AI는 네트워크 관측 가능성을 재설정하고 있다

수년 동안 네트워크 관측 가능성은 도구에 대한 논의였다. 어떤 플랫폼이 가장广泛한 텔레메트리 집합을 수집하는가? 어떤 에이전트가 더 이상한 디바이스를 커버하는가? 어떤 아키텍처가 규모에서 최고의 성능을 발휘할 것인가? 네트워크의 어느 지점에서 패킷을 캡처해야 하는가? 그 대화는 네트워크가 상대적으로 안정적이고 변경이 증분적이라고 가정했다.

그렇지 않다.

AI 주도 워크로드는 AI가 기업 전반에 걸쳐 가속화함에 따라 트래픽 변동성을 증가시킨다. 최근 연구에 따르면 88%의 조직이 현재 비즈니스 기능 중 하나 이상에서 AI를 사용하고 있다. 하이브리드 아키텍처는 클라우드, 데이터 센터, WAN, 에지에 걸쳐 있다. 보안 및 성능 신호는 5년 전과 달리 서로 겹치게 된다. 비즈니스에서는 더 빠른 해결, 더 적은 중단, 명확한 책임을 기대한다.

그 압력下에서 현재의 네트워크 관측 가능성 접근 방식은 실패하고 있다. 팀이 기술이 부족해서가 아니라 관측 가능성 아래에 있는 아키텍처가 따라가지 못해서이다.

이것은 더 많은 대시보드를 추가하거나 더 많은 데이터를 캡처하는 것에 관한 것이 아니다. 관측 가능성이 도구의 모음에서 일관된 데이터 기반으로 발전해야 한다는 것을 인식하는 것에 관한 것이다. 그 기반은 네트워크 운영(NetOps) 팀이 네트워크 관측 가능성 및 지능에 AI를 활용할 수 있도록 할 것이다.

여기서 어떻게 생각하고 앞으로 나아가야 하는지에 대해 설명한다.

당신은 성숙도 곡선에서 어디에 있는가?

엔터프라이즈 관리 협회(EMA)의 연구에 따르면 46%의 IT 리더가 네트워크 관측 가능성 도구에서 완전히 성공적이라고 믿었다. 대부분의 불만은 잘 알려져 있으며, 도구 분산, 경고 노이즈, 나쁨 데이터 품질이 목록에 포함된다.

EMA의 2025 보고서 네트워크 관측 가능성 성숙도 모델: NetOps 우수성을 계획하는 방법는 또한 5가지 구체적인 성숙 단계를 식별했다:

1. 임의적이고 반응적
2. 분산되고 기회주의적
3. 통합되고 중앙 관리
4. 지능형이고 자동화됨
5. 최적화됨 및 AI 주도

오늘 나는 마지막 단계를 설명하기 전에 중간 3단계에 집중하고 싶다. 대부분의 조직이 있는 곳이다.

분산되고 기회주의적

당신은 여러 관측 가능성 도구를 가지고 있다. 종종 3개 또는 4개이다. 산업 연구는 동일한 패턴을 반영하며, 87%의 NetOps 팀이 현재 여러 관측 가능성 도구에 의존하고 있지만 29%의 경고만이 작동할 수 있다. 커버리지가 존재하지만, 그것은 고르지 않다. 엔지니어는 통합 계층으로 작용하며 콘솔 사이를 피벗하고 이벤트를 정신적으로 상관시킨다. AI는 존재할 수 있지만, 그것은 실로에서 작동한다. 팀은 이 단계에서 열심히 일하지만, 아키텍처는 그들에 반对한다.

통합되고 중앙 관리

당신은 인프라 및 트래픽 전반에 걸쳐 강력한 모니터링 커버리지에 도달했다. 시스템 간에 일부 통합이 있다. 대시보드는 표준화되었다. 당신은 일반적인 사고에 대한 초기 자동화를 가질 수 있다.

하지만 루트 원인 분석은 여전히 수동 스티칭에 의존한다. 예측적 인사이트는 제한적이다. AI는 분석을 가속화하지만, 그것은 네트워크가 이해되는 방식을 근본적으로 변경하지 않는다.

지능형 및 자동화

텔레메트리는 중요한 곳에서 실시간이다. 흐름, 패킷, 구성 데이터는 상관된다. 경고는 문턱값에 의존하지 않고 문맥적이다. AI는 이상 감지, 용량 예측, 가이드된 복구를 지원한다. 자동화는 의도적으로 도입되고 정책 가드레일 내에서 이루어진다. 이 단계에는 충분한 자원을 가진 조직만 있다.

최적화 및 AI 주도 단계에 도달한 더 작은 그룹의 최선의 조직이 있다. 도구만으로는 도움이 되지 않는다.

지능형 및 자동화에서 최적화 및 AI 주도: 다음 단계

네트워크 관측 가능성을 현대화하는 것은 현재 가지고 있는 것을 제거하는 것을 의미하지 않는다. 그것은 도구에서 데이터로의 전환을 의미한다.

