Em nossa jornada para a Self-Driving Network™, estabelecemos a base, com a ciência de dados e o suporte ao cliente trabalhando em conjunto para identificar os dados certos (Estágio 1: dados) e depois enviando esses dados para a nuvem a fim de fornecer insights sobre a rede (Estágio 2: insights). No estágio 3, os insights são organizados em métricas e classificadores que fornecem recomendações para resolver problemas da rede.
Na Juniper, entendemos que a aprovação de elementos de rede individuais (ou seja, AP, switch, roteador), por si, não garantem experiências do cliente à nuvem que sejam abrangentes e excepcionais. É por isso que trazemos não só insights do desempenho da rede mas também da forma como os usuários vivenciam a rede. Fazemos isso por meio de expectativas de nível de serviço (SLEs) capacitadas pelo Mist AI™ e pelo Marvis®, o único assistente de IA na nuvem do setor. As métricas e os classificadores de SLE medem a qualidade das experiências de rede dos usuários e fornecem recomendações para as equipes de TI resolverem problemas que afetam a experiência de usuário do cliente à nuvem. As métricas e os classificadores de SLE medem a qualidade das experiências de rede dos usuários e fornecem recomendações para as equipes de TI resolverem problemas que afetam a experiência de usuário do cliente à nuvem.
A primeira geração de SLEs e do Marvis dependia de informações mútuas para determinar classificadores e recomendações para uma experiência de usuário ruim. Agora, o Marvis utiliza um Modelo de experiência grande (LEM), revelando um potencial ainda maior. Por exemplo, combinar o LEM com o Marvis Minis habilita gêmeos digitais que simulam, de forma proativa, as conexões de usuário para identificar problemas antes que afetem os usuários. Com o Minis, o Marvis pode prever a experiência dos usuários com vídeo colaborativo e depois usar o modelo de ciência de dados do Shapley para criar uma lista ranqueada de classificadores e recomendações e aprimorar a experiência.
As recomendações proativas são o primeiro passo para uma Self-Driving Network que capacite as equipes de TI a irem além da simples identificação de problemas para um paradigma de identificação de recomendações úteis. As equipes de TI que adotaram uma arquitetura AIOps baseada na nuvem contam que agora são capazes de passar de um modo de operação reativo diário para um modo proativo. Em vez de passar horas tentando resolver problemas, as equipes podem focar em iniciativas estratégicas enquanto o sistema analisa padrões continuamente, detecta anomalias e sugere ações corretivas. Essa transição do monitoramento passivo para a tomada de decisão guiada é um passo crítico em direção à rede autônoma.
O valor das recomendações nativas da IA
Os ambientes de TI estão cada vez mais complexos, abrangendo inúmeros locais, dispositivos e aplicativos. O gerenciamento de rede tradicional costuma depender da resolução reativa, em que os problemas são tratados apenas depois que já afetam os usuários. As recomendações nativas da IA transformam essa abordagem ao:
- Identificar problemas antes que se agravem: o AIOps nativo da nuvem analisa e prevê continuamente experiências ruins e determina como os recursos da rede contribuem para essas experiências
- Fornecer orientação clara e útil: em vez de apenas obter insights, a IA transforma esses insights em recomendações específicas, reduzindo a necessidade de intervenção manual e agilizando a resolução
- Estabelecer confiança nas operações nativas da IA: ao apresentar recomendações em vez de realizar uma ação imediata, a IA permite que as equipes de TI validem e implementem as mudanças em seu próprio ritmo, gerando confiança na automação ao longo do tempo
Por meio desses insights e recomendações, as organizações podem reduzir o tempo médio para a resolução (MTTR), aprimorar a experiência dos usuários e melhorar a confiabilidade geral da rede. Com a integração das recomendações nativas da IA às operações cotidianas, as equipes de TI podem passar da resolução de problemas reativa para a otimização proativa.
Preparação para a nova etapa: ações assistidas
A transição de insights para recomendações é um marco importante na jornada para a Self-Driving Network. Ao agir segundo as recomendações nativas da IA, as equipes de TI ganham confiança na capacidade da IA de melhorar o desempenho da rede e sua confiabilidade.
Conforme as organizações adotam a IA em suas operações de rede, cada etapa significa mais eficiência, resiliência e agilidade. No quarto estágio (assistido), vamos explorar como as ações assistidas por IA reduzem a distância entre a intervenção manual e a automação total, proporcionando uma simplicidade operacional ainda maior.
Onde a sua organização se situa nesta jornada para a Self-Driving Network? Onde quer que ela esteja, a Juniper pode ajudar você a dar o próximo passo.
Leia o próximo post desta série do blog.
Outros posts nesta série
A jornada para a Self-Driving Network™ tem como base a confiança na IA
