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

I dagens digitale landskap utvikler nettverksinfrastrukturen seg raskt, og kompleksiteten og omfanget øker eksponentielt. Dette gjør det mer utfordrende 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. Som et resultat er det en fortsatt etterspørsel etter å strømlinje nettverksdrift og -håndtering.

Videre kombinerer adopsjonen av skytjenester og virtualiseringsteknologier med nye teknologier og tjenester at organisasjoner trenger mer fleksible og skalerbare nettverkshåndteringsteknologier som kan hjelpe med den økende volumet av nettverkstrafikk og enheter​. Mens skripting lenge har vært en måte å automatisere enkeltstående ingeniøroppgaver, er det ikke skalerbart over en hel driftsteam.

Inn kommer AI og mer spesifikt, løftet om generative AI, som de siste to årene har vært en katalysator for markedet. Men med så mange AI-aktiverede teknologier som nå kommer 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 i fremtiden?):

Hjelper NetOps-team:

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 infrastrukturen. Dette er en pågående prosess som kan ta timer per uke når det utføres manuelt. Men AI, ved hjelp av en fullstendig Digital Twin av et nettverk, akselerer dramatisk 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 oppdager automatisk, dokumenterer og oppdaterer relasjonene, stier og forbindelsene mellom ulike nettverksenheter og -komponenter. AI (igjen med en fullstendig 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 flere timer per sted på å tegne kart i Visio (som kan legge til hundredvis av timer for å fullstendig kartlegge et bedriftsnettverk) og kartene vil bli foreldet på uker eller selv dager.

3. Rotårsakanalyse og anomaliopptekting – Hvert nettverksprofesjonell vet hvor viktig rotårsakanalyse og anomaliopptekting er. De sikrer stabiliteten, sikkerheten og effektiviteten til 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 oppnå 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 – Likt feilsøking, krever retting av et problem (gjenoppretting av tjenestefordring til ønsket basislinje) ofte ekspertferdigheter. Dette innebærer å forske i leverandør-dokumentasjon og tilegne seg kunnskap om beste praksis og personlig erfaring. AI kan katalogisere årtier med erfaring og bedre distribuere stamme-kunnskap om nye problemer til ingeniører av 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 rapporter – Sanntidsobservasjon, handlebare innsikter og evnen til å fattende beslutninger raskt er alle deler av NetOps-jobbeskrivelsen. Automatisering kan i stor grad strømlinje disse prosessene, men hvordan presenteres automatiseringsresultatene for 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 brukstilfeller 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 en glimtbar visuell dashboard som fremhever kritiske problemer og prioriteringsoppgaver.

Ikke hjelper NetOps-team:

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 dom til å godkjenne eller finalisere nettverksendringer. Disse endringene er komplekse, hvert bedriftsnettverk er unikt, og en feil kan koste titusenvis 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 brukstilfeller, men bedriftsnettverk er for komplekse og tilpasset sine bestemte brukstilfeller. Et mikrohandelsselskap kan kreve et ultra-lav-latensnettverk. Et videoinnhold-leveringsselskap kan kreve høy båndbredde. Et helsevesenselskap kan kreve høy tilgjengelighet. La oss ikke glemme de ulike protokollene som kan være best egnet for hvert selskap, fra tradisjonell IP til multicast, MPLS og SD-WAN. AI kan ikke beregne hver mulig iterasjon av et nettverk og velge den beste designen. Bare et menneske kan gjøre disse overveielsene og beslutningene.

3. Gjøre valg – NetOps-proffene må konstant gjøre daglige kritiske beslutninger rundt trafikkhåndtering, ytelsesoptimering, reagere på varsler og hendelser, godkjenne nettverksendringer og mer. AI kan uten tvil gi informasjon til disse beslutningstakerne, men det kan ikke forstå konteksten godt nok til å veie fordelene, fatte vanskelige beslutninger eller velge kompromisser. Ville du ønske at AI fattet en beslutning som kunne påvirke nettverkstjenesteleveringen til et sykehus eller en regjering?

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

5. Innovere – Forbedret effektivitet, bedre ytelse, økt skalerbarhet, bedre brukeropplevelse… alle disse tingene krever innovasjon. Mennesker har evnen til å forstå kompleksiteten i dagens nettverk, kombinere dette med en organisasjons forretningsmål og funksjoner av deres rolle for å komme opp med unike ideer og løsninger. AI har ikke evnen 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 kraftig verktøy som blir tungt integrert over hele teknologistaken. Det kan tilby verdifull støtte til NetOps-team ved å forbedre synligheten, 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 kritiske AI-funksjonen du ville ønske å se i NetOps?