Fin qui, nel nostro viaggio verso il Self-Driving Network, abbiamo parlato dei dati, che sono la base di una rete AI-native, e analizzato il loro trattamento nel cloud con la successiva traduzione in insight e raccomandazioni tramite Service Level Expectation (SLE) e classificatori. Ora entriamo nella fase dell’assistenza AI, in cui l’intelligenza artificiale inizia a svolgere un ruolo più attivo nelle operazioni di rete, offrendo raccomandazioni basate sui dati per la risoluzione dei problemi e, quando autorizzata, intervenendo in modo automatico per correggerli.
Questo passaggio riflette una tendenza più ampia del settore: una crescente fiducia nelle capacità dell’AI di gestire ambienti sempre più complessi. Secondo IDC Research, quasi la metà delle organizzazioni intervistate preferisce piattaforme di gestione della rete basate su AI, in grado non solo di identificare le azioni correttive ma anche di eseguirle in autonomia.
Il valore strategico dell’AI assistita
Le azioni assistite da AI semplificano le operazioni di rete, riducono il carico manuale sui team IT e velocizzano la risoluzione dei problemi, assicurando prestazioni di rete ottimali agli utenti finali e offrendo all’IT più tempo per le attività strategiche e innovative.
Con la maggiore complessità delle reti cresce anche il numero di eventi, da semplici errori di configurazione a gravi interruzioni del servizio, e per i team IT diventa più difficile identificare e gestire quelli davvero critici. L’assistenza AI tramite AIOps basate su cloud aiuta i team IT a concentrarsi sugli eventi più rilevanti. Evidenziando i problemi ad alta priorità con prove specifiche e risolvendoli automaticamente (previa autorizzazione del team IT), le AIOps consentono una risposta rapida e proattiva, riducendo drasticamente i tempi di troubleshooting e aumentando il tempo disponibile per iniziative strategiche ad alto valore aggiunto, come l’innovazione e la pianificazione a lungo termine.
Dai dati all’azione: come funziona l’AI assistita
Filtrando i dati provenienti da centinaia di eventi e dall’esperienza utente in tempo reale mediante algoritmi matematici e modelli di AI/ML sofisticati, vengono generate raccomandazioni efficaci e realmente attuabili, supportate da una giustificazione chiara.
Se il team IT ha piena fiducia nel risultato, può autorizzare la soluzione AIOps a correggere automaticamente il problema. Nel tempo, con il graduale consolidarsi della fiducia, queste raccomandazioni possono essere aggiunte a un elenco di azioni approvate, permettendo all’AI di risolvere in autonomia problemi simili in futuro senza coinvolgere il team IT. È proprio qui che l’AIOps diventa un vero e proprio membro del team IT e attiva la modalità self-driving.
Le azioni assistite dall’AI si suddividono in tre categorie:
- Ottimizzazione: algoritmi AI/ML come il Radio Resource Management (RRM) e il Network Resource Management (NRM) ottimizzano costantemente l’esperienza utente
- Azioni consigliate: l’AI segnala i problemi critici e suggerisce una raccomandazione operativa precisa, supportata da evidenze
- Azioni automatizzate: raccomandazioni affidabili che il team IT ha autorizzato, permettendo all’AI di eseguirle in autonomia senza intervento umano
Entra in scena Marvis, l’assistente AI leader del settore
In Juniper, questi concetti prendono vita con Marvis® AI Assistant, integrato in Mist™, la nostra piattaforma di networking AI-native. Marvis utilizza algoritmi AI/ML come RRM e NRM per ottimizzare in modo continuo e proattivo l’esperienza degli utenti. Grazie alle Marvis Actions, fornisce sia azioni consigliate che automatizzate, modalità che chiamiamo “driver-assist” e “self-driving”.
In modalità driver-assist, Marvis rileva eventi che impattano le prestazioni e propone risoluzioni ad alta efficacia, supportate da evidenze, per problemi come firmware non conformi, porte mal configurate, cavi difettosi, VLAN mancanti e circuiti WAN congestionati.
Quando è abilitata la modalità self-driving, cioè quando il team IT ha autorizzato l’azione inserendola tra quelle attendibili, Marvis può correggere automaticamente porte configurate in modo errato, risolvere problemi di blocco delle porte e altro, sempre in linea con le policy definite dall’IT. Ogni azione, assistita o autonoma, viene registrata e convalidata nel dashboard di Marvis Actions, affinché i team possano consultare in tempo reale un riepilogo dei problemi principali, dei fix consigliati e delle azioni intraprese – sia manuali che autonome – per garantire trasparenza e controllo assoluti.
Marvis in azione: risultati concreti
Oggi i clienti di tutto il mondo stanno sperimentando i vantaggi delle Marvis Actions. Prendiamo il caso di una grande azienda IOTM che per oltre un anno ha riscontrato problemi intermittenti dei suoi utenti Zoom in una sede in India. Grazie alle raccomandazioni del modello LEM (Large Experience Model) di Marvis, è stato possibile individuare rapidamente un gateway VPN mal configurato che instradava i pacchetti verso una sede in Australia, causando latenza e jitter elevati.
In un altro caso, un grande retailer riscontrava scarse prestazioni in alcune aree dei propri punti vendita. Marvis ha rilevato che il problema era causato da interferenze dovute a prodotti demo wireless e ha regolato automaticamente la larghezza di banda dei canali da 40 MHz a 20 MHz, ottimizzando le prestazioni della rete in negozio sia per i dipendenti che per i clienti.
Verso il prossimo passo: l’autonomia
Con Marvis, i team IT ottengono molto più di semplici insight, conquistano un vero alleato. Un assistente in grado di dare priorità ai problemi più critici, suggerire e applicare le soluzioni, e verificare che ogni intervento sia stato eseguito correttamente. Queste funzionalità assistite rappresentano una base fondamentale per l’autonomia completa, perché permettono ai team IT di delegare progressivamente all’AI le attività più ripetitive e ottenere vantaggi in termini di prestazioni ed efficienza. Ma soprattutto, i team possono recuperare tempo prezioso da dedicare a iniziative strategiche ad alto valore, come l’innovazione, invece del troubleshooting.
La fase 4 segna un punto di svolta: l’AI non si limita più a dare suggerimenti, ma inizia ad agire. Nel prossimo e ultimo articolo di questa serie, analizzeremo l’ultimo passo del percorso verso il Self-Driving Network, dove l’AI non solo supporta le operazioni, ma le gestisce in modo completo. Vedremo anche in che modo Juniper sta guidando la transizione del settore verso il self-driving, grazie a Marvis Minis, ai Large Experience Models e all’agentic AI.
Qualunque sia il tuo punto di partenza nel percorso verso l’AI networking, Juniper è al tuo fianco per aiutarti a fare il prossimo passo.
