Ο παραγνωρισμένος ρόλος των δικτύων στις υποδομές τεχνητής νοημοσύνης

Οι οργανισμοί επενδύουν τεράστια ποσά σε GPU, διακομιστές, μοντέλα και την υπολογιστική ισχύ που απαιτείται για να περάσει η τεχνητή νοημοσύνη στην παραγωγή. Ωστόσο, η πρακτορική τεχνητή νοημοσύνη επιβάλλει διαφορετικές απαιτήσεις στο δίκτυο.

Ένα chatbot συνήθως περιμένει να του κάνει κάποιος μια ερώτηση, ενώ σε έναν πράκτορα μπορεί να ανατεθεί μια εργασία, να αλληλεπιδράσει με διαφορετικά συστήματα και εφαρμογές, να λάβει αποφάσεις και να αναλάβει δράση. Καθώς οι πράκτορες αναλαμβάνουν περισσότερες εργασίες σε ολόκληρη την επιχείρηση, μεγάλο μέρος αυτής της δραστηριότητας θα πραγματοποιείται χωρίς κάποιον μπροστά σε πληκτρολόγιο.

Σύμφωνα με την έκθεση της Google Cloud Η κατάσταση των υποδομών στην εποχή της πρακτορικής τεχνητής νοημοσύνης, το 83% των οργανισμών δηλώνει ότι χρειάζεται αναβαθμίσεις υποδομών για να υποστηρίξει αυτόνομα συστήματα κατάλληλα για παραγωγική χρήση. Και παρότι η υπολογιστική ισχύς αποτελεί μέρος της εξίσωσης, οι οργανισμοί πρέπει επίσης να δώσουν προτεραιότητα στο δίκτυό τους, καθώς αυτό θα πρέπει να υποστηρίζει δραστηριότητα που δεν ακολουθεί τα συνηθισμένα πρότυπα εργασίας ενός ανθρώπου.

Το τέλος του δικτύου 9-5

Επί δεκαετίες, τα εταιρικά δίκτυα σχεδιάζονταν σε μεγάλο βαθμό με βάση τον τρόπο εργασίας των ανθρώπων. Οι εργαζόμενοι συνδέονται με εφαρμογές, αποκτούν πρόσβαση σε δεδομένα και χρησιμοποιούν υπηρεσίες νέφους καθ’ όλη τη διάρκεια της εργάσιμης ημέρας, δημιουργώντας σχετικά προβλέψιμα μοτίβα κίνησης που διαμορφώνουν την αρχιτεκτονική και τη λειτουργία των δικτύων.

Η τεχνητή νοημοσύνη και τα πρακτορικά συστήματα αλλάζουν τα δεδομένα. Οι πράκτορες μπορούν να εκτελούν εργασίες και να αλληλεπιδρούν με εφαρμογές, API, πηγές δεδομένων και άλλους πράκτορες οποιαδήποτε ώρα, δημιουργώντας πιο συνεχή και δυναμική ροή κίνησης στα εταιρικά δίκτυα, στα κέντρα δεδομένων, στα περιβάλλοντα νέφους και στα δίκτυα ευρείας περιοχής (WAN). Καθώς οι αναπτύξεις επεκτείνονται, τα δίκτυα πρέπει να υποστηρίζουν ολοένα πιο σύνθετες εξαρτήσεις, με αποτέλεσμα η απόδοση, η καθυστέρηση, η ανθεκτικότητα και η ασφάλεια να είναι κρίσιμες για την αξιόπιστη εκτέλεση.

Αυτές οι απαιτήσεις αναδεικνύουν επίσης τα όρια των παραδοσιακών μοντέλων λειτουργίας δικτύων (NetOps), τα οποία βασίζονται σε εργαλεία παρακολούθησης για τον εντοπισμό προβλημάτων και σε ανθρώπινους χειριστές για τη διερεύνηση και την επίλυσή τους. Η επόμενη γενιά NetOps πρέπει να ξεπεράσει τη διαχείριση μεμονωμένων συσκευών και συμβάντων και να κατανοεί από άκρο σε άκρο τις εξαρτήσεις εφαρμογών και πρακτόρων, αξιοποιώντας βαθύτερη εποπτεία, συσχέτιση με την υποστήριξη τεχνητής νοημοσύνης, ανάλυση βασικών αιτίων και έξυπνο αυτοματισμό για την προληπτική βελτιστοποίηση και αποκατάσταση προβλημάτων.

