Auf unserem Weg zum Self-Driving Network™ haben wir bereits das Fundament gelegt: Data Science und Kundensupport sorgen gemeinsam für die Identifizierung der richtigen Daten (Phase 1: Daten). Anschließend haben wir diese Daten in die Cloud geschickt, um Netzwerkeinblicke zu gewinnen (Phase 2: Einblicke). In Phase 3 organisieren wir diese Einblicke in Kennzahlen und Klassifikatoren, die in Empfehlungen für die Behebung von Netzwerkproblemen münden.
Wir bei Juniper wissen, dass grüne Lichter an einzelnen Netzwerkkomponenten (wie APs, Switches oder Routern) keine Garantie für ein lückenlos hervorragendes Client-to-Cloud-Erlebnis sind. Deshalb bieten wir nicht nur Einblicke in die Netzwerkleistung, sondern auch in die Netzwerkerfahrung der Benutzer. Dazu nutzen wir Servicelevel-Erwartungen (SLEs), die von Mist AI™ und Marvis®, dem branchenweit ersten Cloud-basierten KI-Assistenten, unterstützt werden. SLE-Kennzahlen und Klassifikatoren messen die Qualität der Netzwerkerfahrung der Benutzer und geben IT-Teams Empfehlungen zur Behebung von Problemen, die die Client-to-Cloud-Erfahrung dieser Benutzer beeinträchtigen. SLE-Kennzahlen und Klassifikatoren messen die Qualität der Netzwerkerfahrung der Benutzer und geben IT-Teams Empfehlungen zur Behebung von Problemen, die die Client-to-Cloud-Erfahrung dieser Benutzer beeinträchtigen.
In der ersten Generation mussten SLEs und Marvis Informationen austauschen, um Klassifikatoren für eine schlechte Benutzererfahrung festzulegen und Empfehlungen zu ihrer Verbesserung zu generieren. Inzwischen nutzt Marvis ein Large Experience Model (LEM), das ein noch größeres Potenzial freisetzt. Wenn dieses LEM beispielsweise mit Marvis Minis kombiniert wird, können Digitale Zwillinge proaktiv Benutzerverbindungen simulieren, um Probleme zu identifizieren, bevor Benutzer von ihnen betroffen sind. Mit Minis kann Marvis auch die Benutzererfahrung mit Video-Kollaborationstools vorhersagen und dann mit dem Data-Science-Modell Shapley eine Rangliste geeigneter Klassifikatoren und Empfehlungen zur Verbesserung der Benutzererfahrung generieren.
Die proaktive Erstellung von Empfehlungen ist der erste Schritt auf dem Weg zu einem Self-Driving Network, das es IT-Teams gestattet, von der Identifizierung von Problemen zur Identifizierung praxistauglicher Empfehlungen überzugehen. IT-Teams, die bereits eine Cloud-basierte AIOps-Architektur nutzen, profitieren eigenen Angaben zufolge von einem proaktiven statt des konventionellen reaktiven Ansatzes für den Routinebetrieb. Statt Stunden in die Problembehebung zu investieren, können sie sich auf strategische Initiativen konzentrieren, während ihre Systeme kontinuierlich Muster analysieren, Anomalien erkennen und Maßnahmen zu deren Behebung vorschlagen. Dieser Übergang von der passiven Überwachung zur geführten Entscheidungsfindung ist ein wichtiger Schritt in Richtung autonomes Netzwerk.
Der Wert KI-nativer Empfehlungen
IT-Umgebungen werden immer komplexer und bestehen oft aus mehreren Standorten und Cloud-Umgebungen mit zahlreichen Geräten und Anwendungen. Beim konventionellen Netzwerkmanagement liegt der Schwerpunkt häufig auf der reaktiven Behebung von Problemen, die die Benutzererfahrung bereits beeinträchtigen. KI-native Empfehlungen machen einen völlig neuen Ansatz möglich, indem sie:
- Probleme identifizieren, bevor sie eskalieren: Cloud-native AIOps-Funktionen analysieren die Benutzererfahrung kontinuierlich, sagen Verschlechterungen voraus und ermitteln, welche Netzwerkeigenschaften zu dieser Verschlechterung beitragen.
- Klare, praxistaugliche Anleitungen bereitstellen: Statt einfach nur Einblicke zu bieten, wandelt KI diese Einblicke in spezifische Empfehlungen um, wodurch weniger manuell untersucht werden muss und die Behebung beschleunigt wird.
- Vertrauen in KI-native Betriebsprozesse aufbauen: Da die KI Empfehlungen abgibt, statt sofort Maßnahmen einzuleiten, können die IT-Teams die empfohlenen Veränderungen prüfen und zum Zeitpunkt ihrer Wahl vornehmen. Im Laufe der Zeit steigt so das Vertrauen in die Automatisierung.
Mithilfe dieser Einblicke und Empfehlungen können die mittlere Reaktionszeit (MTTR) verkürzt, die Benutzererfahrungen verbessert und die Zuverlässigkeit des gesamten Netzwerks gesteigert werden. Durch die Integration KI-nativer Empfehlungen in den Routinebetrieb können IT-Teams von reaktiver Problembehebung zu proaktiver Optimierung übergehen.
Vorbereitung auf den nächsten Schritt: Unterstützte Aktionen
Der Übergang von Einblicken zu Empfehlungen ist ein wichtiger Meilenstein auf dem Weg zum Self-Driving Network. Durch die Umsetzung der KI-nativen Empfehlungen gewinnen IT-Teams Vertrauen in die Fähigkeit der KI, die Netzwerkleistung und -zuverlässigkeit zu verbessern.
Je intensiver KI beim Netzwerkbetrieb genutzt wird, desto effizienter, resilienter und flexibler wird dieser. In der vierten Phase (unterstützte Aktionen) betrachten wir, wie durch KI unterstützte Aktionen als Trittstein auf dem Weg von manuellen Eingriffen zur vollständigen Automatisierung dienen und den Betrieb weiter simplifizieren.
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
