Bisher haben wir auf unserem Weg zum Self-Driving Network über Daten gesprochen – die Grundlage für ein KI-natives Unternehmensnetzwerk – und haben untersucht, wie diese durch Verarbeitung in der Cloud in Einblicke und mithilfe von Kennzahlen (Servicelevel-Erwartungen, SLE) und Klassifikatoren in Empfehlungen übersetzt werden. Nun gehen wir weiter zur KI-Assistenz. Hier beginnt die KI, eine aktivere Rolle im Netzwerkbetrieb zu spielen. Im Nachgang zu den durch Daten gestützten Empfehlungen ergreift sie – wenn erlaubt – automatisiert Maßnahmen zur Problembehebung.
Dieser Schritt spiegelt einen allgemeinen Trend in der Branche wider: das wachsende Vertrauen in die Fähigkeit der KI, mit immer komplexeren Umgebungen umzugehen. Laut der Marktforschungsorganisation IDC ziehen knapp die Hälfte der befragten Unternehmen KI-gestützte Netzwerkmanagement-Plattformen vor, die Maßnahmen für die Problemlösung und Optimierung sowohl festlegen als auch durchführen.
Der strategische Wert der KI-Assistenz
KI-assistierte Aktionen simplifizieren den Netzwerkbetrieb, senken den manuellen Arbeitsaufwand in IT-Teams und verkürzen die Zeit bis zur Behebung von Vorfällen, wodurch Endbenutzer von einer hervorragenden Netzwerkleistung profitieren und IT-Mitarbeitende mehr Zeit bekommen, sich auf eher strategische und innovative Initiativen zu konzentrieren.
Je komplexer ein Unternehmensnetzwerk wird, desto häufiger treten Netzwerkereignisse – von kleineren Fehlkonfigurationen bis hin zu größeren Dienstunterbrechungen – auf und infolgedessen wird es für IT-Teams schwierig, kritische Ereignisse zu identifizieren und zu beheben. KI-Assistenz durch cloud-basierte AIOps fungiert als Rauschunterdrückung für IT-Teams. Wenn AIOps Probleme von hoher Priorität mit den dazugehörigen Belegen aufdeckt und (bei entsprechender Erlaubnis) automatisch löst, können IT-Teams rasch und proaktiv darauf reagieren. Die mit Fehlerbehebung verbrachte Zeit wird enorm verkürzt und es werden Ressourcen frei, die sinnvoller in wertschöpfende strategische Initiativen wie Innovation und langfristige Planung gesteckt werden können.
Von Daten zur Aktion: So funktioniert KI-Assistenz
Hochwirksame, direkt umsetzbare – und überzeugend begründete – Empfehlungen entstehen durch Filtern von Daten aus hunderten Ereignissen und Echtzeit-Benutzererfahrungen mittels mathematischer Algorithmen und KI/ML-Modellen.
Wenn die IT-Mitarbeitenden von dem Ergebnis überzeugt sind, können sie AIOps autorisieren, das Problem automatisch zu beheben. Wenn das Vertrauen nach und nach wächst, können diese Empfehlungen in eine Liste vertrauenswürdiger Aktionen aufgenommen werden, die es der KI erlaubt, ähnliche Probleme in Zukunft autonom zu lösen, ohne das IT-Team zu benachrichtigen. Somit wird AIOps zu einem vollwertigen Mitglied des IT-Teams und wechselt in den autonomen Modus.
Wir unterscheiden drei Kategorien von assistierten KI-Aktionen:
- Optimierung: KI/ML-Algorithmen wie Radio Resource Management (RRM) und Network Resource Management (NRM) optimieren die Benutzererfahrung kontinuierlich.
- Empfohlene Maßnahmen: Die KI macht auf kritische Probleme aufmerksam und schlägt spezifische, umsetzbare Aktionen unter Nennung der Gründe vor.
- Automatisierte Aktionen: Vertrauenswürdige Empfehlungen, die das IT-Team in die Liste erlaubter Aktionen aufgenommen hat, dürfen von der KI ohne menschliches Zutun umgesetzt werden.
