사상 리더
AI는 네트워크 관찰 가능성을 재설계하고 있습니다.
Unite.AI를 Google의 선호 소스에 추가
수년간 네트워크 관찰 가능성은 도구에 대한 논의였다. 어느 플랫폼이 가장广泛한 텔레메트리 세트를 수집하는가? 어느 에이전트가 더 이상한 디바이스를 커버하는가? 어느 아키텍처가 규모에서 가장 잘 수행되는가? 네트워크의 어느 지점에서 패킷을 캡처해야 하는가? 그 대화는 네트워크가 상대적으로 안정적이고 변경이 점진적이라는 가정하에进行되었다.
하지만 더 이상 그렇지 않다.
AI 구동 워크로드는 기업 전반에서 AI採用이 가속화함에 따라 트래픽 변동성을 증가시킨다. 최근 연구에 따르면 88%의 조직이 현재 비즈니스 기능 중 하나 이상에서 AI를 사용한다. 하이브리드 아키텍처는 클라우드, 데이터 센터, WAN 및 에지에 걸쳐 확장된다. 보안 및 성능 신호는 5년 전과 달리 새로운 방식으로 중첩된다. 또한 비즈니스에서는 더 빠른 해결, 더 적은 중단, 명확한 책임을 기대한다.
그 압력 하에서 현재의 네트워크 관찰 가능성 접근 방식은 실패하고 있다. 팀이 기술이 부족해서가 아니라 관찰 가능성 아래에 있는 아키텍처가 따라가지 못해서이다.
이것은 더 많은 대시보드를 추가하거나 더 많은 데이터를 캡처하는 것에 관한 것이 아니다. 관찰 가능성이 도구의 모음에서 일관된 데이터基础로 진화해야 한다는 것을 인정하는 것에 관한 것이다. 그 基础는 네트워크 운영(NetOps) 팀이 네트워크 관찰 가능성 및 지능을 위한 AI를 활용할 수 있도록 할 것이다.
여기서 당신이 어디에 있는지 그리고 어떻게 앞으로 나아갈 수 있는지에 대해 생각해 보겠습니다.
당신은 성숙도 곡선에서 어디에 있는가?
엔터프라이즈 관리 협회(EMA)의 연구에 따르면 46%의 IT 리더가 네트워크 관찰 가능성 도구에서 완전히 성공적이라고 믿었다. 대부분의 불만은 잘 알려져 있으며, 도구 스프롤, 경고 노이즈, 데이터 품질이 나쁨이 목록에 포함된다.
EMA의 2025 보고서인 네트워크 관찰 가능성 성숙도 모델: NetOps 우수성을 위한 계획은 또한 5가지 구체적인 성숙도 단계를 식별했다:
- 임의적이고 반응적
- 분산되고 기회주의적
- 통합되고 중앙 관리
- 지능적이고 자동화됨
- 최적화되고 AI 구동
오늘날 나는 중간 3단계에 초점을 맞추고 싶습니다. 이는 대부분의 조직이 있는 곳이며, 마지막 단계로의 경로를 설명하기 전에 중간 단계에 대해 설명하고 싶습니다.
분산되고 기회주의적
당신은 여러 관찰 가능성 도구를 가지고 있다. 종종 3개 또는 4개이다. 산업 연구는 동일한 패턴을 반영하며, 87%의 NetOps 팀이 현재 여러 관찰 가능성 도구를 사용하고 있지만, 29%의 경고만이 실행 가능하다. 커버리지가 존재하지만, 그것은 고르지 않다. 엔지니어는 통합 계층으로 작동하며, 콘솔 사이를 피벗하고 이벤트를 정신적으로 상관시킨다. AI는 존재할 수 있지만, 그것은 실오라기에서 작동한다. 팀은 이 단계에서 열심히 일하지만, 아키텍처는 그들에 반对한다.
통합되고 중앙 관리
당신은 인프라와 트래픽에 걸쳐 강력한 모니터링 커버리지에 도달했다. 시스템 사이에 일부 통합이 있다. 대시보드는 표준화되었다. 당신은 공통 사건에 대한 초기 자동화를 가질 수 있다.
하지만 근본 원인 분석은 여전히 수동 스티칭에 의존한다. 예측 분석은 제한적이다. AI는 분석을 가속화하지만, 네트워크를 이해하는 방식을 근본적으로 변경하지 않는다.
지능적이고 자동화됨
텔레메트리는 중요한 곳에서 실시간이다. 흐름, 패킷 및 구성 데이터가 상관된다. 경고는 문맥적이며, 임계값에 의해 구동되지 않는다. AI는 이상 감지, 용량 예측 및 유도된 복구를 지원한다. 자동화는 의도적으로 그리고 정책 가드레일 내에서 도입된다. 이러한 단계에 있는 조직은 충분한 자원을 가지고 있다.
최적화되고 AI 구동된 최종 단계에 도달한 소규모의 최상급 조직이 있다. 도구만으로는 진화할 수 없다.
지능적이고 자동화된 것에서 최적화되고 AI 구동으로: 다음에 무엇을 해야 하는가
네트워크 관찰 가능성을 현대화하는 것은 현재 가지고 있는 것을 제거하는 것을 의미하지 않는다. 그것은 도구에서 데이터로의 전환을 의미한다.
