5 Netværksopgaver, som AI kan hjælpe NetOps med, og 5 som det ikke kan

I dag udvikler sig de digitale landskaber hurtigt, da kompleksiteten og omfanget af netværksinfrastrukturen fortsætter med at vokse eksponentielt. Dette fremgang bringer det med sig, at det bliver mere og mere udfordrende at styre netværk effektivt. Mens der findes en række værktøjer, der er designet til at hjælpe NetOps-hold, hævder Gartner, at to tredjedele af netværksopgaverne stadig er manuelle. Dette resulterer i en fortsat efterspørgsel efter at strømline netværksdrift og -styring.

Desuden medfører overgangen til skybaseret computing og virtualiseringsteknologier kombineret med nye teknologier og tjenester, at organisationer har brug for mere fleksible og skalerbare netværksstyringsteknologier, der kan hjælpe med den stigende mængde netværkstrafik og enheder. Mens scripting har været en måde at automatisere enkelttekniske opgaver på, er det ikke skalerbart på tværs af hele operationsholdet.

Indtast AI og mere specifikt løftet om generativ AI, som i løbet af de sidste to år har været en katalysator for markedet. Men med så mange AI-aktiverede teknologier, der nu rammer netværksområdet, kan det være svært at forstå, hvilken funktionalitet der er reel, og hvad der er AI-hvidvaskning. Lad os se på 5 netværksopgaver, som AI kan hjælpe NetOps-hold med i dag, og 5 områder, som det ikke kan (men måske kan i fremtiden?):

Hjælper NetOps-hold:

1. Infrastruktur-opdagelse og konfigurationsanalyse – Det er standardprocedur at identificere og katalogisere alle fysiske og virtuelle komponenter, der udgør en organisations IT-infrastruktur, og at undersøge indstillingerne, konfigurationerne og tilstandene for komponenterne i denne infrastruktur. Dette er en løbende proces, der kan tage timer om ugen, når den udføres manuelt. Men AI, der anvender en fuld Digital Tvilling af et netværk, accelererer dramatisk denne proces (for eksempel kan BGP-tunnel ned bringes ned fra 2 timer til 10 minutter) og henter op alle væsentlige oplysninger, som et NetOps-hold måske har brug for om enhardvare eller software, konfigurationer, ressourcer, ydeevne og sikkerhedsrisikovurderinger.

2. Dynamisk kortlægning – NetOps-hold anvender dynamisk kortlægning til netværksvisualisering, netværksovervågning, fejlfinding og meget mere. Det automatisk opdager, dokumenterer og opdaterer relationerne, stierne og forbindelserne mellem forskellige netværksenheder og -komponenter. AI (igen med en fuld Digital Tvilling af netværket) kan dynamisk tegne og kortlægge netværkstopologi relevant for en forespørgsel eller netværksproblem på få minutter, når det er nødvendigt. Uden AI må netværksingeniører bruge flere timer pr. lokalitet med at tegne kortene i Visio (hvilket kan tilføje hundredvis af timer for at fuldt ud kortlægge et enterprise-netværk), og kortene vil blive forældede på få uger eller endda dage.

3. Rodsagsanalyse og afvigelsesdetektering – Hver enkelt netværksprofessionel ved, hvor vigtigt rodsagsanalyse og afvigelsesdetektering er. De sikrer stabiliteten, sikkerheden og effektiviteten af systemer og processer. Typisk kræver dette den intuitive ekspertise af IT-fagfolk med års erfaring (ved hjælp af CLI-værktøjer, Ansible, Python osv.). Indtil AI var der ingen genveje til at opnå denne fejlfindingskundskab. AI, der er trænet af fagfolk, kan foreslå diagnose- eller vurderingslogik til brug i netværksautomatisering på samme måde, som AI allerede hjælper programmører med at generere kode. AI kan måske også snart hjælpe med at pålideligt reproducere, tilpasse og skala automatisering for hver enhed på netværket.

4. Anbefalede handlinger – Ligesom fejlfinding kræver det at rette en fejl (genoprette serviceniveauer til det ønskede grundniveau) ofte ekspertfærdigheder. Dette indebærer at forskere i leverandør-dokumentation og opnå kendskab til bedste praksis og personlig erfaring. AI kan katalogisere årtiers erfaring og bedre distribuere stamme-kendskab om nye problemer til ingeniører på alle niveauer. Når en diagnose er lavet og accepteret, eller uønskede tendenser er identificeret, kan AI anbefale korrektive handlinger, næste skridt, følge-op-procedurer eller ændringsforslag.

