5 nettverksoppgaver som AI kan hjelpe NetOps med, og 5 det ikke kan

I dagens digitale landskap utvikler nettverksinfrastrukturen seg raskt, og kompleksiteten og skalaen øker eksponentielt. Dette gjør det vanskeligere enn noen gang å håndtere nettverk effektivt. Mens det finnes en rekke verktøy designet for å hjelpe NetOps-team, hevder Gartner at to tredjedeler av nettverksoppgavene fortsatt er manuelle. Dette fører til en kontinuerlig etterspørsel etter å strømlinje nettverksoperasjoner og -håndtering.

Fortsatt, innføringen av skytjenester og virtualiseringsteknologier kombinert med nye teknologier og tjenester betyr at organisasjoner trenger mer fleksible og skalerbare nettverkshåndteringsteknologier som kan hjelpe med den økende volumet av nettverkstrafikk og enheter​. Mens skripting har lenge vært en måte å automatisere enkelttekniske oppgaver, er det ikke skalerbart over en hel operasjonsteam.

Enter AI og mer spesifikt, løftet av generativ AI, som de siste to årene har vært en katalysator for markedet. Men med så mange AI-aktiverede teknologier som nå trenger inn i nettverksrommet, kan det være vanskelig å forstå hva funksjonalitet som er ekte og hva som er AI-whitewashing. La oss se på 5 nettverksoppgaver AI kan hjelpe NetOps-team med i dag, og 5 områder det ikke kan (men kanskje kan i fremtiden?):

Hjelper NetOps Teams:

1. Infrastrukturoppdagelse og konfigurasjonsanalyse – Det er standard operasjonsprosedyre å identifisere og katalogisere alle fysiske og virtuelle komponenter som utgjør en organisasjons IT-infrastruktur, og å undersøke innstillingene, konfigurasjonene og tilstandene til komponentene i den infrastrukturen. Dette er en kontinuerlig prosess som kan ta timer per uke når det utføres manuelt. Men AI, ved hjelp av en full Digital Twin av et nettverk, akselerer dramatisk denne prosessen (for eksempel kan BGP-tunnel ned bli redusert fra 2 timer til 10 minutter) og trekker frem alle viktige opplysninger et NetOps-team måtte trenge om enhetshardware eller -programvare, konfigurasjoner, ressurser, ytelse og sikkerhetsrisikovurderinger.

2. Dynamisk kartlegging – NetOps-team bruker dynamisk kartlegging for nettverksvisualisering, nettverksovervåking, feilsøking og mye mer. Det automatisk oppdager, dokumenterer og oppdaterer relasjonene, stier og forbindelser mellom ulike nettverksenheter og -komponenter. AI (igjen med en full Digital Twin av nettverket) kan dynamisk tegne og kartlegge nettverkstopologi relevant for en spørring eller nettverksproblem på minutter, når de er nødvendige. Uten AI, må nettverksingeniører bruke noen timer per sted med å tegne kartene i Visio (som kan føre til hundrevis av timer for å fullstendig kartlegge et bedriftsnettverk) og kartene vil bli foreldet på uker eller selv dager.

3. Rotårsakanalyse og anomaliopptegning – Hvert nettverksprofesjonell vet hvor viktig rotårsakanalyse og anomaliopptegning er. De sikrer stabilitet, sikkerhet og effisiens i systemer og prosesser. Vanligvis krever dette den intuitive ekspertisen til IT-fagfolk med års erfaring (ved hjelp av CLI-verktøy, Ansible, Python osv.). Før AI, var det ingen kortveier til å tilegne seg denne feilsøkingskunnskapen. AI, trent av fagfolk, kan foreslå diagnose- eller vurderingslogikk å bruke i nettverksautomatisering likt hvordan AI allerede hjelper programmerere med å generere kode. AI kan kanskje også hjelpe med å pålitelig replikere, tilpasse og skalerer automatisering for hver enhet på nettverket.

4. Anbefalte handlinger – Liksom feilsøking, å rette opp et problem (gjenopprette tjenestefordring til ønsket basislinje) ofte krever ekspertferdigheter. Dette involverer å søke i leverandør-dokumentasjon og å tilegne seg kunnskap om beste praksis og personlig erfaring. AI kan katalogisere tiår med erfaring og bedre distribuere stamme-kunnskap om nye problemer til ingeniører på alle nivåer. Når en diagnose er gjort og akseptert, eller uønskede trender er identifisert, kan AI anbefale korrektive handlinger, neste trinn, oppfølgingsprosedyrer eller endringsforslag.

