Op de weg naar het zelfsturende netwerk hebben we eerst de basis gelegd, door datawetenschappen en klantenservice te laten samenwerken aan het identificeren van de juiste data (Fase 1: Data). Vervolgens hebben we die data naar de cloud verzonden om informatie over het netwerk te bieden (Fase 2: Inzichten). In fase 3 worden die inzichten geordend in meetgegevens en classificaties, waarmee we de basis leggen voor de aanbevelingen voor het oplossen van netwerkproblemen.
Bij Juniper weten we dat groene lampjes op losse netwerkonderdelen, zoals toegangspunten, switches en routers, geen garantie bieden voor een uitmuntende end-to-end, client-to-cloud gebruikerservaring. Daarom bieden we niet alleen inzicht in hoe het netwerk functioneert, maar ook in hoe de gebruikers het netwerk ervaren. Dit doen we aan de hand van servicelevelverwachtingen (SLE’s) die zijn gebaseerd op Mist AI™ en Marvis®, de enige echte AI-assistent in de cloud. De SLE-meetgegevens en -classificaties meten de kwaliteit van de netwerkervaring van de gebruikers en doen aanbevelingen waarmee het IT-team problemen kan verhelpen die van invloed zijn op die netwerkervaring. De SLE-meetgegevens en -classificaties meten de kwaliteit van de netwerkervaring van de gebruikers en doen aanbevelingen waarmee het IT-team problemen kan verhelpen die van invloed zijn op die netwerkervaring.
De eerste generatie SLE’s en Marvis werkten op basis van wederzijdse informatie om classificaties te maken en aanbevelingen te doen in het geval van een slechte gebruikerservaring. Tegenwoordig werkt Marvis met een Large Experience Model (LEM), dat nog veel meer mogelijkheden biedt. Door de LEM bijvoorbeeld te combineren met Marvis Minis ontstaan digital twins die proactief gebruikersverbindingen kunnen simuleren om problemen op te sporen voordat de gebruiker daar last van heeft. Met Minis kan Marvis de kwaliteit van een videovergadering voorspellen, en met behulp van het datawetenschappelijke Shapley-model een geordende lijst met classificaties en aanbevelingen opstellen om de gebruikerservaring te verbeteren.
Proactieve aanbevelingen zijn de eerste stap in de richting van een zelfsturend netwerk waarin IT-teams bruikbare aanbevelingen opsporen in plaats van alleen het probleem. IT-afdelingen die zijn overgestapt naar een AIOps-architectuur in de cloud werken nu proactief in plaats van elke dag weer reactief. In plaats van dat ze urenlang bezig zijn met troubleshooting, kunnen ze zich bezighouden met strategische initiatieven terwijl het systeem doorlopend patronen analyseert, afwijkingen detecteert en herstelacties voorstelt. Deze transitie van passieve monitoring naar begeleide besluitvorming is een essentiële stap in de richting van autonome netwerken.
De waarde van AI-aanbevelingen
IT-omgevingen worden steeds ingewikkelder; ze omvatten meerdere locaties, cloudomgevingen, apparaten en applicaties. De traditionele manier van netwerkbeheer bestaat grotendeels uit reactieve troubleshooting, waarbij problemen pas worden aangepakt nadat gebruikers er last van hebben ondervonden. AI-aanbevelingen draaien deze benadering om door het volgende te doen:
- Problemen opsporen voordat ze escaleren: Cloud-native AIOps zijn doorlopend bezig met analyseren, kunnen een slechte gebruikerservaring voorspellen en bepalen welke netwerkonderdelen bijdragen aan die ervaring.
- Duidelijke en bruikbare begeleiding bieden: AI toont niet alleen maar een reeks inzichten, maar vertaalt die naar specifieke aanbevelingen om de hoeveelheid handmatig werk te verminderen en herstel te bespoedigen.
- Vertrouwen wekken in AI-native activiteiten: Doordat AI aanbevelingen doet en niet meteen actie onderneemt, kunnen IT-teams wijzigingen valideren en implementeren op hun eigen tempo en geleidelijk aan steeds meer gaan vertrouwen in de automatisering daarvan.
Met behulp van deze inzichten en aanbevelingen kunnen organisaties de gemiddelde oplossingstijd (MTTR) verkorten, gebruikerservaringen verbeteren en de algehele betrouwbaarheid van het netwerk optimaliseren. Door aanbevelingen van AI te integreren in de dagelijkse werkzaamheden kunnen IT-team overschakelen van reactieve troubleshooting naar proactieve optimalisatie.
Op naar de volgende stap, ondersteunde acties
De verschuiving van inzichten naar aanbevelingen is een belangrijke mijlpaal op weg naar het zelfsturende netwerk. Door de AI-gestuurde aanbevelingen op te volgen, bouwen IT-teams vertrouwen op in de manier waarop AI de performance en betrouwbaarheid kan verbeteren.
Naarmate organisaties meer gebruikmaken van AI voor hun netwerkbeheer, zetten ze telkens een stap in de richting van meer efficiëntie, flexibiliteit en wendbaarheid. In de vierde fase (ondersteund) zien we hoe door AI ondersteunde acties de kloof tussen handmatig ingrijpen en volledige automatisering dichten en zorgen voor nog meer operationele eenvoud.
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
