ืื ืืืื ืืขื
AI ืืืืฆืช ืืชืืื ืืืืฉ ืฉื ืชืฆืคืืช ืจืฉืช
במשך שנים, תצפית רשת הייתה דיון בנושא כלים. איזה פלטפורמה אוספת את הקבוצה הרחבה ביותר של טלמטריה? איזה סוכן מכסה את ההתקנים הפחות בולטים שלי? איזה ארכיטקטורה תבצע היטב בקנה מידה? באיזה נקודות על הרשת צריך ללכוד חבילות? השיחה הניחה שהרשת יציבה יחסית והשינוי הוא תוספתי.
זה לא נכון יותר.
עומסי עבודה מונעי AI מגדילים את משתנות התנועה, כאשר אימוץ AI מאיץ ברחבי הארגון. מחקרים אחרונים מראים כי 88% מהארגונים כבר משתמשים ב- AI בלפחות תפקיד עסקי אחד. ארכיטקטורות היברידיות משתרעות על ענן, מרכז נתונים, WAN ו- edge. אותות ביטחון וביצועים משתלבים כעת בדרכים שלא היו קיימות לפני חמש שנים. והעסקי מצפה לפתרון מהיר יותר, פחות הפסקות ואחריות ברורה.
תחת לחץ זה, הגישות הנוכחיות לתצפית רשת נכשלות. לא מפני שהצוותים חסרים מיומנות, אלא מפני שהארכיטקטורה מתחת לתצפית לא שמרה קצב.
זה לא עניין של הוספת יותר לוחות מחוונים או לכידת יותר נתונים. זה עניין של הכרה בכך שתצפית חייבת להתפתח מאוסף כלים ליסוד נתונים שיטתי. יסוד זה הוא מה שיאפשר לצוותי פעילות רשת (NetOps) לנצל AI לתצפית רשת ואינטליגנציה.
כאן כיצד לחשוב על היכן אתה ואיך להתקדם.
היכן אתה על עקומת הבגרות?
מחקר של Enterprise Management Associates (EMA) הראה כי רק 46% ממנהיגי IT האמינו שהם מוצלחים לחלוטין עם כלים לתצפית רשת. רוב התלונות הן ידועות היטב, עם פיזור כלים, רעשי התראה ואיכות נתונים גרועה שמוסיפים לרשימה.
דו”ח EMA של 2025, מודל בגרות תצפית רשת: איך לתכנן למצוינות NetOps, זיהה גם חמש רמות בגרות נפרדות:
- אד הוק וריאקטיבי
- מפוצל והזדמנותי
- משולב וניהול מרכזי
- אינטליגנטי ואוטומטי
- מותאם ומונע AI
היום אני רוצה להתמקד בשלוש הרמות האמצעיות, שם תמצאו את מרבית הארגונים, לפני שתתאר את הדרך לרמה הסופית.
מפוצל והזדמנותי
יש לך מספר כלים לתצפית. לעיתים קרובות שלושה או ארבעה. מחקרי תעשייה משקפים את אותו הדפוס, עם 87% מצוותי NetOps המסתמכים כעת על מספר כלים לתצפית, אך רק 29% מההתראות שהם מייצרים הן מעשיות. יש כיסוי, אך הוא אי-אחיד. מהנדסים משמשים כשכבת אינטגרציה, מסתובבים בין קונסולות ומשווים אירועים באופן מנטלי. AI עשוי להיות נוכח, אך הוא פועל בתוך סילואים. צוותים עובדים קשה בשלב זה, אך הארכיטקטורה עובדת נגדם.
משולב וניהול מרכזי
הגעת לכיסוי מעקב חזק ברחבי התשתית והתנועה. יש מידה מסוימת של אינטגרציה בין מערכות. לוחות מחוונים מותאמים. ייתכן שיש אוטומציה מוקדמת לתקלות נפוצות.
אך ניתוח שורש הסיבה עדיין תלוי בתפירה ידנית. תובנות ניבוי הן מוגבלות. AI מאיץ את הניתוח, אך הוא לא משנה באופן מהותי כיצד הרשת מובנת.
אינטליגנטי ואוטומטי
טלמטריה היא בזמן אמת היכן שזה משנה. נתוני זרימה, חבילה וקונפיגורציה משווים. התראות הן הקשריות, לא נהוגות על ידי סף. AI תומך בגילוי חריגות, תחזית קיבולת והתרמה מודרכת. אוטומציה מוצגת במכוון ובתוך שומרי מעקה. רק ארגונים עם משאבים רבים נמצאים בשלב זה.
קבוצה קטנה יותר של ארגונים מעולים הגיעה לרמה הסופית של בגרות, מותאם ומונע AI. כלים לבדם לא יעזרו לך להתפתח.
מאינטליגנטי ואוטומטי למותאם ומונע AI: מה לעשות הבא
עדכון תצפית רשת אינו דורש להוציא משהו מהתיק. הוא דורש מעבר מכלים לנתונים.