5. Dashboards og rapportering – Sanntidsobservasjon, handlebare innsikter og evnen til å fatte informerte avgjørelser raskt er alle deler av NetOps-jobben. Automatisering kan i stor grad strømlinje disse prosessene, men hvordan presenteres automatiseringsresultatene til menneskelige beslutningstakere? Visualisering av nyttige analyser har blitt sin egen industri med dusinvis av grafiske og dashboard-plattformer. Men disse krever fortsatt omhyggelig overveielse og timer eller dager med arbeid for å bygge. AI kan betydelig lette visualiseringen av observasjon og automatiseringsresultater ved å assistere i opprettelsen av tilpassede dashboards og rapporter tilpasset bestemte bruksscenarier for sporing, overvåking og samarbeid. Forestill deg å måtte gå gjennom tusenvis av nettverksinnsikter samlet fra telemetri og automatisert analyse og deretter forestill deg en AI-assistent som transformerer denne dataen til et glansbart visuelt dashboard som fremhever kritiske problemer og prioriterte oppgaver.

Hjelper ikke NetOps Teams:

1. Godkjenne nettverksendringer – NetOps ønsker å minimere risikoen for nedtid, sikre overholdelse, hjelpe med å vedlikeholde sikkerhet og generelt sammenligne med forretningsmål, som er hvorfor godkjenning av nettverksendringer er en så kritisk funksjon. Mens AI kan foreslå anbefalte handlinger, kan det ikke fatte en dømmende avgjørelse om å godkjenne eller finalisere nettverksendringer. Disse endringene er komplekse, hvert bedriftsnettverk er unikt, og en feil kan koste titusener av dollar i nedtid. AI har ikke demonstrert nok avansert nettverkskunnskap for at ledere skal stole på det med en så viktig oppgave.

2. Designe komplekse nettverk – Hvert nettverk og dets krav er unikt. AI kunne potensielt en dag designe enkle nettverk for rudimentære bruksscenarier, men bedriftsnettverk er for komplekse og tilpasset sine spesifikke bruksscenarier. Et mikro-handelselskap kan kreve et nettverk med ultra-lav latent tid. Et videoinnhold-leverandørselskap kan kreve høy båndbredde. Et helsevesen kan kreve høy tilgjengelighet. La oss ikke glemme de ulike protokollene som best kan egne seg til hver bedrift, fra tradisjonell IP til multicast, MPLS og SD-WAN. AI kan ikke beregne hver mulig iterasjon av et nettverk og velge den beste designet. Bare et menneske kan fatte disse overveielser og avgjørelsene.

3. Få valg – NetOps-proffene må stadig fatte kritiske avgjørelser rundt trafikkhåndtering, ytelsesoptimering, responder til varsler og hendelser, godkjenne nettverksendringer og mer. AI kan uten tvil gi informasjon til disse avgjørelse-takerne, men det kan ikke forstå konteksten godt nok til å veie avveininger, fatte tøffe avgjørelser eller velge kompromisser. Ville du ønske at AI skulle fatte en avgjørelse som kunne påvirke nettverkstjenestelevering til et sykehus eller en regjeringsetat?

4. Ta ansvar – NetOps-teamene blir dømt ut fra oppetid, tilgjengelighet, nettverksytelse, problemhåndtering, overholdelse av retningslinjer og mer. Med AI i blandingen, hvordan måles teamene? Vil vi tro at «det var AI sin skyld» vil være en akseptabel respons? AI vil aldri kunne berolige nøkkelinteressenter eller kunder.

5. Innovere – Forbedret effisiens, bedre ytelse, økt skalerbarhet, bedre brukeropplevelse… alt dette krever innovasjon. Mennesker har evnen til å forstå kompleksiteten i dagens nettverk, kombinere dette med en organisasjonens forretningsmål og funksjoner i deres rolle for å komme opp med unike ideer og løsninger. AI har ikke kapasiteten til å mutere ideer og skape noe nytt. Det kan ikke tenke utenfor boksen og gi innovative nettverksløsninger for bedriftsutfordringer.

Det er ingen tvil om at AI er et kraftfullt verktøy som blir tungt integrert over hele teknologistaken. Det kan tilby verdifull støtte til NetOps-teamene ved å forbedre synlighet, automatisere oppgaver og mer. Men det er også mye det ikke kan gjøre, og kanskje aldri vil kunne gjøre. Vi er bare i begynnelsen av dette symbiotiske forholdet. Hva er den draps-AI-funksjonen du ønsker å se i NetOps?