In het vorige bericht gingen we in op de eerste fase van de weg naar het zelfsturende netwerk: data – de cruciale basis voor een intelligent netwerk. Maar met alleen data los je geen problemen op. Fase 2 is de fase waarin we wiskunde en datawetenschappen gebruiken om echte waarde uit de data te halen; de onbewerkte gegevens worden omgezet in nauwkeurige, bruikbare inzichten die de manier veranderen waarop netwerken worden beheerd.
De waarde van informatie
Bij de traditionele manier van troubleshooting worden cryptische CLI-opdrachten bekeken, logboeken doorgeplozen en apparaten handmatig gecontroleerd. Kortom: een traag, reactief en frustrerend proces. IT-teams lopen achter de feiten aan en lossen problemen pas op nadat die door gebruikers zijn gemeld. Een probleem opsporen is zoeken naar een speld in een hooiberg, en het aantal mogelijke oorzaken is eindeloos.
Dankzij AI-native inzichten is dit giswerk niet meer nodig. Nu kunnen IT-mensen problemen opsporen en oplossen voordat ze zelfs maar worden opgemerkt door gebruikers, en hoeven ze niet langer handmatig allerlei informatie door te spitten. En wanneer de juiste data proactief inzicht geven in problemen, neemt dat een hoop van de frustratie van het ‘brandjes blussen’ en continue troubleshooten weg.
Voordelen in de praktijk
Om vertrouwen te krijgen in AI en de inzichten die het biedt, zullen IT-teams de resultaten met eigen ogen willen zien. Een voorbeeld dat ik regelmatig aanhaal, is dat van een sceptische IT-manager waarmee ik te maken had tijdens een proof of concept. Deze IT-manager betwijfelde of Juniper Mist AI™ het netwerk kon helpen beheren en problemen kon opsporen die zijn teamleden zelf nog niet hadden gevonden. Tijdens de proof of concept konden apparaten geen verbinding maken met het netwerk van Juniper, maar wel met dat van de concurrent. Gelukkig ontdekten we dankzij onze op data gebaseerde inzichten een router (niet de Mist-router) met een onjuist geconfigureerde MTU (Maximum Transmission Unit), waardoor de authenticatiepakketjes niet werden doorgelaten.
Ook spoorde Mist AI een beschadigde ethernetkabel op onder het bureau van een van de medewerkers. Dit probleem was nog door niemand gemeld. In de eerste instantie geloofde het IT-team de waarschuwing dan ook niet. Maar wat bleek: de medewerker was zonder iets te zeggen overgestapt naar de wifi omdat het bekabelde netwerk niet goed werkte. Zo bracht Mist AI een probleem aan het licht dat het IT-team niet kon zien.
De in eerste instantie sceptische IT-manager was volledig overtuigd nadat hij had ervaren hoe Mist AI dit soort problemen nauwkeurig opspoorde.
De mate van gedetailleerd inzicht zorgt voor een transformatie van IT-activiteiten in alle bedrijfstakken. Zo heeft Gap Inc., een grote retailer, nu zo’n goed beeld van het netwerk dat het aantal probleemtickets met 90% is afgenomen. “Nu kunnen we de gegevens los van elkaar bekijken en heel helder zien dat we een probleem hebben bij een specifieke winkel”, vertelt Snehal Patel, Global Network Architect bij Gap. Dankzij de informatie op winkelniveau kunnen IT-mensen snel handelen en goede verbindingen garanderen voor zowel medewerkers als klanten.
Ook hoger-onderwijsinstellingen hebben de voordelen al ervaren. Dartmouth College gebruikt Mist AI om ervoor te zorgen dat iedereen op de campus een uitstekende gebruikerservaring heeft. “Ook als maar 2% van de gebruikers een probleem heeft, kunnen we het toch meteen oplossen”, zegt Mitch Davies, de CIO van Dartmouth. AI-native inzichten zorgen ervoor dat IT-teams niet hoeven te wachten tot er veel klachten binnenkomen, maar problemen proactief kunnen opsporen en aanpakken. Daarmee garanderen ze een consistente hoogwaardige gebruikerservaring voor zowel studenten als medewerkers.
Maar Mist AI doet meer dan alleen informatie bieden: het neemt ook een deel van het gebrek aan IT-vaardigheden weg – en dat gebrek is een steeds grotere uitdaging voor organisaties. Zo maakt AI het netwerkbeheer veel toegankelijker bij het Rady kinderziekenhuis. “We zijn niet langer afhankelijk van ervaren netwerkengineers voor het interpreteren van een reeks losse meetgegevens. We kunnen nu makkelijker verbanden leggen en zo rechtstreeks inzoomen op problemen”, aldus Daniel Madain, Network Engineer Team Lead bij Rady. Hierdoor kunnen de doorgewinterde engineers zich steeds meer gaan bezighouden met innovatie en strategische projecten, en kunnen de minder ervaren medewerkers zich bezighouden met de dagelijkse beheeractiviteiten. Deze mogelijkheid is bijzonder waardevol in een tijd waarin IT-teams uit steeds minder mensen bestaan.
De reis gaat verder
Inzichten zijn een ware gamechanger omdat IT-teams problemen sneller en efficiënter kunnen oplossen dan ooit tevoren. Maar de volgende stap, het vertalen van die inzichten naar aanbevelingen, maakt nog veel meer dingen mogelijk. In het volgende bericht gaan we in op hoe AI-gestuurde aanbevelingen een proactief netwerkbeheer mogelijk maken en ons nog dichter bij ons einddoel brengen: het zelfsturende netwerk.
Hoever is uw organisatie gevorderd met de reis naar het zelfsturende netwerk? Waar u ook bent, Juniper kan helpen met het zetten van de volgende stap.
Lees het volgende artikel in deze reeks.
Andere blogs in deze reeks
De weg naar het zelfsturende netwerk is geplaveid met vertrouwen in AI
Fase 1 van de reis naar het zelfsturende netwerk: data