1. 더 많은 AI가 아닌 데이터 일관성을 시작하십시오
AI 이니셔티브를 확장하기 전에 자신에게 질문하십시오: 우리의 네트워크 데이터는 깨끗하고, 일관적이고, 도메인에 걸쳐 연결되어 있습니까?
일관되지 않은 텔레메트리 형식, 클라우드 또는 SD-WAN의 블라인드 스폿, 중복 IP 공간, 구식 인벤토리 레코드는 대부분의 고위 임원들이 인식하지 못하는 것보다 AI 결과를 훨씬 더 많이 저해한다. 텔레메트리가 신뢰할 수 있는 식별 및 컨텍스트와 연결되지 않는다면, 상관관계는 확률적이지 않고 확정적이지 않다.
이것은 기본 네트워크 서비스가 중요한 이유입니다. DNS, DHCP 및 IP 주소 관리(DDI라고 함)는 네트워크의 권위적인 지도형태를 구성한다. 모든 디바이스, 워크로드 및 연결은 그 레이어와 교차한다.
관찰 가능성 텔레메트리가 권위적인 식별 및 주소 지능과 함께 풍부해지면, 분석이 근본적으로 바뀐다. AI는 예상된 동작과 실제 이상을 더 큰 자신감으로 구분할 수 있다. 근본 원인 분석이 더 빠르게 일어난다. 자동화가 더 안전해진다.
2. 깊은 통합을 통해 도구 스프롤을 줄이십시오
대부분의 기업은 여전히 여러 관찰 가능성 시스템을 운영할 것이다. 그것이 주요 문제는 아니다. 문제는 얕은 통합이다.
한 대시보드를 다른 대시보드 안에 삽입하거나 기본 데이터 내보내기를 공유하는 것은 일관성을 생성하지 않는다. 성숙한 환경은 데이터 레이어에서 통합한다. 텔레메트리 수집을 조정하고, 도메인에 걸쳐 경고를 상관시키며, 도구를超越하는 워크플로우를 가능하게 한다.
통합이 그 수준에 도달하면, 통합은 정치적인 것이 아니라 합리적인 것이 된다. 중복 시스템을 은퇴시키기가 더 쉽다. 중복 텔레메트리는 더 쉽게 합리화된다. AI는 단편적인 조각이 아닌 통일된 컨텍스트에서 작동한다.
3. 위험을 피하기 위해 단계적으로 현대화하십시오
레거시 환경을 불안정하게 하는 страх은 합리적이다. 누구도 생산을 중단하면서 아키텍처의 순수성을 추구하고 싶어하지 않는다. 단계적인 접근 방식은 그 위험을 줄인다.
1단계: 지능을 중첩시킴
텔레메트리를 공유된 분석 레이어로 스트리밍하십시오. 그것을 식별 및 정책 컨텍스트와 풍부하게 하십시오. 탐지 및 추천을 위해 AI를 사용하십시오. 자율적인 시행을 위해 사용하지 마십시오.
2단계: 표준화 및 합리화
상관관계가 개선되고 노이즈가 감소하면, 중복 도구를 식별하고 통일된 아키텍처에 참여할 수 없는 도구를 은퇴시키십시오.
3단계: 가드레일 자동화를 도입
초기 자동화 시나리오에서 시작하십시오. 에이전틱 AI가 복구를 제안하기 전에 실행을 허용하지 마십시오. 확신과 거버넌스가 성숙함에 따라 점진적으로 확장하십시오.
이것은 스위치를 플립하는 것이 아니다. 이것은 안정성을 희생하지 않고 일관성을 증가시키는 것이다.
전략적 전환: 최적화되고 AI 구동으로 이동
관찰 가능성은 더 이상 모니터링 도구의 모음이 아니다. 그것은 핵심 AI 구동 인프라이다. 그것은 새로운 기준이 필요하다. 조직이 관찰 가능성을 통일된 데이터 아키텍처와 권위적인 네트워크 지능에錨지하면, AI는 예측적이 된다.
예측 분석은 이론에서 실제로 이동한다. 역사적 및 실시간 텔레메트리를 함께 분석함으로써, AI는 용량 스트레인, 구성 드리프트 또는 비정상적인 동작의 초기 신호를 식별할 수 있다. 그것은 사용자에게 악화가 발생하기 전에 개입한다. 이것은 특히 대규모 IT 중단이 조직에 최대 2백만 달러의 비용을 초과할 수 있기 때문에 특히 중요하다.
용량 계획은 더 이상 정기적이지 않다. 자원 고갈 및 서비스 포화는 예측할 수 있다. 예측 Optimization이 아닌 반응적인 확장이다.
이것이 지평선에 있다.
당신의 데이터가 분산되어 있다면, AI는 그것을 노출시킬 것이다.
당신의 기반은 일관성이 있다면, AI는 레버리지가 된다.
당신이 AI 구동 관찰 가능성 및 지능을採用할 것인지에 대한 질문이 아니다. 당신의 아키텍처가 준비되어 있는지에 대한 질문이다.