1. 데이터 일관성으로 시작, 더 많은 AI로 시작하지 마라

AI 이니셔티브를 확장하기 전에 자신에게 질문을 하라: 네트워크 데이터가 깨끗하고, 일관적이고, 도메인 전반에 걸쳐 연결되어 있는가?

일관되지 않은 텔레메트리 형식, 클라우드 또는 SD-WAN의 블라인드 스폿, 중복 IP 공간, 오래된 인벤토리 레코드는 대부분의 고위 임원들이 인식하지 못하는 것보다 AI 결과를 훨씬 더 많이 저하한다. 텔레메트리가 권위적인 주소 지정 및身份 정보와 신뢰할 수 있게 연결될 수 없는 경우 상관관계는 확률적이지 않고 결정적이다.

이것은 기초 네트워크 서비스가 중요해진다. DNS, DHCP, IP 주소 관리(DDI라고 함)는 네트워크의 권위적인 맵을 형성한다. 모든 디바이스, 워크로드, 연결은 그 레이어와 교차한다.

관측 가능성 텔레메트리가 권위적인 身份 및 주소 지정 정보와 함께 풍부해지면 분석이 기반을 둔다. AI는 예상된 동작과 실제 이상을 더 큰 확신으로 구별할 수 있다. 루트 원인 분석이 더 빠르게 일어난다. 자동화가 더 안전해진다.

2. 깊은 통합을 통해 도구 분산 줄이기

대부분의 기업은 계속해서 여러 관측 가능성 시스템을 운영할 것이다. 그것이 주요 문제가 아니다. 문제는 얕은 통합이다.

다른 대시보드를 다른 대시보드 안에 삽입하거나 기본 데이터 내보내기를 공유하는 것은 일관성을 생성하지 않는다. 성숙한 환경은 데이터 레이어에서 통합한다. 텔레메트리 수집을 조정하고 도메인 전반에 걸쳐 경고를 상관시키고 도구를 가로지르는 워크플ロー가 가능하다.

통합이 그 수준에 도달하면 통합이 합리적이 된다. 중복 시스템을 은퇴시키기가 더 쉽다. 중복 텔레메트리는 더 쉽게 합리화된다. AI는 단편적인 조각이 아닌 통일된 컨텍스트에서 작동한다.

3. 중단을 피하기 위해 단계적으로 현대화

레거시 환경을 불안정하게 하는 страх은 합리적이다.誰도 생산을 중단하면서 건축적 순수성을 추구하고 싶지 않다. 단계적인 접근 방식은 그 위험을 줄인다.

1단계: 지능 삽입

텔레메트리를 공유 분석 레이어로 스트리밍한다. 身份 및 정책 컨텍스트로 풍부하게 한다. 감지 및 추천에 대한 AI를 사용한다. 자율적 인 시행이 아닌.

2단계: 표준화 및 합리화

상관관계가 개선되고 노이즈가 감소함에 따라, 중복 도구를 식별하고 통일된 아키텍처에 참여할 수 없는 도구를 은퇴한다.

3단계: 가드레일 자동화 도입

초기 자동화 시나리오에서 시작한다. agentic AI가 복구를 제안하기 전에 실행을 허용한다. 확장하면서도 확신과 거버넌스가 성숙한다.

이것은 스위치를 플립하는 것에 관한 것이 아니다. 그것은 안정성을 희생하지 않고 일관성을 증가시키는 것이다.

전략적 전환: 최적화 및 AI 주도

관측 가능성은 더 이상 모니터링 도구의 모음이 아니다. 그것은 핵심 AI 주도 인프라이다. 그것은 새로운 기준이 필요하다. 조직이 관측 가능성을 통일된 데이터 아키텍처와 권위적인 네트워크 지능에錨定할 때, AI는 예측적이 된다.

예측적 분석은 이론에서 실제로 이동한다. 역사적 및 실시간 텔레메트리를 함께 분석함으로써, AI는 용량 변동, 구성 드리프트 또는 비정상적인 동작의 초기 신호를 식별할 수 있다. 그것은 사용자에게 악화가 눈에 띄기 전에 개입한다. 이것은 특히 대규모 IT 중단이 조직에 최대 2백만 달러의 비용을 초과할 수 있기 때문에 중요하다.

용량 계획은 동적이 아닌 주기적으로 이루어진다. 자원 고갈 및 서비스 포화는 예측될 수 있다. 예측적 최적화가 반응적 확장 대신 가능하다.

이것이 지평선에 있다.

당신의 데이터가 분산되어 있다면, AI는 그것을 노출시킬 것이다.

당신의 기반은 일관성이 있다면, AI는 레버리지가 된다.

질문은 당신이 AI 주도 관측 가능성 및 지능을 채택할 것인지에 관한 것이 아니다. 질문은 당신의 아키텍처가 그것에 준비되어 있는지에 관한 것이다.