Nous avons consacré notre précédent article à l’étape 1 de la transition vers le Self-Driving Network™ : les données, véritable clé de voûte des réseaux intelligents. Cependant, la data dans sa forme élémentaire ne suffit pas pour résoudre les problèmes. À l’étape 2, les mathématiques et la science des données interviennent pour en extraire toute la valeur, transformant ces informations brutes en des leviers d’action précis au service d’une nouvelle gestion des réseaux.
L’importance des éclairages
Traditionnellement, le dépannage implique d’éplucher des commandes CLI et des journaux indéchiffrables, puis de vérifier manuellement chaque appareil. Un processus chronophage, frustrant et purement réactif. Les équipes IT ont toujours un train de retard, puisqu’elles n’interviennent qu’une fois l’anomalie signalée par les utilisateurs. Détecter un problème revient à chercher une aiguille dans une botte de foin. Les causes potentielles sont innombrables.
C’est là que les éclairages IA natifs entrent en scène pour mettre fin à cet interminable jeu de devinettes. Fini l’analyse fastidieuse des journaux et des lignes de commandes. Les équipes IT ont désormais toutes les cartes en main pour détecter et résoudre les dysfonctionnements avant même que les utilisateurs ne les remarquent. Cette détection proactive signe ainsi la fin du mode pompier permanent qui exaspérait tant les équipes.
Des retombées concrètes
Avant de faire entièrement confiance à l’IA et ses éclairages, les équipes IT ont souvent besoin de preuves tangibles. Je me souviens d’un responsable IT particulièrement sceptique durant une preuve de concept (PoC). Il doutait de la capacité de Juniper Mist AI™ à gérer le réseau et à déceler des dysfonctionnements insoupçonnés. Or il se trouve que lors de la PoC, les appareils se sont connectés sans problème au réseau concurrent, mais pas à celui de Juniper. Heureusement, les éclairages ont révélé que l’unité de transmission maximale (MTU) était mal configurée sur un routeur (n’appartenant pas à Mist), ce qui bloquait le passage des paquets d’authentification.
Durant cette même PoC, Mist AI a également détecté un câble Ethernet défectueux sur le poste d’une salariée, un problème que personne n’avait signalé. La première réaction de l’IT a été d’ignorer l’alerte. Mais en vérifiant auprès de la collaboratrice concernée, l’équipe support a découvert qu’elle était passée au Wi-Fi sans rien dire pour pallier le manque de fiabilité du réseau filaire. Verdict : Mist AI était parvenu à détecter un problème indécelable pour l’IT.
Cette détection et d’autres ont fini par convaincre le responsable IT, au départ incrédule, de l’efficacité de Mist AI.
Concrètement, cette visibilité granulaire révolutionne les opérations IT dans tous les secteurs. Dans le retail, des enseignes comme Gap Inc. disposent désormais d’insights approfondis sur l’état du réseau, avec à la clé, jusqu’à 90 % de tickets de support en moins. « Désormais, nous pouvons décortiquer les données et ainsi identifier clairement tout problème dans un magasin donné », se réjouit Snehal Patel, Architecte réseau mondial chez Gap Inc. Munies de ces éclairages ultra-précis, les équipes IT peuvent intervenir rapidement pour garantir une connectivité fluide pour les collaborateurs et les clients.
Du côté de l’enseignement supérieur, les avantages sont également considérables. À Dartmouth College, Mist AI assure à chaque utilisateur sur le campus une expérience d’exception. « Quand bien même seulement 2 % des utilisateurs rencontrent un problème, nous pouvons le résoudre sur le champ », déclare Mitch Davis, DSI de Dartmouth College. Grâce aux insights IA natifs, les équipes IT n’ont plus besoin d’attendre une vague de signalements. Elles peuvent identifier et résoudre le dysfonctionnement en amont pour offrir aux étudiants, aux enseignants et au personnel administratif une expérience irréprochable à chaque instant.
La visibilité n’est pas le seul avantage de Mist AI. Ses éclairages contribuent à combler la pénurie de compétences IT qui sévit de plus en plus dans les entreprises. Ainsi, au Rady’s Children Hospital, l’IA facilite la gestion réseau.« Nous n’avons plus besoin d’ingénieurs expérimentés pour tenter d’interpréter une montagne de métriques vaguement corrélées. Désormais, nous avons une vision claire du problème, du point A au point B », se félicite Daniel Madain, Responsable de l’équipe d’ingénieurs réseau à l’hôpital Rady. Un changement majeur qui permet aux ingénieurs chevronnés de se recentrer sur l’innovation et des projets plus stratégiques, et aux techniciens moins aguerris de gérer les opérations quotidiennes en toute confiance. À l’heure où les équipes IT croulent sous le travail, cette capacité s’avère plus que jamais précieuse.
Étape suivante
Si les éclairages changent la donne pour les équipes IT en leur permettant de résoudre les problèmes avec plus de rapidité et plus d’efficacité, l’étape suivante, qui consiste à convertir ces insights en recommandations, est encore plus prometteuse. Dans notre prochain article, nous examinerons comment les recommandations IA natives ouvrent la voie à une gestion réseau proactive, nous rapprochant encore un peu plus d’un véritable réseau autonome.
Où en êtes-vous de votre transition vers le Self-Driving Network ? Quelle que soit la réponse, passez à la prochaine étape avec Juniper.
Consultez l’article suivant de notre série consacrée au Self-Driving Network.
Dans cette même série
Pas de Self-Driving Network™ sans une confiance totale en l’IA
Étape 1 de la transition vers le Self-Driving Network : les données