Η ευκαιρία είναι να περάσουμε από δίκτυα που διαχειρίζονται με τη βοήθεια της τεχνητής νοημοσύνης σε δίκτυα που λειτουργούν με νοημοσύνη βασισμένη στην τεχνητή νοημοσύνη και ελεγχόμενη αυτονομία. Οι ομάδες δικτύων μπορούν να αφιερώνουν λιγότερο χρόνο στην αντιμετώπιση επαναλαμβανόμενων προβλημάτων και περισσότερο στον καθορισμό πολιτικών, στη θέσπιση ορίων ασφαλείας και στη βελτιστοποίηση αρχιτεκτονικών. Το τέλος του δικτύου 9-5 δεν αφορά απλώς τη λειτουργία των δικτύων όλο το εικοσιτετράωρο, κάθε μέρα της εβδομάδας· αφορά μια θεμελιώδη αλλαγή στους παράγοντες που καθορίζουν τη ζήτηση για δίκτυα και στον τρόπο με τον οποίο αυτά πρέπει να σχεδιάζονται, να ασφαλίζονται και να λειτουργούν, ώστε να υποστηρίζουν ένα διαρκώς ενεργό οικοσύστημα έξυπνων, αυτόνομων συστημάτων.

Από λίγα εργαλεία τεχνητής νοημοσύνης σε στόλους πρακτόρων

Οι περισσότεροι οργανισμοί βρίσκονται ακόμη σε ένα στάδιο όπου η διαχείριση της τεχνητής νοημοσύνης είναι εύκολη, με βοηθούς παραγωγικότητας, ψηφιακούς βοηθούς και εφαρμογές τεχνητής νοημοσύνης να λειτουργούν σε διαφορετικά τμήματα της επιχείρησης.

Ωστόσο, η IBM διαπίστωσε ότι μόλις το 11% των στελεχών που συμμετείχαν στην έρευνα είναι πλήρως προετοιμασμένο για την κλίμακα ανάπτυξης πρακτόρων τεχνητής νοημοσύνης που αναμένεται κατά τους επόμενους 12 μήνες. Καθώς οι αναπτύξεις επεκτείνονται, οι ομάδες δικτύων θα έχουν περισσότερη δραστηριότητα να κατανοήσουν και περισσότερα προβλήματα να διερευνήσουν, συχνά χωρίς να προστεθεί προσωπικό για να αναλάβει αυτή την εργασία.

Γι’ αυτό είναι σημαντικό να μειωθεί ο χρόνος που αφιερώνουν οι μηχανικοί στην αναζήτηση πληροφοριών σε πίνακες ελέγχου, στη συλλογή δεδομένων και στην προώθηση συνηθισμένων ερωτημάτων σε ανώτερα επίπεδα υποστήριξης. Η παροχή σχετικών επιχειρησιακών πληροφοριών και οδηγιών αντιμετώπισης προβλημάτων στις ομάδες, όταν τις χρειάζονται, μπορεί επίσης να διευκολύνει τη διάδοση της τεχνογνωσίας μεταξύ τους, αντί να εξαρτώνται από έναν μικρό αριθμό έμπειρων ειδικών για να απαντούν σε κάθε ερώτηση. Η τεχνογνωσία των ανθρώπων αξιοποιείται καλύτερα σε αποφάσεις που απαιτούν κρίση, όπως ο καθορισμός πολιτικών, η θέσπιση ορίων και η αξιολόγηση κινδύνων.

Τα δίκτυα πρέπει να έχουν θέση στον σχεδιασμό της στρατηγικής για την τεχνητή νοημοσύνη

Ο σχεδιασμός για την τεχνητή νοημοσύνη ξεκινά συχνά από τα μοντέλα, τις εφαρμογές, τα δεδομένα και τους υπολογιστικούς πόρους, όμως τα δίκτυα πρέπει να εντάσσονται στις συζητήσεις εξαρχής. Οι πράκτορες χρειάζονται το κατάλληλο πλαίσιο πληροφοριών για να διατυπώνουν χρήσιμες συστάσεις και, στις λειτουργίες δικτύου, αυτό σημαίνει να κατανοούν πώς συνδέονται οι πληροφορίες για τους χρήστες, τις συσκευές και τις εφαρμογές, αντί να εξετάζουν μια μεμονωμένη ειδοποίηση ή μέτρηση.

