قاده التفكير
الذكاء الاصطناعي يُجبر على إعادة ضبط مراقبة الشبكة
لسنوات طويلة، كان نقاش مراقبة الشبكة يدور حول الأدوات. أي منصة تجمع أوسع نطاق من بيانات القياس عن بُعد؟ أي وكيل يغطي أجهزتي الأقل استخدامًا؟ أي بنية ستؤدي أفضل أداء على نطاق واسع؟ عند أي نقاط في الشبكة يجب أن نلتقط الحزم؟ كان هذا النقاش يفترض أن الشبكة مستقرة نسبيًا وأن التغيير تدريجي.
لم يعد الأمر كذلك.
تؤدي أحمال العمل المدعومة بالذكاء الاصطناعي إلى زيادة تقلبات حركة البيانات، مع تسارع تبني الذكاء الاصطناعي في جميع أنحاء المؤسسة. وتشير الأبحاث الحديثة إلى أن 88% تستخدم العديد من المؤسسات الآن الذكاء الاصطناعي في وظيفة واحدة على الأقل من وظائفها التجارية. تمتد البنى الهجينة عبر الحوسبة السحابية ومراكز البيانات وشبكات WAN والحوسبة الطرفية. تتداخل مؤشرات الأمان والأداء الآن بطرق لم تكن موجودة قبل خمس سنوات. وتتوقع الشركات حلولاً أسرع، وانقطاعات أقل، ومساءلة واضحة.
تحت هذا الضغط، تفشل الأساليب الحالية لمراقبة الشبكات. ليس لأن الفرق تفتقر إلى المهارة، بل لأن البنية التحتية للمراقبة لم تواكب التطورات.
لا يتعلق الأمر بإضافة المزيد من لوحات المعلومات أو جمع المزيد من البيانات، بل يتعلق بإدراك أن قابلية المراقبة يجب أن تتطور من مجرد مجموعة من الأدوات إلى أساس بيانات متكامل. هذا الأساس هو ما سيمكن فرق عمليات الشبكة من الاستفادة من الذكاء الاصطناعي في مراقبة الشبكة وتحليلها.
إليك كيفية التفكير في وضعك الحالي وكيفية المضي قدماً.
أين أنت على منحنى النضج؟
أظهرت الأبحاث التي أجرتها شركة إدارة المشاريع (EMA) أن فقط 46٪ من قادة تكنولوجيا المعلومات كانوا يعتقدون أنهم حققوا نجاحًا كاملًا باستخدام أدوات مراقبة الشبكة. معظم الشكاوى معروفة، ومنها انتشار الأدوات بشكل مفرط، وكثرة التنبيهات، وضعف جودة البيانات.
تقرير وكالة الأدوية الأوروبية لعام 2025، نموذج نضج مراقبة الشبكة: كيفية التخطيط للتميز في عمليات الشبكةكما حدد خمس مراحل متميزة للنضج:
- مخصص وتفاعلي
- مجزأ وانتهازي
- متكاملة وتُدار مركزياً
- ذكي وآلي
- مُحسَّن ومُدعَّم بالذكاء الاصطناعي
اليوم أريد أن أركز على المراحل الثلاث الوسطى، وهي المرحلة التي ستجد فيها معظم المنظمات، قبل وصف الطريق إلى المرحلة النهائية.
مجزأ وانتهازي
لديك أدوات مراقبة متعددة، غالباً ثلاث أو أربع. وتؤكد أبحاث القطاع النمط نفسه، حيث يعتمد 87% من فرق عمليات الشبكات الآن على أدوات مراقبة متعددة، ومع ذلك فقط 29% من التنبيهات النتائج التي يتم توليدها قابلة للتنفيذ. التغطية موجودة، لكنها غير متساوية. يعمل المهندسون كطبقة تكامل، حيث يتنقلون بين منصات العمل ويربطون الأحداث ذهنياً. قد يكون الذكاء الاصطناعي موجوداً، لكنه يعمل ضمن أنظمة معزولة. تبذل الفرق جهداً كبيراً في هذه المرحلة، لكن البنية التحتية تعيقهم.