Wir stellen vor: Marvis, der branchenführende KI-Assistent
Wir bei Juniper setzen dieses Konzept mit Marvis® AI in die Realität um. Dieser virtuelle Netzwerkassistent ist ein wichtiger Teil von Mist™ Systems, unserer KI-nativen Netzwerkplattform. Marvis optimiert Benutzererfahrungen laufend und proaktiv unter Nutzung von KI/ML-Algorithmen wie RRM und NRM. Mithilfe von Marvis Actions stellt er empfohlene oder automatisierte Aktionen bereit – sozusagen als Fahrerassistenz oder autonomes Fahren.
Im „Fahrerassistenz“-Modus erkennt Marvis leistungsbeeinträchtigende Ereignisse wie inkompatible Firmware, falsch konfigurierte Ports, defekte Kabel, fehlende VLANs und überlastete WAN-Circuits, empfiehlt geeignete Lösungen und begründet seine Entscheidungen.
Wenn das IT-Team die Empfehlung in die Liste vertrauenswürdiger Aktionen aufgenommen hat, wird daraus das autonome Fahren: Marvis kann automatisch fehlkonfigurierte Ports korrigieren, Portblockierungen beheben und noch mehr – alles unter Einhaltung der vom Team definierten Richtlinien. Jede Aktion, ob assistiert oder autonom durchgeführt, wird im Dashboard von Marvis Actions protokolliert und steht dem Team zur Verfügung: als Echtzeit-Zusammenfassung der wichtigsten Probleme und empfohlenen Lösungen. Dort können auch die einzelnen assistierten und autonomen Aktionen nachverfolgt werden – für volle Transparenz und Kontrolle.
Marvis in Aktion: Ergebnisse aus der Praxis
Derzeit entdecken Kunden weltweit den Nutzen von Marvis Actions. So hatten beispielsweise Benutzer an einem indischen Standort eines großen IOTM-Unternehmens über ein Jahr lang immer wieder Probleme mit Zoom. Aufgrund von Empfehlungen des Large Experience Models (LEM) von Marvis ließ sich schnell ein falsch konfiguriertes VPN-Gateway identifizieren, das Pakete an einen Standort in Australien sendete und dadurch Latenz und Jitter verursachte.
In einem anderen Fall hatte eine große Einzelhandelskette mit Leistungseinbußen in bestimmten Bereichen ihrer Geschäfte zu kämpfen. Marvis fand heraus, dass das Problem auf Störungen durch funkgestützte Vorführprodukte zurückzuführen war und passte die Kanalbandbreiten automatisch von 40 MHz auf 20 MHz an. So ließ sich die Netzwerkleistung im Geschäft sowohl für die Mitarbeitenden als auch die Kunden optimieren.
Der nächste Schritt auf dem Weg zur Autonomie
Mit Marvis gewinnen IT-Teams viel mehr als Einblicke – sie gewinnen ein wertvolles neues Teammitglied. Eines, das besonders gravierende Probleme priorisiert, Lösungen empfiehlt und ausführt sowie überprüft, ob die Lösungen richtig umgesetzt wurden. Diese Assistenzfunktionen bilden die Grundlage für vollständig autonome Funktionen, denen die IT-Teams nach und nach Routineaufgaben übertragen und so Leistungs- und Effizienzsteigerungen erzielen können. Was aber ebenso wichtig ist: IT-Teams gewinnen wertvolle Zeit zurück, um sich auf Initiativen konzentrieren zu können, die echten Mehrwert bringen – Innovation statt Fehlersuche.
Phase 4 markiert den Wendepunkt: Die KI macht nicht mehr nur Vorschläge, sondern wird tätig. In unserem nächsten und letzten Blog-Beitrag widmen wir uns dem letzten Schritt auf dem Weg zum Self-Driving Network, in dem die KI den Betrieb nicht nur unterstützt, sondern auch verwaltet. Wir werden auch darauf eingehen, wie Juniper diese Entwicklung aktiv mitgestaltet – mit Marvis Minis, Large Experience Models und Agenten-KI.
Wo immer Sie sich auf Ihrem Weg zum KI-Unternehmensnetzwerk gerade befinden, Juniper ist bereit, Sie bei Ihrem nächsten Schritt zu unterstützen.