Αυτό το πλαίσιο πληροφοριών βοηθά τις ομάδες να εντοπίζουν ταχύτερα την πηγή ενός προβλήματος και να αποφασίζουν τι πρέπει να κάνουν στη συνέχεια. Η ανθρώπινη εποπτεία εξακολουθεί να έχει σημασία, ιδίως καθώς οι πράκτορες αποκτούν μεγαλύτερη αυτονομία· αυτό απαιτεί σαφώς καθορισμένα όρια για όσα μπορούν να κάνουν ανεξάρτητα, καθώς και μηχανισμούς ελέγχου που διασφαλίζουν την τήρηση αυτών των ορίων. Οι ομάδες πρέπει επίσης να μπορούν να βλέπουν γιατί διατυπώθηκε μια σύσταση και σε ποιες πληροφορίες βασίστηκε, προτού αποφασίσουν αν θα την ακολουθήσουν.

Η Gartner προβλέπει ότι έως το 2029, τουλάχιστον το 70% των οργανισμών που χρησιμοποιούν πράκτορες τεχνητής νοημοσύνης στις λειτουργίες πληροφορικής τους θα αντιμετωπίζουν σοβαρά προβλήματα με ουσιώδεις επιπτώσεις στις υπηρεσίες, την ασφάλεια ή το κόστος, τα οποία θα οφείλονται τουλάχιστον εν μέρει σε ανεπαρκείς ελέγχους. Γι’ αυτό η εποπτεία, ο αυτοματισμός, η αξιοπιστία και ο έλεγχος πρέπει να ενσωματώνονται εξαρχής στα σχέδια υποδομών τεχνητής νοημοσύνης.

Δημιουργία υποδομών για μια επιχείρηση τεχνητής νοημοσύνης που λειτουργεί αδιάκοπα

Η πρακτορική τεχνητή νοημοσύνη αλλάζει τον τρόπο χρήσης των εταιρικών δικτύων. Η δραστηριότητα δεν συνδέεται πλέον τόσο στενά με τις ώρες που οι εργαζόμενοι είναι συνδεδεμένοι, και οι ομάδες δικτύων θα πρέπει να διαχειριστούν αυτή την αλλαγή χωρίς να επιτρέψουν να αυξηθεί με τον ίδιο ρυθμό ο απαιτούμενος φόρτος εργασίας για τη λειτουργία του δικτύου.

Οι επιχειρήσεις δεν χρειάζεται να αναβαθμίσουν ριζικά τα δίκτυά τους, αλλά καθώς αυξάνεται η χρήση της τεχνητής νοημοσύνης, θα πρέπει να εντοπίζουν πιθανά αδύναμα σημεία στην υπάρχουσα υποδομή τους. Αυτό είναι ιδιαίτερα σημαντικό όταν οι ομάδες δεν έχουν την απαραίτητη ορατότητα για να εντοπίζουν γρήγορα προβλήματα, όταν οι χρόνοι απόκρισης αρχίζουν να επιδεινώνονται ή όταν η τακτική αντιμετώπιση προβλημάτων εξακολουθεί να απαιτεί σημαντική χειρωνακτική εργασία.

Ένα δίκτυο σχεδιασμένο για το κλασικό ωράριο εννέα με πέντε θα πρέπει να δώσει τη θέση του σε ένα δίκτυο που υποστηρίζει ανθρώπους, εφαρμογές και πράκτορες οι οποίοι εργάζονται παράλληλα, συχνά με πολύ διαφορετικά ωράρια και ταχύτητες. Το κατά πόσο αυτή η υποδομή λειτουργεί σωστά θα αποτυπώνεται τελικά σε δείκτες που ήδη ενδιαφέρουν τις επιχειρήσεις: λιγότερες διακοπές λειτουργίας, ταχύτερη επίλυση προβλημάτων όταν κάτι πάει στραβά, καλύτερη εμπειρία χρήστη και λιγότερος χρόνος που δαπανάται για τον εντοπισμό προβλημάτων.