem Blogbeitrag beleuchten wir die erste Phase auf dem Weg zum Self-Driving Network™ und eine Schlüsselkomponente intelligenter KI-gestützter Unternehmensnetzwerke: Daten.
Verfügbarkeit alleine reicht nicht – auf die Benutzererfahrung kommt es an
Beim traditionellen Netzwerkmanagement dreht sich oft alles um die Überwachung grundlegender Kennzahlen der Netzwerkgeräte, wie Verfügbarkeit, CPU-Nutzung, Speicherkapazität und Bandbreite. Wir bei Juniper wissen, dass dies nur die halbe Wahrheit ist. Wir wollen den Netzwerkbetrieb nicht nur aufrechterhalten, sondern jedem Netzwerkbenutzer eine umfassende Client-to-Cloud-Erfahrung der Extraklasse bieten. Die kritische Frage ist nicht „Ist das Netzwerk verfügbar?“, sondern vielmehr „Welche Benutzererfahrung bietet unser Netzwerk?“ Darauf basiert unsere gesamte Strategie zur Erfassung und Analyse von Daten. Wir beginnen mit Benutzerberichten, um uns in Echtzeit ein Bild von der Netzwerkerfahrung zu machen. Anschließend nutzen wir Data Science, um die Benutzererfahrung vorherzusehen und zu optimieren. Ein Netzwerk ist erst dann wirklich nützlich, wenn es Anwender befähigt, ihre beste Arbeit zu leisten, und Unternehmen beim Erreichen ihrer geschäftlichen Ziele unterstützt. Das ist der Grundstein, auf dem alle weiteren Phasen auf dem Weg zum Self-Driving Network aufbauen.
Turbo durch Zusammenarbeit
Wie sorgen wir also dafür, dass wir die richtigen Daten zur Optimierung der Benutzererfahrung erfassen? Unsere Data Scientists arbeiten eng mit unseren Customer Success Teams – unseren Fachexperten mit einem direkten Draht zu den Kunden – zusammen. Sie verstehen die Herausforderungen, mit denen unsere Kunden zu kämpfen haben, am besten. Diese Zusammenarbeit ist also extrem wichtig, denn indem wir uns Einblick in die spezifischen Anforderungen, Probleme und Anwendungsszenarien unserer Kunden verschaffen, können wir die für sie nützlichsten Daten identifizieren und unsere KI-Modelle mit diesen trainieren und optimieren.
Dieses tiefe Verständnis ermöglicht es uns, wirklich effektive Lösungen zu entwickeln. Wenn die Data Scientists und Customer Success Teams eines KI-Anbieters nicht eng zusammenarbeiten und auch keine eigene Cloud-basierte AIOps-Lösung nutzen, befinden sie sich noch nicht auf dem Weg zu einem KI-gestützten autonomen Netzwerk. Das können wir mit Gewissheit sagen, weil ihnen das kritische Bindeglied zwischen ihrer Technologie und möglichen Anwendungsbereichen in der Praxis fehlt.
Von Echtzeitdaten zu Echtzeiteinblicken
Wenn wir ein klares Verständnis der Kundenanforderungen haben, können wir uns darauf konzentrieren, aussagekräftige Daten in Echtzeit auf Netzwerkgeräten zu erfassen. Diese Geräte sollten darauf ausgerichtet sein, Telemetriedaten an eine Cloud-Architektur mit integrierten Microservices zu senden. Juniper Networks verfügt über mehr als zehn Jahre Erfahrung bei der Erfassung und Aufbereitung von Daten – von Access Points (APs) und Routern bis hin zu Switches, Firewalls und Client-Geräten. Zum Beispiel nutzen wir über APs bereitgestellte Streaming-Telemetrie und können im Sekundentakt mehr als 150 WLAN-Statusänderungen erfassen. Dieser ununterbrochene Datenstrom wird in der Cloud aggregiert und von Mist AI™ analysiert. Und genau hier wird es spannend. Durch eine Analyse dieser aussagekräftigen Informationen kann Mist AI IT-Teams umgehend praxistaugliche Einblicke zur Verfügung stellen; und dank des Closed-Loop-Feedbacks aus dem Kundenservice ist Mist AI in der Lage, kontinuierlich dazuzulernen, sich selbst zu optimieren und letztendlich immer präzisere Einblicke und Empfehlungen zu bieten.
Datenbestand erweitern
Doch wir gehen noch einen Schritt weiter. Mit unserem starken Partner-Ökosystem und zu 100 % offenen APIs können wir Daten aus zusätzlichen Quellen erfassen und somit unseren Funktionsumfang erweitern und die Qualität unserer Einblicke verbessern. Ein Beispiel: Marvis® Application Experience Insights kombiniert Daten aus Zoom und Microsoft® Teams Meetings mit Juniper Netzwerkdaten, um die Ursachen schlechter Videoqualität genauestens zu ermitteln und sogar die Anrufqualität zu prognostizieren, bevor ein Anruf beginnt. Dieser proaktive Ansatz sorgt nicht nur für hervorragende Erfahrungen bei der Zusammenarbeit, sondern gibt IT-Teams auch mehr Zeit für strategische Initiativen.
Der nächste Schritt: von Daten zu praxistauglichen Einblicken
Wenn Sie die richtigen Daten in der Cloud zusammengetragen haben, können Sie richtig loslegen und praxistaugliche Einblicke aus diesen Daten gewinnen. In unserem nächsten Blogbeitrag erkunden wir, wie Sie Rohdaten in wertvolle Informationen für das Self-Driving Network umwandeln und somit eine proaktive Problembehebung, optimierte Ressourcenverteilung und letztendlich eine überragende Benutzererfahrung ermöglichen.
Wie autonom ist Ihr Netzwerk bereits? Ganz gleich, in welcher Phase Sie sich befinden: Juniper kann Ihnen dabei helfen, den nächsten Schritt zu gehen.
Weitere Beiträge in dieser Blogreihe
Teil 1 (Überblick): Der Weg zum Self-Driving Network™ setzt Vertrauen in künstliche Intelligenz (KI) voraus