متكاملة وتُدار مركزياً
لقد حققتم تغطية مراقبة قوية للبنية التحتية وحركة البيانات. هناك تكامل بين الأنظمة. لوحات المعلومات موحدة. قد يكون لديكم نظام أتمتة مبكر للحوادث الشائعة.
لكن تحليل الأسباب الجذرية لا يزال يعتمد على الربط اليدوي للبيانات. والرؤى التنبؤية محدودة. صحيح أن الذكاء الاصطناعي يُسرّع التحليل، لكنه لا يُغيّر جوهرياً طريقة فهم الشبكة.
ذكي وآلي
تُوفّر القياسات عن بُعد بيانات آنية في المجالات الحيوية. يتم ربط بيانات التدفق والحزم والتكوين. وتُصدر التنبيهات بناءً على السياق، لا على أساس العتبات. يدعم الذكاء الاصطناعي اكتشاف الحالات الشاذة، والتنبؤ بالسعة، والمعالجة الموجهة. يتم إدخال الأتمتة بشكل مدروس وضمن ضوابط السياسات. وتقتصر هذه المرحلة على المؤسسات التي تمتلك موارد وفيرة.
وصلت مجموعة أصغر من أفضل المؤسسات في فئتها إلى المرحلة النهائية من النضج، وهي مرحلة التحسين والاعتماد على الذكاء الاصطناعي. لن تساعدك الأدوات وحدها على التطور.
من الذكاء والأتمتة إلى التحسين والتشغيل المدعوم بالذكاء الاصطناعي: ما الخطوة التالية؟
لا يتطلب تحديث مراقبة الشبكة إزالة ما لديك، بل يتطلب التحول من الأدوات إلى البيانات.
1. ابدأ بتماسك البيانات، وليس بمزيد من الذكاء الاصطناعي
قبل توسيع مبادرات الذكاء الاصطناعي، اسأل نفسك سؤالاً: هل بيانات شبكتنا نظيفة ومتسقة ومتصلة عبر المجالات؟
تُقوّض تنسيقات القياس عن بُعد غير المتسقة، والثغرات في الحوسبة السحابية أو شبكات SD-WAN، وتكرار عناوين IP، وسجلات المخزون القديمة، نتائج الذكاء الاصطناعي أكثر مما يدركه معظم المديرين التنفيذيين. فإذا تعذّر ربط بيانات القياس عن بُعد بالهوية والسياق بشكل موثوق من خلال عناوين موثوقة، فإن الارتباط يبقى احتماليًا لا قطعيًا.
هنا تبرز أهمية خدمات الشبكة الأساسية. فخدمات نظام أسماء النطاقات (DNS) وبروتوكول التكوين الديناميكي للمضيف (DHCP) وإدارة عناوين IP (المعروفة مجتمعة باسم DDI) تُشكل الخريطة المرجعية للشبكة. ويرتبط كل جهاز وحمل عمل واتصال بهذه الطبقة.
عندما تُعزز بيانات المراقبة عن بُعد بمعلومات موثوقة حول الهوية والعنوان، يصبح التحليل أكثر دقة. ويستطيع الذكاء الاصطناعي التمييز بين السلوك المتوقع والشذوذ الحقيقي بثقة أكبر. ويتم تحليل الأسباب الجذرية بشكل أسرع، وتصبح الأتمتة أكثر أمانًا.
2. تقليل انتشار الأدوات من خلال التكامل العميق
ستستمر معظم المؤسسات في تشغيل أنظمة مراقبة متعددة. ليست هذه هي المشكلة الرئيسية، بل المشكلة تكمن في التكامل السطحي.
لا يُحقق دمج لوحة تحكم داخل أخرى أو مشاركة بيانات أساسية مُصدّرة التناسق. تتكامل البيئات المتطورة على مستوى البيانات، حيث تُنسق جمع بيانات القياس عن بُعد، وتربط التنبيهات عبر مختلف المجالات، وتُمكّن سير العمل الذي يشمل أدوات متعددة بدلاً من أن يبقى محصوراً داخلها.