1. התחל עם קוהרנטיות נתונים, לא עוד AI
לפני שתרחיב יוזמות AI, שאל את עצמך שאלה: האם נתוני הרשת שלנו נקיים, עקביים ומחוברים ברחבי תחומים?
פורמטים של טלמטריה לא עקביים, נקודות עיוורון בענן או SD-WAN, רשומות מלאי ישנות ומרחב IP כפול מערערים את תוצאות AI יותר ממה שרוב המנהלים מודעים. אם טלמטריה לא יכולה להיקשר באופן אמין לזהות והקשר מתוך כתובות מוסמכות, השוואה נותרת הסתברותית ולא מוחלטת.
זהו המקום שבו שירותי רשת מוסדיים חשובים. DNS, DHCP וניהול כתובות IP (יחד ידועים כ- DDI) יוצרים את המפה המוסמכת של הרשת. כל התקן, עומס עבודה וחיבור משתלבים עם שכבה זו.
כאשר טלמטריה של תצפית משופרת עם זהות מוסמכת ומודיעין כתובות, ניתוח הופך למבוסס. AI יכול להבדיל ב间ים בין התנהגות צפויה לחריגה אמיתית עם ביטחון רב יותר. ניתוח שורש הסיבה קורה מהר יותר. אוטומציה הופכת לבטוחה יותר.
2. הפחית פיזור כלים דרך אינטגרציה עמוקה
רוב החברות ימשיכו להפעיל מערכות תצפית מרובות. זה לא הבעיה העיקרית. הבעיה היא אינטגרציה רדודה.
הטמעת לוח מחוונים אחד בתוך אחר או שיתוף יצואי נתונים בסיסיים לא יוצרים קוהרנטיות. סביבות בשלות משלבות בשכבת הנתונים. הן תואמות איסוף טלמטריה, משווים התראות ברחבי תחומים ומאפשרות זרימות עבודה שחוצות כלים ולא נתונות בתוך הכלים.
כאשר האינטגרציה מגיעה לרמה זו, איחוד הופך להגיוני במקום פוליטי. מערכות כפולות קלות יותר לפרישה. טלמטריה חופפת קלה יותר להיגיון. AI פועל על הקשר מאוחד ולא על חלקים משופרים.
3. עדכן בשלבים כדי להימנע מהפרעה
הפחד מלייצב את הסביבה המורשת הוא לגיטימי. אף אחד לא רוצה לשבור ייצור בעת שאיפה לטוהר ארכיטקטוני. גישה שלבית מפחיתה את הסיכון.
שלב אחד: הוסף אינטליגנציה
שפת טלמטריה לשכבת ניתוח משותפת. העשר אותה עם הקשר זהות ומדיניות. השתמש ב- AI לגילוי והמלצה, לא לאכיפה אוטונומית.
שלב שני: תקנן והיגיון
כאשר השוואה משתפרת ורעש יורד, זהו את הכלים הכפולים ופרישתם שלא יכולים להשתתף בארכיטקטורה המאוחדת.
שלב שלוש: הצג אוטומציה עם שומרי מעקה
התחל עם תרחישים של אוטומציה בסיכון נמוך. תן agentic AI להציע התרמה לפני שתאפשר ביצוע. הרחב בהדרגה ככל שהביטחון והממשל יורחבים.
זה לא עניין של הפעלת מתג. זה עניין של הגברת קוהרנטיות בלי לוותר על יציבות.
המהפך האסטרטגי: מעבר למותאם ומונע AI
תצפית אינה עוד אוסף של כלים למעקב. היא תשתית AI-נהוגה שדורשת בסיס חדש. כאשר ארגונים מעגנים תצפית בארכיטקטורה מאוחדת של נתונים ומודיעין רשת מוסמך, AI הופך למנבא.
ניתוחים ניבויים עוברים מתיאוריה לפרקטיקה. על ידי ניתוח טלמטריה היסטורית ובזמן אמת, AI יכול לזהות אותות מוקדמים של מתיחת קיבולת, היסט או התנהגות לא תקינה לפני שהם מתגברים. במקום לרוץ לתקן הפסקות, צוותים מתערבים לפני שמשתמשים מודעים לירידה. זה משמעותי במיוחד מכיוון שהפסקות IT בקנה מידה גדול יכולות לעלות לארגונים 2 מיליון דולר לשעה.
תכנון קיבולת הופך לדינאמי ולא תקופתי. רעב למשאבים ורוויה של שירות יכולים להיזהם מראש, מאפשרים אופטימיזציה פרואקטיבית במקום הגברה ריאקטיבית.
זה מה שנמצא באופק.
אם הנתונים שלך מפוצלים, AI יחשוף אותם.
אם היסוד שלך הוא קוהרנטי, AI הופך להיטת.
השאלה אינה האם תאמץ תצפית ואינטליגנציה מונעת AI. השאלה היא האם הארכיטקטורה שלך מוכנה לכך.
