Tout comme un bon vin commence par un bon raisin, une bonne IA exige une bonne data. C’est pourquoi votre réseau IA natif doit reposer sur des données pertinentes et d’excellente qualité. Ingrédient de base du réseau autonome piloté par l’IA, la data constitue donc la première étape de la transition vers le Self-Driving Network™. C’est ce que nous vous invitons à découvrir dans cet article.
De la disponibilité à l’expérience utilisateur : le réalignement des priorités
Historiquement, la gestion du réseau s’est cantonnée au suivi des métriques de différents équipements : disponibilité, consommation du CPU, de la mémoire ou de la bande passante, etc. Chez Juniper, nous considérons que cet aspect ne constitue qu’une partie de l’équation. Nous ne nous contentons pas d’assurer le bon fonctionnement du réseau : notre objectif est de créer une expérience exceptionnelle de bout en bout, du client jusqu’au cloud, pour l’intégralité des utilisateurs. Pour Juniper, la vraie question n’est pas de savoir si le réseau est disponible, mais si l’expérience réseau est réellement satisfaisante pour les utilisateurs. Voilà le centre de nos préoccupations et de notre démarche de collecte et d’analyse des données. Nous commençons par générer des retours et des analyses en temps réel sur l’expérience réellement ressentie par les utilisateurs, puis passons cette information au révélateur de la science des données pour prédire et optimiser leurs expériences futures. La véritable valeur d’un réseau réside dans ce qu’il permet à ses utilisateurs de faire et dans les résultats qu’il produit pour les métiers. C’est là l’une des constantes vitales de chaque étape de la transition vers le Self-Driving Network.
La puissance de la collaboration
Mais alors, comment collecter les données qui permettront d’optimiser l’expérience utilisateur ? Chez Juniper, tout commence par une collaboration étroite entre nos data scientists et nos équipes Customer Success, lesquelles sont à la fois nos experts UX et un relai vital avec nos clients en entreprise. En ce sens, elles sont les mieux placées pour comprendre les problèmes que ces utilisateurs rencontrent. En dressant un tableau précis des difficultés de nos clients et de leurs cas d’usage spécifiques, nous pouvons identifier les données pertinentes pour entraîner et perfectionner nos modèles d’IA.
Cette collaboration transverse est donc primordiale : elle permet d’acquérir une connaissance profonde de l’expérience utilisateur, point de départ essentiel vers des solutions réellement efficaces. Proposer des services d’IA sans fédérer les data scientists et les équipes Customer Success autour d’une solution d’AIOps commune dans le cloud, c’est mal comprendre ce que l’IA implique réellement. Et c’est aussi mal comprendre le lien vital entre la technologie et ses applications au monde réel.
Des données temps réel aux insights en temps réel
Une fois que nous avons cerné les besoins des clients, la collecte de données temps réel enrichies peut commencer. Les données télémétriques recueillies sur les équipements réseau préalablement paramétrés sont envoyées vers une architecture de microservices dans le cloud. Depuis plus de dix ans, Juniper collecte et affine les données issues d’une grande variété d’équipements : points d’accès (AP), routeurs, commutateurs, pare-feu et appareils client. Par exemple, les AP nous envoient un flux constant de données télémétriques qui nous permettent de mesurer l’expérience utilisateur sur la base de plus de 150 critères. Ces données sont ensuite agrégées dans le cloud où elles sont analysées par Mist AI™. Et c’est là que la magie opère. Mist AI analyse ce jeu de données enrichies et fournit instantanément des leviers d’actions pour les équipes IT. Ce n’est pas tout : grâce à un feedback client en boucle fermée, notre modèle apprend et s’améliore au fil du temps, ce qui permet de fournir des informations et recommandations de plus en plus précises.
Agrandir l’écosystème de données
En plus d’améliorer la qualité de nos données, nous multiplions les sources grâce à notre excellent écosystème de partenaires et à nos API 100 % ouvertes. Nous améliorons ainsi les fonctionnalités tout en étendant notre champ d’analyse. Par exemple, Marvis® Application Experience Insights intègre les données de réunions Zoom et Microsoft® Teams aux données réseau de Juniper. Ainsi, nous pouvons directement identifier l’origine de problèmes sur une visio — et même prédire la qualité de l’appel avant qu’il ait lieu. L’avantage de cette approche proactive est double : elle assure des expériences exceptionnelles aux utilisateurs tout en permettant aux équipes IT de se recentrer sur des initiatives stratégiques.
Prochaine étape : transformer les données en leviers d’action
Une fois que les bonnes données sont envoyées vers le cloud, les choses sérieuses peuvent commencer. Comment transforme-t-on toute cette data en leviers d’action concrets ? Dans notre prochain article, découvrez comment Juniper convertit ces données brutes en informations actionnables qui permettront au Self-Driving Network de résoudre les problèmes de manière proactive, d’optimiser l’affectation des ressources et, surtout, d’offrir une expérience utilisateur d’exception.
Où en êtes-vous de votre transition vers le Self-Driving Network ? Quelle que soit la réponse, passez à la prochaine étape avec Juniper.
Dans cette même série :
Partie 1 (Introduction) : Pas de Self-Driving Network™ sans une confiance totale en l’IA