عندما يصل التكامل إلى هذا المستوى، يصبح التوحيد منطقياً بدلاً من أن يكون سياسياً. ويسهل التخلص من الأنظمة الزائدة. كما يسهل ترشيد بيانات القياس عن بُعد المتداخلة. ويعمل الذكاء الاصطناعي في سياق موحد بدلاً من أجزاء مجزأة.
3. التحديث على مراحل لتجنب الاضطراب
إن الخوف من زعزعة استقرار الأنظمة القديمة أمرٌ مشروع. لا أحد يرغب في تعطيل الإنتاج أثناء السعي لتحقيق نقاء البنية. ويقلل اتباع نهج تدريجي من هذا الخطر.
المرحلة الأولى: الذكاء المتراكب
قم بتجميع بيانات القياس عن بُعد في طبقة تحليلات مشتركة. وأضف إليها معلومات عن الهوية وسياق السياسات. استخدم الذكاء الاصطناعي للكشف والتوصية، وليس للتنفيذ التلقائي.
المرحلة الثانية: التوحيد والترشيد
مع تحسن الارتباط وانخفاض التشويش، حدد الأدوات الزائدة عن الحاجة وقم بإيقاف تشغيل تلك التي لا يمكنها المشاركة في البنية الموحدة.
المرحلة الثالثة: إدخال أنظمة التشغيل الآلي المزودة بحواجز حماية
ابدأ بسيناريوهات الأتمتة منخفضة المخاطر. دع يقترح الذكاء الاصطناعي العامل حلولاً قبل السماح بالتنفيذ. التوسع تدريجياً مع نضوج الثقة والحوكمة.
الأمر لا يتعلق بضغط زر. بل يتعلق بزيادة التماسك دون التضحية بالاستقرار.
التحول الاستراتيجي: الانتقال إلى الأنظمة المُحسّنة والقائمة على الذكاء الاصطناعي
لم تعد إمكانية المراقبة مجرد مجموعة من أدوات الرصد، بل أصبحت بنية تحتية أساسية مدعومة بالذكاء الاصطناعي تتطلب معيارًا جديدًا. عندما تُرسّخ المؤسسات إمكانية المراقبة في بنية بيانات موحدة ومعلومات شبكية موثوقة، يصبح الذكاء الاصطناعي استباقيًا.
تنتقل التحليلات التنبؤية من النظرية إلى التطبيق. فمن خلال تحليل بيانات القياس عن بُعد التاريخية والآنية معًا، يستطيع الذكاء الاصطناعي تحديد المؤشرات المبكرة لضغط السعة، أو انحراف التكوين، أو السلوك غير الطبيعي قبل تفاقمها. وبدلًا من التسرع في إصلاح الأعطال، تتدخل الفرق قبل أن يلاحظ المستخدمون أي تدهور. وهذا أمر بالغ الأهمية، لأن انقطاعات تكنولوجيا المعلومات واسعة النطاق قد تكلف المؤسسات مبالغ طائلة. مليونا دولار في الساعة.
يصبح تخطيط القدرات ديناميكيًا بدلاً من أن يكون دوريًا. ويمكن التنبؤ مسبقًا بنضوب الموارد وتشبع الخدمة، مما يتيح التحسين الاستباقي بدلاً من التوسع التفاعلي.
هذا ما يلوح في الأفق.
إذا كانت بياناتك مجزأة، فسيكشفها الذكاء الاصطناعي.
إذا كانت بنيتك الأساسية متماسكة، يصبح الذكاء الاصطناعي أداةً فعّالة.
السؤال ليس ما إذا كنت ستتبنى المراقبة والذكاء المدعوم بالذكاء الاصطناعي، بل السؤال هو ما إذا كانت بنيتك التحتية جاهزة لذلك.
