In unserem vorigen Blogbeitrag haben wir uns mit der ersten Phase auf dem Weg zum Self-Driving Network™ beschäftigt: Daten als kritisches Fundament intelligenter Netzwerke. Doch Daten allein lösen keine Probleme. Im zweiten Schritten nutzen wir Mathematik und Data Science, um präzise, praktisch anwendbare Einblicke aus unseren Rohdaten zu gewinnen, mit denen das Netzwerkmanagement verbessert und ein echter Mehrwert generiert werden kann.
Der Wert dieser Einblicke
Der konventionelle Ansatz für die Fehlerbehebung basiert auf der Durchforstung (mitunter kryptischer) CLI-Befehle und Logdateien sowie der manuellen Untersuchung von Geräten. Das ist ein langsamer, reaktiver und oft frustrierender Prozess, der erst beginnen kann, nachdem die Benutzer ein Problem gemeldet haben. Die IT-Teams sind also immer im Hintertreffen und angesichts der unzähligen möglichen Problemursachen kann die Diagnose sich wie die Suche nach der sprichwörtlichen Nadel im Heuhaufen anfühlen.
KI-native Einblicke machen das Rätselraten überflüssig. Statt Logdateien und Befehlszeilenausgaben zu durchsuchen, können IT-Teams Probleme nun identifizieren und beheben, bevor die Anwender sie bemerken. Die richtigen Einblicke aus Daten können IT-Teams also helfen, Probleme proaktiv anzugehen, statt immer nur von Baustelle zu Baustelle zu hetzen, und ihren Arbeitsalltag damit wesentlich positiver gestalten.
Auswirkungen in der Praxis
Um Vertrauen in KI zu gewinnen und sich auf die Einblicke zu verlassen, die sie liefert, müssen IT-Teams die Technologie möglicherweise in Aktion erleben. An dieser Stelle komme ich gerne auf ein Beispiel aus einem Proof of Concept (PoC) mit einem skeptischen IT-Manager zu sprechen. Er konnte sich nicht vorstellen, dass wir mit Juniper Mist AI™ das Netzwerk verwalten oder Probleme finden könnten, die seinem Team nicht bereits aufgefallen waren. Bei dem PoC hatten wir eine Situation, in der Geräte sich mit dem Netzwerk eines anderen Anbieters, aber nicht mit dem von Juniper verbinden konnten. Zum Glück konnten wir anhand der Dateneinblicke einen (nicht von Mist Systems stammenden) Router identifizieren, dessen Maximum Transmission Unit (MTU) falsch konfiguriert war, weshalb die Authentifizierungspakete nicht weitergeleitet wurden.
In einer anderen Situation erkannte Mist AI ein defektes Ethernet-Kabel am Schreibtisch einer Mitarbeiterin, das nicht gemeldet worden war. Zuerst ignorierte das IT-Team diese Meldung. Doch als sie die Mitarbeiterin fragten, stellte sich heraus, dass sie zum WLAN gewechselt hatte, weil die kabelgebundene Verbindung unzuverlässig war. Mist AI hatte ein Problem gefunden, das das IT-Team nicht sehen konnte.
Der ursprünglich skeptische IT-Manager wurde zum Befürworter, als er sah, wie Mist AI dieses und andere Probleme identifizierte.
Die detaillierten Erkenntnisse, die Mist AI liefert, revolutionieren den IT-Betrieb in verschiedenen Branchen. Einzelhändler wie Gap Inc. haben nun tiefgreifende Einblicke in den Netzwerkzustand und können bis zu 90 % der Support-Tickets vermeiden. „Jetzt können wir die Daten gezielt analysieren und genau erkennen, wann es ein Problem in einem bestimmten Geschäft gibt“, sagt Snehal Patel, Global Network Architect bei Gap. Anhand dieser Einblicke auf Geschäftsebene können IT-Teams rasch eingreifen, um Mitarbeitenden und Kunden nahtlose Konnektivität zu bieten.
Hochschulen und Universitäten profitieren ebenfalls von erheblichen Vorteilen. Am Dartmouth College sorgt Mist AI dafür, dass alle Benutzer auf dem Campus-Gelände eine hervorragende Netzwerkerfahrung haben. „Selbst wenn nur 2 % der Anwender ein Problem haben, können wir es umgehend beheben“, erklärt Mitch Davis, CIO des Dartmouth College. Dank KI-nativer Einblicke müssen IT-Teams nicht mehr darauf warten, dass Beschwerden aus verschiedenen Bereichen eintreffen. Stattdessen können sie sich anbahnende Probleme proaktiv erkennen und beheben und Studierenden und Lehrpersonal eine konsistent hochwertige Netzwerkerfahrung bieten.
Die dank Mist AI erzielten Einblicke verbessern nicht nur die Visibilität, sondern mildern auch den Fachkräftemangel in der IT ab, der eine wachsende Herausforderung für Unternehmen darstellt. Im Rady Children’s Hospital simplifiziert KI beispielsweise das Netzwerkmanagement.Daniel Madain, Teamleiter Network Engineering an dem Kinderkrankenhaus, erläutert: „Wir benötigen keine erfahrenen Ingenieure mehr, die vage zueinander in Beziehung stehende Kennzahlen interpretieren. Jetzt können wir direkt sehen, wann es zwischen Punkt A und Punkt B ein Problem gibt.“ Infolgedessen können die hochqualifizierten Ingenieure sich nun auf Innovationen und strategische Projekte konzentrieren, während weniger erfahrene Kollegen den Routinebetrieb souverän managen. Angesichts der heute oft unterbesetzten IT-Teams ist das ein unschätzbarer Vorteil.
Der Weg führt weiter
Einblicke sind ein entscheidender Vorteil. Sie versetzen IT-Teams in die Lage, Probleme schneller und effizienter zu beheben als je zuvor. Doch der nächste Schritt – die Umwandlung dieser Einblicke in Empfehlungen – setzt ein noch größeres Potenzial frei. In unserem nächsten Blogbeitrag untersuchen wir, wie KI-native Empfehlungen ein proaktives Netzwerkmanagement ermöglichen, das uns dem Ziel eines wirklich autonomen Netzwerks noch einen Schritt näher bringt.
Wie autonom ist Ihr Netzwerk bereits? Ganz gleich, in welcher Phase Sie sich befinden: Juniper kann Ihnen dabei helfen, den nächsten Schritt zu gehen.
Lesen Sie den nächsten Beitrag in dieser Blogreihe.
Weitere Beiträge in dieser Blogreihe
Der Weg zum Self-Driving Network™ setzt Vertrauen in künstliche Intelligenz (KI) voraus