5. Dashboards og rapportering – Real-tid observabilitet, handlebare indsigt og evnen til at træffe underrettet beslutninger hurtigt er alle en del af NetOps-jobbeskrivelsen. Automatisering kan i høj grad strømline disse processer, men hvordan præsenteres automatiseringsresultaterne for menneskelige beslutningstagere? Visualisering af nyttige analyser er blevet sin egen industri med dusinvis af grafiske og dashboard-platforme. Men disse kræver stadig omhyggelig overvejelse og timer eller dage med arbejde for at bygge. AI kan væsentligt lette visualiseringen af observabilitet og automatiseringsresultater ved at hjælpe med at oprette brugerdefinerede dashboards og rapporter tilpasset specifikke brugsområder for sporing, overvågning og samarbejde. Forestil dig, at du skal gennemse tusindvis af netværksindsigt samlet fra telemetri og automatiseret analyse, og derefter forestil dig en AI-assistent, der omdanner disse data til et dashboard, der kan ses på et øjeblik, og som fremhæver kritiske problemer og prioriterede opgaver.

Hjælper ikke NetOps-hold:

1. Godkend netværksændringer – NetOps ønsker at minimere risikoen for nedtid, sikre overholdelse, hjælpe med at opretholde sikkerheden og i det hele taget være i overensstemmelse med forretningsmål, hvilket er hvorfor godkendelse af netværksændringer er så vigtig. Mens AI kan foreslå anbefalede handlinger, kan det ikke træffe en vurdering til at godkende eller afslutte netværksændringer. Disse ændringer er komplekse, og hvert enterprise-netværk er forskelligt, og en fejl kan koste titusindvis af dollars i nedtid. AI har endnu ikke demonstreret tilstrækkelig avanceret netværkskundskab til, at chefer kan stole på det med en så vigtig opgave.

2. Design komplekse netværk – Hvert netværk og dets krav er unikt. AI kunne potentielt en dag designe simple netværk til rudimentære brugsområder, men enterprise-netværk er for komplekse og tilpasset deres specifikke brugsområder. Et mikro-handelsfirma kan kræve et netværk med ultra-lav ventetid. Et videoindhold-leveringsfirma kan kræve høj båndbredde. Et sundhedsfirma kan kræve høj tilgængelighed. For slet ikke at nævne de forskellige protokoller, der bedst kan tilpasse hvert enterprise, fra traditionel IP til multicast, MPLS og SD-WAN. AI kan ikke beregne hver mulig iteration af et netværk og vælge den bedste design. Kun et menneske kan træffe disse overvejelser og beslutninger.

3. Træffe valg – NetOps-fagfolk må konstant træffe kritiske beslutninger om trafikstyring, ydeevneoptimering, reagere på advarsler og hændelser, godkende netværksændringer og mere. AI kan bestemt give information til disse beslutningstagere, men det kan ikke forstå konteksten tilstrækkeligt til at veje fordelene og ulemperne, træffe svære beslutninger eller vælge kompromiser. Ville du ønske, at AI traf en beslutning, der måske kunne påvirke netværkstjenesteydelsen til et hospital eller en regeringsagentur?

4. Tage ansvar – NetOps-hold vurderes ud fra op-tid, tilgængelighed, netværksydeevne, problemdrift, overholdelse af regler og meget mere. Med AI i billedet, hvordan måles holdene? Vil “det var AIs skyld” være en acceptabel respons? AI vil aldrig berolige nøgleinteressenter eller kunder.

5. Innovere – Forbedret effektivitet, bedre ydeevne, øget skalerbarhed, bedre brugeroplevelse … alt dette kræver innovation. Mennesker har evnen til at forstå kompleksiteten af i dagens netværk, kombinerer dette med en organisations forretningsmål og funktioner i deres rolle for at komme med unikke idéer og løsninger. AI har ikke kapaciteten til at mutere idéer og skabe noget nyt. Det kan ikke tænke uden for kassen og give innovative netværksløsninger for enterprise-udfordringer.

Der er ingen tvivl om, at AI er et kraftfuldt værktøj, der integreres tungt på tværs af teknologistakken. Det kan tilbyde værdifuld støtte til NetOps-hold ved at forbedre synligheden, automatisere opgaver og mere. Men der er også meget, det ikke kan gøre, og sandsynligvis aldrig vil kunne gøre. Vi er lige ved begyndelsen af denne symbiotiske relation. Hvad er den dræber-AI-funktion, du gerne vil se i NetOps?