Seguimos avanzando en nuestro camino a la Self-Driving Network™. Lo primero que hicimos es establecer una base combinando la ciencia de datos y la atención al cliente para identificar los datos adecuados (Primera etapa: datos). Después, enviamos esos datos a la nube, con el objetivo de obtener información valiosa relacionada con la red (Segunda etapa: información valiosa). En esta tercera etapa, organizaremos la información valiosa que recopilamos en métricas y clasificadores, con el objetivo de obtener recomendaciones para solucionar los problemas de la red.
En Juniper sabemos que el buen funcionamiento de cada uno de los elementos de la red (p. ej., puntos de acceso, conmutadores, enrutadores) no garantiza que la experiencia del usuario, del cliente a la nube, sea excepcional. Por ese motivo, no nos limitamos a analizar el rendimiento de la red, sino que también ofrecemos información valiosa sobre cómo se sienten los usuarios con respecto a la utilización de la red. Para ello, utilizamos previsiones de nivel de servicio (SLE) basadas en Mist AI™ y Marvis®, el único asistente de IA en la nube del sector. Las métricas y los clasificadores de SLE evalúan la calidad de las experiencias de los usuarios con la red y ofrecen recomendaciones a los equipos de TI para solucionar los problemas que afectan la experiencia de usuario, del cliente a la nube.
La primera generación de SLE y Marvis se basaba en información mutua para determinar un clasificador y una recomendación cuando se detectaba una mala experiencia de usuario. Ahora, Marvis utiliza un modelo de experiencia grande (LEM), por lo que su potencial es todavía mayor. Por ejemplo, la combinación del LEM con Marvis Minis hace posible la creación de gemelos digitales que simulan las conexiones de los usuarios de forma proactiva para identificar los problemas antes de que lleguen a afectarlos. Con Minis, Marvis puede predecir experiencias de usuario con las herramientas de colaboración por video y, a continuación, utilizar el modelo de ciencia de datos de Shapley para crear una lista ordenada de clasificadores y recomendaciones para mejorar la experiencia de usuario.
La capacidad de identificar recomendaciones proactivas es el primer paso para lograr una red autónoma, ya que permite a los equipos de TI aplicar un paradigma de identificación de recomendaciones prácticas que va más allá de la detección de los problemas. Los equipos de TI que completaron la transición a una arquitectura de AIOps basada en la nube pasaron de seguir un enfoque reactivo a adoptar una estrategia proactiva para abordar sus operaciones diarias. En lugar de pasar horas resolviendo problemas, ahora pueden centrarse en iniciativas estratégicas mientras el sistema se encarga de analizar patrones, detectar anomalías y sugerir acciones de corrección de forma continua. Esta transición de la supervisión pasiva a la toma de decisiones guiada es un paso fundamental para lograr una red autónoma.
El valor de las recomendaciones nativas de la IA
Los entornos de TI son cada vez más complejos y abarcan varias ubicaciones, entornos en la nube, dispositivos y aplicaciones. Con los métodos tradicionales de administración de red, los problemas suelen solucionarse de manera reactiva, es decir, cuando ya han afectado a los usuarios. Las recomendaciones nativas de la IA cambian totalmente este enfoque, ya que:
- Identifican los problemas antes de que se agraven: las AIOps nativas de la nube realizan análisis continuos para prever malas experiencias de usuario, además de determinar cómo contribuyen las funciones de la red a esas experiencias.
- Ofrecen orientación clara y práctica: además de identificar información valiosa, la IA se encarga de traducirla en recomendaciones específicas, por lo que se reduce la necesidad de realizar investigaciones manuales y se agiliza la corrección.
- Infunden confianza en las operaciones nativas de la IA: en lugar de actuar de inmediato, la IA ofrece recomendaciones, por lo que los equipos de TI pueden validar e implementar los cambios a su ritmo, lo que fomenta la confianza en la automatización con el paso del tiempo.
Con estas recomendaciones e información valiosa en la mano, las organizaciones pueden reducir el tiempo medio de resolución (MTTR), mejorar la experiencia de usuario y reforzar la confiabilidad general de la red. Al integrar las recomendaciones nativas de la IA en sus operaciones diarias, los equipos de TI pueden pasar de la resolución de problemas reactiva a la optimización proactiva.
Prepárese para el siguiente paso: las acciones asistidas
La capacidad de convertir la información valiosa en recomendaciones es un hito muy importante en el camino a la red autónoma. Al tomar las recomendaciones nativas de la IA como referencia para realizar acciones, los equipos de TI ganan confianza en la capacidad de la IA para mejorar el rendimiento y la confiabilidad de la red.
A medida que las organizaciones adoptan la IA en sus operaciones de red, cada paso que se da contribuye a lograr una mayor eficiencia, resiliencia y agilidad. En la cuarta etapa (asistencia), veremos cómo las acciones asistidas por IA tienden un puente entre la intervención manual y la automatización total para ofrecer una simplicidad operativa aún mayor.
¿En qué etapa del camino a la red autónoma está su empresa? Independientemente del punto en que se encuentre, Juniper le brindará la ayuda necesaria para dar el próximo paso.
Lea la siguiente publicación de esta serie.
Otros artículos de esta serie
El camino a la red autónoma depende de la confianza en la IA
Primera etapa del camino a la red autónoma: datos
Segunda etapa del camino a la red autónoma: información valiosa
