AI-modeller og platforme

Cisco Bringer Splunk AI On-Premises Med Ny NVIDIA-Accelereret AI POD

mm
Føj Unite.AI til dine foretrukne kilder på Google

Cisco annoncerede et sæt nye Splunk-funktioner på Splunk.conf i Denver den 15. september 2026, med det samme tilgængelige Cisco AI POD for Splunk, som bringer selvadministreret Splunk AI til on‑premises, private cloud‑ og luftspærrede miljøer gennem et udvidet partnerskab med NVIDIA.

Cisco AI POD for Splunk

Cisco Secure AI Factory med NVIDIA er virksomhedens referencearkitektur til at samle den komplette AI‑stack fra Cisco AI POD‑er. Den nyeste af disse konfigurationer, Cisco AI POD for Splunk, kombinerer ny AI‑runtime‑software med Cisco‑infrastruktur, NVIDIA‑accelereret computing og en Kubernetes‑baseret arkitektur, som Cisco beskriver som forvalideret og optimeret til Splunk AI‑arbejdsbelastninger. For kunder, der driver deres egen infrastruktur, er partnere som Accenture, bitsIO, Wipro og World Wide Technology klar fra dag ét til at hjælpe med at sætte implementeringen i gang.

Splunks produktdokumentation angiver, at systemets AI Tier‑software, som leverer de understøttede Splunk AI‑funktioner, er integreret med Cisco UCS‑compute, NVIDIA RTX PRO 6000 GPU‑acceleration, Cisco‑netværk, OpenShift og Splunk Operator for Kubernetes i et foruddimensioneret, forvalideret system med support fra én leverandør. Kunden leverer datacenter‑miljøet og bevarer ejerskabet af drift og sikkerhed. Splunk beskriver to implementeringsveje: den integrerede Cisco AI POD for Splunk eller selvstændig AI Tier‑software installeret på kundens godkendte GPU‑ og Kubernetes‑infrastruktur, uden ekstra omkostning for AI Tier‑softwaren. Dokumentationen fastslår også, at systemet ikke er en generel AI‑computing‑platform eller en selvstændig GPU‑enhed, men en Cisco‑infrastruktur‑implementering designet til Splunk AI‑arbejdsbelastninger.

Splunk AI Assistant er tilgængelig nu, og Agent Launchpad er planlagt til senere i 2026. Begge kører på dette lag og muliggør ad‑hoc agent‑undersøgelser samt tilpasset agent‑opbygning til en række anvendelsestilfælde, herunder et agent‑drevet sikkerheds‑operationscenter for teams, der kører Splunk i deres egne datacentre. Kunder kan også selv‑hoste et udvalg af åbne og proprietære generative AI‑modeller til Splunk Enterprise‑arbejdsbelastninger, herunder Cisco Deep Time Series Model, Google Gemma 4 og OpenAI GPT‑OSS 20B, og Cisco oplyser, at NVIDIA Nemotron‑åbne modeller vil blive tilføjet i de kommende måneder.

“En af de største hindringer for enterprise‑AI i dag er, at den er for svær at implementere,” sagde Jeetu Patel, Ciscos præsident og chief product officer, i virksomhedens meddelelse, og tilføjede, at kunder vil vide, om de kan stole på, at AI udfører opgaven, om de har råd til den, og om de kan sikre den. Justin Boitano, NVIDIAs vicepræsident for Enterprise AI, sagde, at virksomheder skal bringe AI dertil, hvor deres data befinder sig, især når sikkerheds‑ og suverænitetskrav holder kritiske arbejdsbelastninger on‑premises, og beskrev det fælles arbejde som at bringe AI‑agenter direkte til Splunk på NVIDIA‑accelereret computing.

Agent Observability og Tokenomics

Splunk Agent Observability, der oprindeligt blev annonceret som en on‑premises‑løsning, er nu tilgængelig i Splunk Observability Cloud og i Cisco Cloud Control. Cisco oplyser, at tilbuddet evaluerer agent‑ og modeladfærd, observerer ydeevne på tværs af AI‑stacken og anvender runtime‑retningslinjer, der blokerer for unøjagtige eller usikre handlinger, såsom hallucinationer eller lækage af følsomme data.

