Dans les premiers articles de notre série consacrée à la transition vers le Self-Driving Network™, nous avons vu que tout commence par la collaboration fondamentale entre le support client et la science des données. C’est par elle que les données pertinentes peuvent être identifiées (Étape 1 : les données) puis envoyées dans le cloud pour apporter des éclairages sur le réseau (Étape 2 : Ies éclairages). L’étape 3 consiste à organiser ces derniers en métriques et classificateurs pour générer des recommandations qui faciliteront la résolution des problèmes réseau.
Chez Juniper, nous savons que le bon fonctionnement des équipements réseau (ex. : point d’accès , commutateurs, routeurs) ne suffit pas à garantir aux utilisateurs des expériences client-to-cloud irréprochables de bout en bout. C’est pourquoi nos éclairages portent non seulement sur la performance du réseau, mais aussi sur le ressenti des utilisateurs. Ainsi, nous avons mis enplace des niveaux de service garanti (SLE), pilotés par Mist AI™et Marvis®, le seul assistant IA réseau du marché. Ces métriques et classificateurs SLE mesurent la qualité des expériences réseau, du client jusqu’au cloud, et apportent aux équipes IT des recommandations pour résoudre les éventuels problèmes. Ces métriques et classificateurs SLE mesurent la qualité des expériences réseau, du client jusqu’au cloud, et apportent aux équipes IT des recommandations pour résoudre les éventuels problèmes.
Initialement, Marvis et les SLE de première génération reposaient sur des informations communes pour identifier des classificateurs et émettre des recommandations en cas d’expérience médiocre. Désormais, Marvis repose sur un Large Experience Model (LEM) au potentiel encore plus vaste. Concrètement, le tandem LEM/Marvis Minis permet à un jumeau numérique de simuler proactivement les connexions utilisateurs et d’identifier tout dysfonctionnement avant qu’il ne pose problème. Marvis peut, par exemple, prédire les expériences sur les outils de collaboration vidéo, puis utiliser le modèle Shapley de science des données pour établir par ordre de priorité une liste de classificateurs et de recommandations conçue pour optimiser ces expériences.
La formulation de recommandations en amont constitue la première étape d’un Self-Driving Network vraiment efficace. Elle marque d’ailleurs un changement de paradigme pour les équipes IT : fini la simple identification des problèmes. Place à des suggestions concrètes et actionnables. Pour les équipes IT ayant sauté le pas, l’adoption d’une architecture AIOps sur cloud leur permet d’abandonner leur posture purement réactive au profit d’un mode d’opération résolument proactif. Au lieu de perdre un temps précieux à résoudre les problèmes, elles peuvent se recentrer sur des missions plus stratégiques pendant que le système analyse en continu les schémas, détecte les anomalies et suggère des actions correctives. Cette évolution d’une surveillance passive à une prise de décision guidée marque un tournant décisif vers un réseau autonome.
L’importance des recommandations IA natives
Face à la complexification croissante des environnements IT qui recouvrent une multitude de sites, de clouds, d’appareils et d’applications, la gestion réseau traditionnelle et son modèle réactif ne font pas le poids. Les équipes IT interviennent souvent à postériori, une fois l’expérience utilisateur perturbée. Les recommandations IA natives changent la donne. Leur mission :
- Identifier les problèmes avant qu’ils ne s’aggravent — L’AIOps cloud native assure une analyse et une prédiction constantes des expériences utilisateurs défaillantes pour ensuite déterminer les fonctionnalités réseau en cause.
- Recommander des pistes d’action claires — L’IA ne se contente pas de livrer des éclairages, elle les traduit en recommandations concrètes qui réduisent les interventions manuelles et accélèrent la résolution.
- Renforcer la confiance dans les opérations IA natives — En apportant des suggestions plutôt que d’imposer une intervention immédiate, l’IA laisse aux équipes IT le temps de valider et d’implémenter ces changements à leur rythme. Leur confiance dans l’automatisation se forge ainsi à mesure que l’IA fait ses preuves.
Réduction du temps moyen de résolution (MTTR), amélioration des expériences utilisateurs, optimisation de la fiabilité du réseau dans son ensemble… les entreprises ont beaucoup à gagner des ces éclairages et de ces recommandations. En intégrant les recommandations IA natives à leurs opérations quotidiennes, les équipes IT peuvent passer d’un dépannage réactif à une optimisation réseau proactive.
Prochaine étape : l’auto-optimisation
Dans la transition vers le Self-Driving Network, la conversion des éclairages en recommandations constitue un jalon important. En appliquant les recommandations IA natives, les équipes IT peuvent progressivement se laisser convaincre par l’IA et par ses capacités à améliorer les performances et la fiabilité du réseau.
Pour les entreprises, chaque étape de cette transition vers des opérations réseau pilotées par IA représente un gain d’efficacité, de résilience et d’agilité. Dans notre prochain article (Étape 4), nous examinerons comment l’auto-optimisation représente le chaînon manquant entre l’intervention manuelle et l’automatisation complète, avec à la clé, une plus grande simplicité opérationnelle.
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
Étape 2 de la transition vers le Self-Driving Network : les éclairages
