In deze fase van onze reis op weg naar het zelfsturende netwerk hebben we het fundament van een AI-native netwerk, data, al behandeld. We hebben onderzocht hoe het in de cloud wordt verwerkt en omgezet naar inzichten en aanbevelingen via Servicelevelverwachtingen (SLE’s) en classificaties. De volgende stap is AI-ondersteuning, waarbij AI een actievere rol gaat spelen in de netwerkexploitatie. In deze fase biedt AI op data gebaseerde aanbevelingen voor het oplossen van problemen en kan het, indien er toestemming voor is gegeven, zelf geautomatiseerde acties ondernemen om dat te doen.
Deze verschuiving past binnen een sectorbrede trend; het toenemende vertrouwen in de capaciteit van AI om steeds complexere omgevingen te beheren. Volgens IDC Research geeft bijna de helft van de bevraagde organisaties de voorkeur aan netwerkbeheerplatformen die zijn gebaseerd op AI, die de noodzakelijke acties voor herstel en optimalisatie niet alleen kunnen bepalen, maar ook kunnen uitvoeren.
De strategische waarde van AI-ondersteuning
Door AI ondersteunde acties vereenvoudigen de netwerkexploitatie, verminderen de werkdruk van IT-teams en verkorten hersteltijden. Dat alles zorgt voor een uitmuntende netwerkperformance voor eindgebruikers en geeft de IT meer ruimte om zich bezig te houden met strategische en innovatieve initiatieven.
Naarmate netwerken complexer worden, stijgt het aantal netwerkgebeurtenissen, van kleine configuratiefoutjes tot omvangrijke serviceonderbrekingen, en wordt het voor IT-teams steeds moeilijker om kritieke gebeurtenissen op te sporen en te verhelpen. Met AI-ondersteuning door middel van AIOps in de cloud kunnen IT-teams het kaf van het koren scheiden. Door de meest kritieke kwesties te prioriteren op basis van bewijs en automatisch op te lossen (met toestemming van IT), kunnen IT-teams met AIOps snel en proactief inspringen op problemen. Hierdoor kost troubleshooting aanzienlijk minder tijd en komen meer resources vrij voor waardevollere strategische initiatieven, zoals innovatie en langetermijnplanning.
Van data naar actie: zo werkt AI-ondersteuning
Efficiënte, praktische aanbevelingen die goed worden onderbouwd, zijn gebaseerd op data van honderden gebeurtenissen en real-time gebruikerservaringen die zijn gefilterd via geavanceerde wiskundige algoritmen en AI/ML-modellen.
Wanneer IT’ers vertrouwen hebben in het resultaat, kunnen ze toestemming geven om het probleem automatisch te laten oplossen door AIOps. En naarmate het vertrouwen groeit, kunnen de aanbevelingen op een lijst met vertrouwde acties worden gezet, zodat in het vervolg vergelijkbare problemen volledig autonoom kunnen worden verholpen door AI, zonder dat het IT-team eraan te pas komt. Daarmee wordt AIOps een volwaardig lid van het IT-team en is de zelfsturende functie geactiveerd.
Door AI ondersteunde acties kunnen in drie categorieën worden ingedeeld:
- Optimalisatie: de gebruikerservaring wordt doorlopend geoptimaliseerd door middel van AI/ML-algoritmen zoals Radio Resource Management (RRM) en Network Resource Management (NRM).
- Aanbevolen acties: AI spoort kritieke problemen op en stelt een specifieke praktische oplossing voor met een verantwoording.
- Geautomatiseerde acties: vertrouwde aanbevelingen die door het IT-team zijn toegevoegd aan de lijst met goedgekeurde acties die AI mag uitvoeren zonder menselijke tussenkomst.
En daar komt Marvis om de hoek kijken, onze unieke AI-assistent
Bij Juniper realiseren we dit alles met Marvis® de AI-assistent, die een basisonderdeel is van AI-native netwerkplatform Mist™. Marvis maakt gebruik van AI/ML-algoritmen zoals RRM en NRM om gebruikerservaringen doorlopend en proactief te optimaliseren. Met behulp van Marvis Actions worden zowel aanbevolen als geautomatiseerde acties aangeboden in respectievelijk de ‘driver assist-‘ (stuurhulp) en ‘self-driving-‘ (zelfsturende) modus.
In de stuurhulpmodus zoekt Marvis naar gebeurtenissen die de performance beïnvloeden en beveelt hij efficiënte oplossingen aan voor problemen zoals non-compliant firmware, foute poortconfiguraties, kapotte kabels, ontbrekende VLAN’s en overbelaste WAN-circuits.
Wanneer de zelfsturende modus van Marvis is ingeschakeld, wat inhoudt dat een aanbeveling op een lijst met vertrouwde acties is geplaatst, kan Marvis zelfstandig foute poortconfiguraties, snelheidsproblemen en andere zaken oplossen, allemaal conform de door IT opgestelde beleidsregels. Elke actie, ongeacht of die ondersteunend is of volledig autonoom, wordt geregistreerd en gevalideerd in het Marvis Actions-dashboard. Daarin krijgen IT-medewerkers een transparant overzicht van de belangrijkste problemen en de aanbevolen oplossingen, en kunnen ze nagaan welke door mensen zijn geïnitieerd en welke zelfstandig zijn uitgevoerd.
Marvis in actie: echte resultaten
Klanten over de hele wereld beginnen te zien wat de voordelen zijn van Marvis Actions. Zo ondervond een groot bedrijf uit de IoTM-branche ruim een jaar lang terugkerende problemen met de Zoom-verbindingen met gebruikers in India. Uit de aanbevelingen van het Large Experience Model van Marvis bleek dat er een VPN-gateway verkeerd was geconfigureerd, waardoor packets naar een locatie in Australië werden verzonden, met meer latentie en jitter tot gevolg.
In een ander geval had een grote retailer problemen met de wifi-performance op bepaalde plaatsen in hun winkels. Marvis stelde vast dat het probleem werd veroorzaakt door draadloze demoproducten en veranderde de kanaalfrequentie automatisch van 40 MHz naar 20 MHz. Daarmee werd de performance geoptimaliseerd voor zowel de werknemers als de klanten.
De volgende stap in de richting van autonomie
Dankzij Marvis beschikken IT-teams over meer dan inzicht; ze hebben er een waardevol nieuw teamlid bij. Een teamlid dat problemen kan prioriteren, herstelacties kan aanbevelen en uitvoeren, en kan verifiëren dat die herstelacties goed zijn uitgevoerd. Deze ondersteunde capaciteiten bieden een belangrijke basis voor ware autonomie, waarmee IT-mensen geleidelijk aan hun terugkerende routinematige klussen door AI kunnen laten doen – met betere prestaties en meer efficiëntie als resultaat. Maar net zo belangrijk is dat hierdoor IT-teams weer meer tijd hebben om zich te richten op waardetoevoegende initiatieven en zich kunnen bezighouden met innovatie in plaats van troubleshooting.
Fase 4 is dan ook het kantelpunt, want AI doet niet langer alleen aanbevelingen, maar onderneemt ook echt actie. In het volgende en laatste blogbericht behandelen we de laatste fase van de reis naar het zelfsturende netwerk, waarin AI niet alleen maar helpt bij de exploitatieactiviteiten, maar die zelfstandig beheert. Daarnaast kijken we naar hoe Juniper koploper is op het gebied van zelfsturende netwerken en gebruikmaakt van Marvis Minis, Large Experience Models en AI-agenten.
Ongeacht hoever u bent gevorderd met uw reis, kan Juniper helpen met het zetten van de volgende stap.