Den nye Tokenomics‑løsning, som er en del af Splunk Agent Observability, registrerer og tilskriver token‑forbrug på tværs af AI‑agenter og medarbejderes brug af kodningsagenter, herunder Claude Code, Codex og Cursor. Cisco oplyser, at den også vil forudsige forbrugsmønstre ved hjælp af Cisco Deep Time Series Model for at projicere, hvor udgifterne er på vej hen, inden en faktureringsperiode slutter, og at de resulterende indsigter skal hjælpe organisationer med at operationalisere en tokenomics‑ramme og knytte AI‑forbrug til forretningsresultater.

Meddelelserne introducerede også Observability Studio, som Cisco siger er designet til at gøre nye applikationer observerbare, målbare og produktionsklare fra starten, samt en Network Intelligence App, der bringer Ciscos netværkstopologi, enhedsstatus og hændelser ind i Splunk, så netværksteams kan spore en alarm til den bagvedliggende enhed. De nye Observability Cloud‑udgaver, Essentials og Premier, forenkler, hvordan kunder køber og udvider observability på tværs af deres forretning, med omkostningseffektiv log‑analyse til fejlfinding af applikations‑ og infrastrukturproblemer, ifølge Cisco.

Agentic SOC, Enterprise Security Editions og AWS‑aftale

Nye, formålsbyggede agent‑funktioner udvider Splunk Agentic SOC‑arbejdsstyrken inden for detekterings‑engineering, proaktiv trusselsjagt, autonom undersøgelse, koordineret respons og politikstyring. Cisco oplyser, at agenterne korrelerer fuld‑stack maskindata på tværs af netværk, cloud, applikation og identitetsmiljøer og leverer forklarlige afgørelser, der reducerer alarmstøj og accelererer den gennemsnitlige tid til at afhjælpe.

Nye forbedringer af Exposure Analytics tilføjer bredere dækning af aktiver, historisk ændringssporing og forretningsspecifikke risikoinsigter, som forbinder eksponeringskontekst med løbende sikkerhedsaktivitet på tværs af Splunk, Cisco og et tredjepartsøkosystem. Nye funktioner i Splunk Enterprise Security Essentials udvider agentbaserede sikkerhedsoperationer til flere sikkerhedsteams, mens Splunk Enterprise Security Premier tilføjer dybere agentbaseret autonomi samt de fulde funktioner i Splunk Enterprise Security.

Splunk og AWS udvider også deres mangeårige samarbejde til fælles produktudvikling gennem en flerårig aftale om at co‑udvikle sikkerhedsløsninger rettet mod AI‑drevne angreb. I henhold til den i meddelelsen beskrevne ordning bidrager Splunk med sin dataplatform og detektionsdybde, mens AWS bidrager med global cloud‑skala, og det fælles arbejde har til formål at placere agentbaseret support i hænderne på analytikere inden for detektion, efterforskning og respons, samtidig med at styring og analytikerkontrol bevares.

Theo Nash er en AI-genereret specialist hos Unite.AI, der dækker AI-infrastruktur, beregning og de hardware-systemer, der driver moderne kunstig intelligens. Hans arbejde fokuserer på de tekniske grundlag for store AI-arbejdsbyrder, herunder datacentre, acceleratorer, netværk og software-stacks, der binder dem sammen.
Med en analytisk og ingeniør-dreven perspektiv undersøger Theo, hvordan fremskridt i GPU'er, brugerdefineret silicium, hukommelsesarkitekturer og distribuerede systemer muliggør nye generationer af AI-modeller. Han lægger særlig vægt på ydelses-omkostningsforhold, energoeffektivitet, skalerbarhed og de praktiske begrænsninger, der former den virkelige udvikling af AI-infrastruktur.
Artikler skrevet af Theo Nash er AI-genereret og gennemgået af Unite.AIs redaktionelle team for at sikre teknisk nøjagtighed, klarhed og ansvarlig dækning af den hurtigt udviklende AI-beregningsskala.