Nel nostro viaggio verso il Self-Driving Network™, abbiamo messo le basi utilizzando insieme data science e supporto clienti per identificare i dati corretti (Fase 1: Dati) e inviarli quindi al cloud per ottenere insight sulla rete (Fase 2: Insight). Nella Fase 3, gli insight vengono organizzati in metriche e classificatori che generano raccomandazioni per risolvere i problemi di rete.
Juniper sa che la luce “verde” sui singoli elementi della rete (AP, switch, router) non è di per sé garanzia di un’esperienza utente end-to-end eccezionale, dal client al cloud. È per questo che non ci limitiamo a offrire insight sulle prestazioni della rete, ma anche su come gli utenti le percepiscono. Lo facciamo attraverso le aspettative sui livelli di servizio (SLE), con la tecnologia di Mist AI™e Marvis®, l’unico assistente AI in cloud del settore. Le metriche e i classificatori SLE misurano la qualità dell’esperienza di rete degli utenti e forniscono raccomandazioni ai team IT per risolvere i problemi che influiscono sull’esperienza utente, dal client al cloud. Le metriche e i classificatori SLE misurano la qualità dell’esperienza di rete degli utenti e forniscono raccomandazioni ai team IT per risolvere i problemi che influiscono sull’esperienza utente, dal client al cloud.
La prima generazione di SLE e Marvis si basava sull’uso dell’informazione reciproca per determinare i classificatori e le raccomandazioni in caso di esperienza utente negativa. Oggi, Marvis è passato a un Large Experience Model (LEM), ampliando ulteriormente le possibilità. Ad esempio, combinando il LEM con i Marvis Minis è possibile creare digital twin che simulano proattivamente le connessioni degli utenti per individuare i problemi prima che si manifestino. Con i Minis, Marvis può prevedere l’esperienza utente nelle collaborazioni video e utilizzare il modello di data science Shapley per generare un elenco prioritario di classificatori e raccomandazioni al fine di migliorare l’esperienza.
L’elaborazione di raccomandazioni proattive è il primo passo verso un Self-Driving Network che permette ai team IT di andare oltre l’identificazione dei problemi e concentrarsi sulla generazione di raccomandazioni concrete. I team IT che sono passati a un’architettura AIOps basata sul cloud affermano di essere riusciti a trasformare il proprio approccio operativo da reattivo a proattivo. Anziché dedicare ore al troubleshooting, i team possono concentrarsi su iniziative strategiche, mentre il sistema analizza continuamente i pattern, rileva le anomalie e suggerisce azioni correttive. Questo passaggio dal monitoraggio passivo a un processo decisionale guidato è una tappa fondamentale verso il networking autonomo.
Il valore delle raccomandazioni AI-Native
Gli ambienti IT oggi sono sempre più complessi e coinvolgono una moltitudine di sedi, ambienti cloud, dispositivi e applicazioni. La gestione tradizionale della rete si basa spesso su una risoluzione dei problemi reattiva, in cui i problemi vengono affrontati solo dopo che hanno avuto un impatto sugli utenti. Le raccomandazioni AI-Native invertono questo approccio:
- Identificazione dei problemi prima che diventino gravi: le AIOps cloud-native analizzano e prevedono continuamente le esperienze utente negative e determinano in che modo le funzionalità di rete contribuiscono a tali problemi
- Guida chiara e pratica: invece di limitarsi a evidenziare gli insight, l’AI li traduce in raccomandazioni specifiche, riducendo la necessità di indagini manuali e accelerando la risoluzione
- Fiducia verso le operazioni AI-Native: offrendo raccomandazioni anziché agire direttamente, l’AI consente ai team IT di validare e implementare le modifiche con i propri tempi, favorendo nel tempo la fiducia verso l’automazione
Grazie a questi insight e raccomandazioni, le aziende possono ridurre il tempo medio di risoluzione (MTTR), migliorare l’esperienza utente e l’affidabilità complessiva della rete. Integrando le raccomandazioni AI-Native nelle operazioni quotidiane, i team IT possono quindi passare da un troubleshooting reattivo a un’ottimizzazione proattiva.
Prepararsi al prossimo passo: azioni assistite
Il passaggio dagli insight alle raccomandazioni rappresenta una tappa fondamentale nel viaggio verso il Self-Driving Network. Seguendo le raccomandazioni AI-Native, i team IT acquisiscono fiducia nella capacità dell’AI di migliorare le prestazioni e l’affidabilità della rete.
Con la graduale integrazione dell’AI nelle loro operazioni di rete, le aziende migliorano step-by-step in efficienza, resilienza e agilità. Nella quarta fase (Assistenza), vedremo in che modo le azioni assistite da AI aiutano a eliminare il gap tra l’intervento manuale e la completa automazione, portando a una maggiore semplicità operativa.
A che punto si trova la tua organizzazione nel percorso verso il Self-Driving Network? Ovunque tu sia, Juniper può aiutarti a compiere il passo successivo.
Leggi il prossimo post di questa serie di blog.
Altri blog di questa serie
Il viaggio verso il Self-Driving Network™ nasce dalla fiducia nell’AI
